解释和 二值 Logistic 回归的关键结果 拟合二元 Logistic 模型

有关更多信息，请转到和 二值 Logistic 回归的比值比 拟合二元 Logistic 模型。

要确定模型对数据的拟合优度，请检查模型汇总表格中的统计量。

数据在工作表中的排列方式以及每行是存在一个还是多个试验会影响很多模型汇总和拟合优度统计量。Hosmer-Lemeshow 检验不会受数据格式影响，因此格式之间可比较。有关详细信息，请转到数据格式对二元 Logistic 回归中拟合优度的影响。

偏差 R-Sq

偏差 R² 越高，模型拟合数据的优度越高。偏差 R² 始终在 0% 和 100% 之间。

如果向模型添加其他预测变量，则偏差 R² 会始终增加。例如，最佳的 5 预测变量模型的 R² 始终比最佳的 4 预测变量模型的高（至少一样高）。因此，比较相同大小的模型时，偏差 R² 最有用。

对于二元 Logistic 回归，数据格式会影响偏差 R² 值。事件/试验格式的数据的偏差 R² 通常较高。仅在使用相同数据格式的模型之间可以比较偏差 R² 值。

拟合优度统计量只是模型拟合数据优度的一种度量。即使模型具有合意的值，您也应当检查残差图和拟合优度检验，以评估模型拟合数据的优度。

偏差 R-sq (adj)

使用调整的偏差 R² 来比较具有不同预测变量数的模型。如果向模型添加预测变量，偏差 R² 也会始终增加。调整的偏差 R² 值在模型中包含了预测变量数，以帮助您选择正确的模型。

AIC、AICc 和 BIC

使用 AIC、AICc 和 BIC 比较不同的模型。对于每个统计量，较小的值比较合意。但是，对于预测变量集具有最小值的模型，不一定需要很准确地拟合数据。而且，还可使用拟合优度检验和残差图评估模型与数据的拟合优度。

ROC 曲线下面积

ROC 曲线下面积的值范围是 0.5 到 1。当二元模型可以完美地分隔类时，曲线下面积为 1。当二元模型不能比随机分配更好地分隔类时，曲线下面积为 0.5。

如果偏离在统计上显著，则您可以尝试另一种链接函数或更改模型中的项。

对于二元 Logistic 回归，数据格式会影响 p 值，因为它会改变每行的试验数。

• 偏差：与事件/试验格式中的数据相比，偏差检验的 p 值可能会低于二元响应/频率格式的数据。对于二元响应/频率格式的数据，Hosmer-Lemeshow 结果更为可靠。
• Pearson：如果数据中每行事件的预计数量较小， 则 Pearson 检验使用的卡方分布近似不准确。因此，如果数据为二元响应/频率格式，则 Pearson 拟合优度检验也不准确。
• Hosmer-Lemeshow：与其他拟合优度检验一样，Hosmer-Lemeshow 检验与数据中每行的试验数无关。如果数据每行的试验数较少，则在检验模型与数据的拟合优度方面，Hosmer-Lemeshow 检验更为可靠。