当然你可以反推,采用 0 作为取值记录点击继续,返回,再点击“分类”按钮,进入如下页面在所有的 8 个自变量中,只有“教育水平”这个变量能够作为“分类协变量”因为其它变量都没有做分类,本例中,教育水平分为:初中,高中,大专,本科,研究生等等, 参考类别选择: “最后一个”在对比中选择“指示符”点击继续按钮,返回再点击—“保存”按钮,进入界面: 在“预测值" 中选择”概率, 在“影响”中选择“ Cook 距离”在“残差”中选择“学生化”点击继续,返回,再点击“选项”按钮,进入如下界面: 点击继续,再点击确定,可以得出分析结果了分析结果如下: 1:在“案例处理汇总”中可以看出:选定的案例 489 个,未选定的案例 361 个,这个结果是根据设定的 validate =1 得到的,在“因变量编码”中可以看出“违约”的两种结果“是”或者“否”分别用值“1“和“0”代替, 在“分类变量编码”中教育水平分为 5 类, 如果选中“为完成高中,高中,大专,大学等,其中的任何一个,那么就取值为 1 ,未选中的为 0 ,如果四个都未被选中,那么就是”研究生“频率分别代表了处在某个教育水平的个数,总和应该为 489 个 1 :在“分类表”中可以看出: 预测有 360 个是“否”(未违约) 有 129 个是“是”(违约) 2 :在“方程中的变量”表中可以看出:最初是对“常数项”记性赋值, B为-1.026 , 标准误差为: 0.103 那么 wald =( B/S.E) 2 =(-1.026/0.103) 2= 99.2248, 跟表中的“ 100.029 几乎接近,是因为我对数据进行的向下舍入的关系,所以数据会稍微偏小, B和 Exp(B) 是对数关系,将 B 进行对数抓换后,可以得到: Exp(B) = e^-1.026 = 0.358, 其中自由度为 1, sig 为 0.000 ,非常显著
全文预览
