Logistic判别及其应用(Ⅰ)

<正> 判别分析的方法[如 Fisher(费歇)判别,Bayes(贝叶斯)判别,逐步判别,二次判别,距离判别,序贯判别等等]在我国各个部门都有广泛而深入地应用.本文介绍的 Logistic 判别方法,对母体分布的条件限制较弱,它既适用于连续型,又适用于离散型,也适用于混合型的因子变量.建立公式时工作量不大,编制程序也不太长.使用方便,应用范围较广.无论在理论上,数学模型上和实用上都很有生命力.该方法首先由 D.R.Cox 提出,后经 N.E.Day 和 D.F.Korridge 发展,特别是 J.A.Anderson 完善了这一方法,他作了一个数字模拟,后又利用单纯离散因子变量     

带有变量中误差的 Probit 回归模型

一、引言描述一事件概率与影响变量间关系的 Probit 回归与 Logit 回归皆为重要的非线性模型.Logit 模型1944年由 Berkson 提出 Probit 模型1860年 Fechner 提出.对影响变量进行考察常会出现误差,称为“变量中的误差”(FV),在线性模型中的 FV问题已有系统研究,近来又扩展到各种非线性模型中.本文讨论 FV-Probit 模型.     

带有变量中误差的线性模型

本文介绍带有变量中误差(Errors-in-Variables-EV)线性模型的定义,模型的可识别性及模型的参数估计等问题。     

信息复杂性准则的深入探讨

介绍联系拟合优度与模型复杂性测度的一种模型选择准则一信息复杂性(ICOMP)准则的基本原理.由Bozdogan提出的信息复杂性(ICOMP)准则可以视为两个Kullback-Leibler距离之和的一种近似.首先研究了所考虑模型中有真实模型的情况下,ICOMP准则类的渐近相容性;然后又介绍并完成了所考虑模型中没有真实模型的情况下,ICOMP准则类的渐近相容性.在有限样本容量的情况下,用ICOMP准则选择的估计模型,比用其他通用的准则选择的估计模型,更接近于真实模型.     

用NEWTON-RAPHSON迭代法解线性LOGISTIC判别系数超越方程组

Logistic判别是一种以Bayes准则为基础的新的判别分析方法,它对母体分布所要求的条件较弱,且适用于连续型变量、离散型变量以及混合型变量,故应用范围较广。 若在每个母体H_i(i=1,…,m)上观测到(p+1)维指标因子X=(1,x_1,…,x_p)’的概率为     

前馈神经网络和Logit回归的比较研究

近年来 ,前馈神经网络广泛地应用在 Logit回归作为标准统计方法的分析领域 .但却很少作它们之间的直接比较 ,本文是 Logit回归和前馈神经网络“比较研究”的一个尝试 ,说明了一些理论结果和特性 ,讨论了在它们的应用中碰到的一些实际问题 ,还进一步用分析的和模拟的两种方法研究了一些重要的渐近概念、过分拟合以及模型选择等问题 ,最后讨论并给出一些结论     

逐步Logistic判别分析

本文介绍用极大似然估计对Ｌｏｇｉｓｔｉｃ判别分析中的变量进行逐步筛选的方法，筛选过程是在对判别系数作似然比检验的基础上进行的，在变量向前选入与向后剔除的生产每一步中都用到这种检验；最后举出了应用实例。     

Logistic判别及其应用(Ⅱ)

<正> 现在来解方程组(10)(或(20)),对给定的样本值 x_(?),j=0,1,…,p(因子数);t=1,2,…,m(母体数);k=1,2,…,n_t(第 t 个母体的样本数),方程组(10)变为(?)其中,