建立logistic回归模型步骤

① 对每一个变量进行量化，并进行单因素分析

② 数据的离散化，对于连续性变量在分析过程中常常需要进行离散变成等级资料。可采用的方法有依据经验进行离散，或是按照四分、五分位数法来确定等级，也可采用聚类方法将计量资料聚为二类或多类，变为离散变量。扩展资料

③ 对性质相近的一些自变量进行部分多因素分析，并探讨各自变量(等级变量，数值变量)纳入模型时的适宜尺度，及对自变量进行必要的变量变换

④ 在单变量分析和相关自变量分析的.基础上，对 P ≤α(常取 0.2，0.15 或 0.3)的变量，以及专业上认为重要的变量进行多因素的逐步筛选模型程序每拟合一个模型将给出多个指标值，供用户判断模型优劣和筛选变量。可以采用双向 筛选技术：a 进入变量的筛选用 score 统计量或 G 统计量或 LRS(似然比统计量)，用户确定 P 值临界值如：0.05、0.1 或 0.2，选择统计量显著且最大的变量进入模型b 剔除变量的选择用 Z 统计量 (Wald 统计量)，用户确定其 P 值显著性水平，当变量不显者，从模型中予以剔除。这样，选入和剔除反复循环，直至无变量选入，也无变量删除为止，选入或剔除的显著界值的确定要依具体的问 题和变量的多寡而定，一般地，当纳入模型的变量偏多，可提高选入界值或降低剔除标准，反之，则降低选入界值、提高删除标准。但筛选标准的不同会影响分析结 果，这在与他人结果比较时应当注意。

⑤ 在多因素筛选模型的基础上，考虑有无必要纳入变量的交互作用项两变量间的交互作用为一级交互作用，可推广到二级或多级交互作用，但在实际应用中，各变量最好相互独立 (也是模型本身的要求)，不必研究交互作用，最多是研究少量的一级交互作用。

logit模型和简单的线性模型不同，自变量的边际效应并不是简单等于其系数。 x_j对于y的边际效应一般来讲计算方法如下 EViews本身并没有直接求边际效应的程序。不过，可以通过EViews的预测功能求得边际效应。如果简单的样本内预测值是XB，那么@dlogistic(-xb)乘以x的系数就是边际效应了。 下面是一个实例。 首先，估计我们需要的logit模型。被解释变量是foreign，解释变量是price和mpg。我们一会儿来求mpg的边际效应。

---