로지스틱 회귀는 기본 형식에서 로지스틱 함수를 사용하여 이진 종속 변수를 모델링하는 통계 모델입니다. 회귀 분석에서 로지스틱 회귀(또는 로그회귀)는 로지스틱 모델의 매개 변수(이진 회귀의 한 형태)를 추정합니다. 수학적으로 이진 로지스틱 모델에는 두 값이 “0”과 “1”로 레이블이 지정되어 있는 표시기 변수로 표시되는 통과/실패와 같은 두 가지 가능한 값이 있는 종속 변수가 있습니다. 로지스틱 모델에서 “1”이라고 표시된 값에 대한 로그 배당률(배당률의 로그)은 하나 이상의 독립적인 변수(“예측 변수”)의 선형 조합입니다. 독립 변수는 각각 이진 변수(두 클래스, 표시기 변수로 코딩) 또는 연속 변수(실제 값)일 수 있습니다. “1”이라고 표시된 값의 해당 확률은 0(확실히 값 “0”)과 1(확실히 값 “1”) 사이에서 달라질 수 있으므로 레이블은 레이블입니다. 로그 확률을 확률로 변환하는 함수는 로지스틱 함수이므로 이름입니다. 로그 확률 척도에 대한 측정 단위를 로지스틱 단위의 로그(logit)라고 하며, 따라서 대체 이름입니다. 로지스틱 함수 대신 에이트게이트 기능을 가진 유사 모델도 프로빗 모델과 같이 사용될 수 있다; 로지스틱 모델의 정의 특성은 독립 변수 중 하나를 증가시키면 주어진 결과의 배당률을 일정한 속도로 곱하면 각 독립 변수가 자체 매개 변수를 갖는 것으로 확장하는 것입니다. 이진 종속 변수의 경우 이 변수는 배당률을 일반화합니다.

간단한 로지스틱 회귀를 위해 PROC LOGISTic을 사용합니다. MODEL 문에는 두 가지 형태가 있습니다. 측정 변수의 각 값에 대해 여러 관측값이 있는 경우 데이터 세트에 측정 변수, “성공”의 수(공칭 변수의 값 중 하나일 수 있음) 및 합계(새 변수를 만들어야 할 수 있음)가 있을 수 있습니다. ( 여기에 표시된 대로)를 표시합니다. 다음은 양서류 데이터를 사용하는 예입니다: 단순 로지스틱 회귀는 종속 변수가 측정이 아니라 명목이라는 점을 제외하면 선형 회귀와 유사합니다. 한 가지 목표는 명목 변수의 특정 값을 얻을 확률이 측정 변수와 연관되어 있는지 확인하는 것입니다. 다른 목표는 측정 변수를 고려하여 명목 변수의 특정 값을 얻을 확률을 예측하는 것입니다. 모델 편차가 null 편차보다 현저히 작으면 예측 변수 또는 예측 변수 집합이 모델 적합도를 크게 향상했다고 결론을 내릴 수 있습니다. 이는 예측의 중요성을 평가하기 위해 선형 회귀 분석에 사용되는 F 검정과 유사합니다. [29] 로지스틱 회귀는 일반화된 선형 모델의 특별한 경우로 볼 수 있으므로 선형 회귀와 유사합니다.

그러나 로지스틱 회귀 모델은 선형 회귀 모델과는 매우 다른 가정(종속 변수와 독립 변수 간의 관계)을 기반으로 합니다. 특히, 이 두 모델의 주요 차이점은 로지스틱 회귀의 다음 두 가지 특징에서 볼 수 있습니다. 첫째, 조건부 분포 y 디스플레이 스타일 ymid x}는 종속 변수가 바이너리이기 때문에 가우시안 분포가 아닌 베르누이 분포입니다. 둘째, 예측된 값은 확률이므로 로지스틱 회귀는 결과 자체가 아닌 특정 결과의 확률을 예측하기 때문에 로지스틱 배포 함수를 통해 (0,1)로 제한됩니다. 1- 선형 회귀 방법은 잔류를 최소화하려고 시도하며, 이는 ((mx + c) -y)²의 값을 최소화하는 것을 의미한다. 로지스틱 회귀 모델은 모든 변수를 고려한 후 최상의 정확도로 결과를 예측하려고 시도합니다. 간단한 로지스틱 회귀는 배당률의 자연 로그와 측정 변수 간의 관계가 선형이라고 가정합니다.