
170
|
第
5
章
5.3.1
逻辑响应函数和
logit
函数
逻辑回归的核心部分是
逻辑响应函数
和
logit
函数
,它们可以将一个概率(
0
和
1
之间)映
射到一个更加广阔的、适合线性建模的空间。
首先,不将结果变量看作一个二元标签,而是看作标签为“
1
”的概率
p
。我们可能想将
p
作为预测变量的一个线性函数进行建模:
0 11 2 2 qq
p xx x
ββ β β
= + + ++
但是,拟合这个模型不能保证
p
在
0
和
1
之间,而这是概率必须满足的条件。
所以,我们对预测变量使用一个
逻辑响应函数
(或者
逆
logit
函数
),以此对
p
进行建模:
0 11 2 2
qq
xx x
p
ββ β β
− + + ++
=
这种变换可以保证
p
始终在
0
和
1
之间。
为了去掉分母中的指数表达式,我们不使用概率,而是使用
发生比
(
odds
)
。赌徒们非常熟
悉发生比,它是“成功”(
1
)与
“不成功”(
0
)的比率。用概率术语来说,发生比就是某
件事情发生的概率除以它不发生的概率。例如,如果一匹马获胜的概率为
0.5
,那么它不
会获胜的概率就是(
1–0.5
)
=
0.5
,那么发生比就是
1.0
:
我们可以根据发生比的逆函数由发生比得到概率:
将这个公式与前面的逻辑响应函数结合起来,就可以得到:
0 11 2 2
Odds( 1) e
qq
xx x
Y
ββ β β
+ + ++
= =
最后,对两边取对数,就可以得到一个由预测变量的线性函数所组成的表达式:
0 11 2 2
ln(Odds( 1))
qq
Y xx ...