
列联表和卡方检验 分类变量之间的相关性一般可以采用列联表分析或卡方检验的方法来进行验证。 列联表是两个分类变量的分类水平之间形成的交叉频数表,通过计算行百分比或列百分比,对实际频率和期望频率进行对 比分析,例如一个典型的列联表如下:
对于表中频数、期望频数、行/列百分比的解读方法要熟练掌握。 比如98代表的是头发颜色为金色,眼睛颜色为深色的样本数量。 而355.2则是期望的数量。6.7%是行百分比,也就是在所有头发颜 色为金色的样本中,眼睛颜色为深色的占比。
列联表是一种比较简单的描述性统计方法,而卡方检验则可以通过量化的方法对两个分类变量的相关性进行检验,卡方统 计量如下:
在掌握了列联表分析和卡方检验的基础上,可以学习使用逻辑回归对分类变量进行预测。 逻辑回归主要处理的就是分类问题。事实上,也可以把他看作是线性回归一种延伸。我们面对的因变量,也就是模型输出 结果不再是一个连续变量,而是一个分类变量。最常见的逻辑回归就是二分类变量逻辑回归,通常我们可以使用这种方法 来寻找目标客户。
1.进行逻辑回归时,我们希望选择的变量尽可能地有效,避免冗余。常用的变量筛选方法有如下几种:
Wald检验:通过Wald统计量,来检验自变量对因变量的影响能力。Wald越大,说明自变量的相关性越大,越应该保留。
似然比检验(Likehood Ratio):也是逻辑回归非常常用的一种检验方法。逻辑回归模型的估计一般是使用最大似然估计, 也就是说找到一个似然函数L,使其达到最大值。L越大,也就说明模型的预测效果越好。因此似然比检验本质上是对包 含或者不包含某一个或者几个变量的模型L值进行比较,从而做出判断。
比分检验(Score Test):以包含某个或者某几个变量的模型作为基础,加入系数为0的新变量,通过计算似然函数的一阶 偏导数和信息矩阵,取两者的乘积作为最终的统计量。
这三种方法中,似然比检验是最可靠,也是最常用的一种变量筛选方法。在变量存在共线性时,Wald检验结果不可靠。另 外,实际应用是以上三种方法,都可以采用向前或者向后逐步的方式进行变量筛选。
另外在逻辑回归模型里,我们需要使得自变量和因变量的对数存在线性关系。如果发现实际的变量不符合,可以通过筛选 变量,变量转换等方式进行调整。另外变量转换也可以避免异常值对结果造成偏差。
前面提到,逻辑回归的模型参数估计通常采用的是最大似然函数法,因此理论上需要有一定量的样本才能采用这种方法, 否则检验公式就是不合理的。另外也需要注意的是,逻辑回归的模型无法解决多重共线性的问题,因此在输入变量前,对 变量进行检验和清洗是非常必要的。 得到模型后,我们可以通过混淆矩阵和ROC曲线来评判模型的效果。
灵敏度指的是模型“击中”的概率,也就是对于实际发生(取值为1)的样本,模型预测为1的概率。对应上图的公式为 A/(A+B)。
特异度指的是模型“正确否定”的概率,也就是说对于实际没发生(取值为0)的样本,模型预测为0的概率。对应上图 的公式为D/(C+D)。
因此,可以看到不管是灵敏度还是特异度,都是越高,说明我们的模型越有效。在实际应用中,由于逻辑回归模型计算 的结果其实是一个相对可能性p,因此我们可以根据实际情况调整判断取值为1的p的标准。更有侧重性地提高灵敏度或 者特异度。
3.ROC曲线
除了使用混淆矩阵,我们还可以通过ROC曲线的方式来图形化地判断模型效果。
ROC曲线也是基于灵敏度和特异度来进行判断的。曲线下面积AUC 指的是ROC曲线、底线和右侧线围成的面积。ROC曲线的面积一般 在0.5-1之间。这个数值越接近1,表明模型预测能力越强。当AUC 在0.7-0.9时,我们认为模型有较高的判断作用。而AUC接近0.5的 时候,我们人为这个模型是无效的。
在实际业务中,我们一般利用二分类逻辑回归作为筛选目标客户的 主要手段。不管是识别明星客户、流失客户,甚至是可能存在违约 或者欺诈行为的客户,都可以采用这种方法。
1. 某客户为欺诈的概率为0.4,则优势odds为( )?
A. 0.4
B .2 / 3
C. 3 / 2
D. 0.6
答案:B 解析:该题考核了二分类变量分析的基础知识。Odds的定义是显性结果的概率比上非显性结果的概率,因此为0.4 / 0.6,等 于2 / 3。
2. 建立逻辑回归时,为什么有时候需要对连续变量进行分箱处理?
A. 避免变量的共线性
B. 捕获原始连续变量和被解释变量之间非线性关系
C. 避免异常值影响
答案:BC 解析:如果发现解释变量与反应变量之间相关,但又不呈现线性关系时,往往会对解释变量进行分箱,同时分箱也能够消除极端值。 因此选BC。
点击CDA题库链接,获取免费版CDA题库入口,祝考试顺利,快速拿证!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-11数据透视表中两列相乘合计的实用指南 在数据分析的日常工作中,数据透视表凭借其强大的数据汇总和分析功能,成为了 Excel 用户 ...
2025-07-11尊敬的考生: 您好! 我们诚挚通知您,CDA Level I和 Level II考试大纲将于 2025年7月25日 实施重大更新。 此次更新旨在确保认 ...
2025-07-10BI 大数据分析师:连接数据与业务的价值转化者 在大数据与商业智能(Business Intelligence,简称 BI)深度融合的时代,BI ...
2025-07-10SQL 在预测分析中的应用:从数据查询到趋势预判 在数据驱动决策的时代,预测分析作为挖掘数据潜在价值的核心手段,正被广泛 ...
2025-07-10数据查询结束后:分析师的收尾工作与价值深化 在数据分析的全流程中,“query end”(查询结束)并非工作的终点,而是将数 ...
2025-07-10CDA 数据分析师考试:从报考到取证的全攻略 在数字经济蓬勃发展的今天,数据分析师已成为各行业争抢的核心人才,而 CDA(Certi ...
2025-07-09【CDA干货】单样本趋势性检验:捕捉数据背后的时间轨迹 在数据分析的版图中,单样本趋势性检验如同一位耐心的侦探,专注于从单 ...
2025-07-09year_month数据类型:时间维度的精准切片 在数据的世界里,时间是最不可或缺的维度之一,而year_month数据类型就像一把精准 ...
2025-07-09CDA 备考干货:Python 在数据分析中的核心应用与实战技巧 在 CDA 数据分析师认证考试中,Python 作为数据处理与分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的有力工具 在数据分析的广袤领域中,准确捕捉数据的趋势变化以及识别 ...
2025-07-08备战 CDA 数据分析师考试:需要多久?如何规划? CDA(Certified Data Analyst)数据分析师认证作为国内权威的数据分析能力认证 ...
2025-07-08