Частина з циклу Статистика
Регресійний аналіз
Моделі
Лінійна регресія Проста лінійна регресія Звичайні найменші квадрати[en] Поліноміальна регресія Загальна лінійна модель
Узагальнена лінійна модель[en] Дискретний вибір Логістична регресія Поліноміальний логіт[en] Змішаний логіт[en] Пробіт[en] Поліноміальний пробіт[en] Впорядкований логіт[en] Впорядкований пробіт[en] Пуассон
Багаторівнева модель[en] Фіксовані рівні факторів[en] Випадкові рівні факторів[en] Змішана модель
Нелінійна регресія[en] Непараметрична[en] Напівпараметрична[en] Робастна[en] Квантильна[en] Ізотонічна[en] Головні компоненти[en] Найменші кути[en] Локальна[en] Сегментована[en]
Похибки вимірювань[en]
Оцінка
Найменші квадрати Звичайні найменші квадрати[en] Лінійні[en] Частинні[en] Повні[en] Узагальнені[en] Зважені[en] Нелінійні[en] Невід'ємні[en] Ітеративно перезважувані[en] Регуляризація Тихонова
Найменших модулів[en] Баєсова Баєсова багатовимірна[en]
Підґрунтя
Перевірка регресійних моделей[en] Середній та передбачуваний відгук[en] Похибки та залишки Допасованість Студентизований залишок Теорема Гаусса — Маркова
п о р

Логістична регресія (англ. logistic regression) або лоґіт-регресія (англ. logit model^[1]) — статистичний регресійний метод, що застосовують у випадку, коли залежна змінна є бінарною^[en], тобто може набувати тільки двох значень (0 або 1). При запровадженні порогового значення може знаходити застосування у класифікуванні.

Прикладом може слугувати класифікація електронних листів на «спам» або «не спам». Метод також використовується у медицині, наприклад, для визначення чи є пухлина злоякісною, чи доброякісною.

Нехай є деяка випадкова величина ${\displaystyle Y,\,}$ що може набувати лише двох значень, які, як правило, позначаються цифрами 0 і 1. Нехай ця величина залежить від деякої множини пояснювальних змінних ${\displaystyle x=(1,x_{1},\ldots ,x_{n})^{T}.}$ Залежність ${\displaystyle Y,\,}$ від ${\displaystyle x_{1},\ldots ,x_{n}.}$ можна визначити ввівши додаткову змінну y*, де ${\displaystyle y^{*}=\theta ^{T}x=\theta _{0}+\theta _{1}x_{1}+\ldots +\theta _{n}x_{n}+\varepsilon .}$ Тоді:

${\displaystyle Y={\begin{cases}0,&y^{*}\leqslant 0\\1,&y^{*}>0\end{cases}}}$

При визначенні логістичної моделі стохастичний доданок ${\displaystyle \varepsilon }$ вважається випадковою величиною з логістичним розподілом ймовірностей. Відповідно для певних конкретних значень змінних ${\displaystyle x^{*}=x_{1}^{*},\ldots ,x_{n}^{*}}$ одержується відповідне значення ${\displaystyle y^{*}}$ і ймовірність того, що ${\displaystyle Y=1,}$ така:

${\displaystyle p(Y=1)=p(y^{*}>0)=p(\theta ^{T}x^{*}+\varepsilon >0)=p(\varepsilon >-\theta ^{T}x^{*})=p(\varepsilon \leqslant \theta ^{T}x^{*})=\Lambda (\theta ^{T}x^{*}).}$

Передостання рівність випливає з симетричності логістичного розподілу, ${\displaystyle \Lambda }$ позначає логістичну функцію — функцію розподілу логістичного розподілу:

${\displaystyle \Lambda (x)={\frac {e^{x}}{1+e^{x}}}={\frac {1}{1+e^{-x}}}}$

Таким чином для конкретного значення ${\displaystyle x^{i}}$ випадкова величина ${\displaystyle Y^{i},\,}$ має розподіл Бернуллі: ${\displaystyle Y^{i}\ \sim B(1,\Lambda (\theta ^{T}x^{i})).}$

Логіт-модель задовольняє наступній умові:

${\displaystyle \ln {\frac {p(1|X)}{1-p(1|X)}}=\ln {\frac {p(1|X)}{p(0|X)}}=b_{0}+b_{1}x_{1}+...+b_{J}x_{J}}$

Оцінка параметрів ${\displaystyle \theta _{0},\theta _{1},...,\theta _{n}}$ на основі деякої вибірки ${\displaystyle (x^{(1)},Y^{(1)}),...,(x^{(m)},Y^{(m)})}$, де ${\displaystyle x^{(i)}\in \mathbb {R} ^{n}}$ — вектор значень незалежних змінних, а ${\displaystyle Y^{(i)}\in \{0,1\}}$ — відповідне їм значення ${\displaystyle Y,}$ як правило здійснюється за допомогою методу максимальної правдоподібності, згідно з яким вибираються параметри ${\displaystyle \theta }$, що максимізують значення функції правдоподібності на вибірці:

${\displaystyle {\hat {\theta }}={\mbox{argmax}}_{\theta }L(\theta )={\mbox{argmax}}_{\theta }\prod _{i=1}^{m}\Pr\{Y=Y^{(i)}|x=x^{(i)}\}.}$

Максимізація функції правдоподібності еквівалентна максимізації її логарифма:

${\displaystyle \log L(\theta )=\sum _{i=1}^{m}\log \Pr\{Y=Y^{(i)}|x=x^{(i)}\}=\sum _{i=1}^{m}Y^{(i)}\log \Lambda (\theta ^{T}x^{(i)})+(1-Y^{(i)})\log(1-\Lambda (\theta ^{T}x^{(i)})).}$

Для максимізації цієї функції може бути застосований, наприклад, метод градієнтного спуску, метод Ньютона чи стохастичний градієнтний спуск.

• Логістичний розподіл

• Alan. Agresti: Categorical Data Analysis. Wiley-Interscience, Nowy Jork, 2002. ISBN 0-471-36093-7.
• T. Amemiya: Advanced Econometrics. Harvard University Press, 1985. ISBN 0-674-00560-0.
• N. Balakrishnan: Handbook of the Logistic Distribution. Marcel Dekker, Inc., 1991. ISBN 978-0-8247-8587-1.
• William H. Green: Econometric Analysis, fifth edition. Prentice Hall, 2003. ISBN 0-13-066189-9.
• Hosmer, David W., Stanley Lemeshow (2000). Applied Logistic Regression, 2nd ed.. New York; Chichester, Wiley. ISBN 0-471-35632-8.
• Kleinbaum D.G., Logistic regression. A self-learning text, Springer-Verlag, 1994.