名义逻辑回归
名义逻辑回归是一种统计工具,用于分析一个或多个预测变量与具有三个或更多无序类别(例如划痕、凹痕或撕裂)的分类响应变量之间的关系。它根据预测变量的取值预测每个类别出现的概率。
最后审阅
核心要点
名义逻辑回归是一种统计工具,用于分析一个或多个预测变量与具有三个或更多无序类别的分类响应变量之间的关系。
什么是名义逻辑回归?
名义逻辑回归是一种统计工具,用于分析一个或多个预测变量与 具有三个或更多无序类别的分类响应变量(例如划痕、凹痕或撕裂)之间的关系。它根据预测变量的取值预测每个类别出现的概率。
何时使用名义逻辑回归?
预测变量
- 预测变量可以是 连续变量、分类变量,或两者的混合
- 离散变量可根据水平数和分析目的,按连续变量或分类变量处理
- 只有一个连续预测变量且响应为连续变量时,请使用 拟合线图
- 有多个预测变量且响应为连续变量时,请使用 拟合回归模型
响应变量
- 响应必须具有 三个或更多没有自然顺序的类别(例如颜色、材料类型、缺陷类型)
- 如果响应为 连续变量,请使用 拟合回归模型
- 如果响应有 两个类别(合格/不合格),请使用 二元逻辑回归
- 如果响应有 有序类别(低/中/高),请使用 有序逻辑回归
正确使用名义逻辑回归的指南
- 响应变量必须有 三个或更多无序类别;如果类别有自然顺序,请改用有序逻辑回归。
- 预测变量可以是 连续变量或分类变量;运行分析前,请确保每个变量的类型划分正确。
- 确保数据 准确代表目标总体;有偏或不完整的数据会导致不可靠的预测。
- 为每个类别收集 足够的数据点 ——任何类别的观测值过少,都会使模型不稳定,预测结果不可信。
- 尽可能 准确地测量所有变量;输入数据的误差会直接降低预测概率的准确性。
- 按数据 收集的顺序 记录数据,有助于发现可能影响结果的随时间变化的规律。
- 拟合后,使用 拟合优度统计量和残差诊断验证模型;拟合不佳的模型会产生误导性的类别预测。
- 检查 没有类别的观测值过少 ——罕见类别会降低模型的可靠性,并可能导致估计问题。
替代方法:何时不宜使用名义逻辑回归
- 如果响应变量为 连续变量,请改用 拟合回归模型。
- 如果 只有一个连续预测变量 且响应为连续变量,请改用 拟合线图。
- 如果响应有 两个类别(例如合格/不合格),请改用 二元逻辑回归。
- 如果响应类别具有 自然顺序(例如低/中/高),请改用 有序逻辑回归。
- 如果只有 一个分类预测变量 且响应为连续变量,请改用 单因素方差分析。
名义逻辑回归示例
为评估不同教学方法的效果,一名学校管理人员收集了 30 名学生的数据,记录每名学生最喜欢的科目及其班级所采用的教学方法。由于响应变量——科目偏好(数学、科学或语文)——是没有内在顺序的分类变量,管理人员采用名义逻辑回归。该分析有助于探究学生年龄(10 至 13 岁)和教学方法类型(演示或讲解)与其科目偏好之间的关联。步骤如下:
- 收集所需数据。

- 现在,在 Zometric Statistical Software 中分析数据,网址为 https://statsai.zometric.com/。
- 要找到名义逻辑回归,请选择 Statistical module> Regression>Nominal Logistic Regression。
- 在工具中输入数据及其他输入项,如下所示:

5. 使用上述工具后,得到如下输出:


如何进行名义逻辑回归
操作步骤如下:
- 登录 Zometric Statistical Software,网址为 https://statsai.zometric.com/
- 在首页选择 Statistical Tool> Regression > Nominal Logistic Regression。
- 接下来,手动更新数据,或从 Excel 表格中完整复制(Ctrl+C)数据并粘贴(Ctrl+V);也可以使用 Load Example 选项加载示例数据。
- 接下来,填写所需选项。
- 最后,点击页面底部的 calculate,即可得到所需结果。
在名义逻辑回归的工具界面中,窗口分为两部分。

左侧为数据窗格(Data Pane)。在 Data Pane 中,每一行构成一个子组。数据可手动输入,也可从 Excel 表格中完整复制(Ctrl+C)并粘贴(Ctrl+V)到此处。
Load example:将加载示例数据。
Load File: 用于直接加载 Excel 数据。
右侧提供以下选项:
- Response: 您要预测或分类的结果变量,必须包含 三个或更多没有自然顺序的类别,例如缺陷类型(划痕、凹痕、撕裂)或支付方式(现金、刷卡、在线)。模型根据所提供的预测变量取值,估计每个类别出现的概率。
- Categorical Predictor: 包含一组固定的不同分组或标签的预测变量,例如机器类型、班次或材料。这些分组之间没有可度量的距离。每个类别被视为一个单独的水平,模型估计每个分组如何影响各个响应类别的概率。
- Continuous Predictor: 在某一范围内可取任意可测量数值的预测变量,例如温度、压力或时间。模型利用这些数值估计预测变量每增加一个单位,响应落入各类别的概率如何变化。
- Model: 定义分析中包含哪些预测变量和交互项。默认情况下,分析使用所有选定的预测变量构建 主效应模型。如果认为两个预测变量共同影响响应,可自定义模型以包含 交互项(如 A*B)。选择合适的模型结构很重要——包含不必要的项会引入噪声,而遗漏关键项则会导致预测不准确。
常见问题
什么是名义逻辑回归?
名义逻辑回归分析一个或多个预测变量与具有三个或更多无序类别(例如划痕、凹痕或撕裂)的分类响应之间的关系。它根据预测变量的取值预测每个响应类别出现的概率。预测变量可以是连续变量、分类变量,或两者的混合。
名义逻辑回归与有序逻辑回归有什么区别?
名义逻辑回归适用于具有三个或更多没有自然顺序的类别的响应,例如颜色、材料类型或缺陷类型。如果类别有自然顺序,例如低、中、高,请改用有序逻辑回归。对于合格/不合格这类只有两个类别的响应,请使用二元逻辑回归。
名义逻辑回归有哪些要求?
响应必须有三个或更多无序类别,且每个类别需要有足够的观测值,因为罕见类别会使模型不稳定,并可能导致估计问题。数据应代表目标总体,测量准确,并按收集顺序记录。拟合后,使用拟合优度统计量和残差诊断验证模型。
如何在 Zometric Statistical Software 中运行名义逻辑回归?
选择 Statistical Tool > Regression > Nominal Logistic Regression,并输入或粘贴数据。选择 Response、各 Categorical Predictor 和 Continuous Predictor,并定义 Model(默认为主效应模型,可包含 A*B 之类的交互项)。然后点击 Calculate 获取结果。
