的Python：如何通过sm.Logit

当我运行通过sm.Logit logistic回归（在statsmodel库）解释logistic回归分析的结果，结果的一部分是这样的：的Python：如何通过sm.Logit

伪R-SQU ：0.4335

数似然：-291.08

LL-NULL：-513.87

LLR p值：2.978e-96

我怎么能解释的符号模型的意义？或者说，解释的能力？我应该使用哪个指标？我在网上搜索，没有太多关于伪R2和LLR pvalue的信息。我很困惑，我怎么能说我的模型是好的。

2017-10-12 R.Yan

HTTPS：//stats.idre。 ucla.edu/other/mult-pkg/faq/general/faq-what-are-pseudo-r-squareds/ statsmodels使用McFadden的非R2调整版本。 – user333700

p值：这将允许您测试您的零假设。较低的p值（< 0.05）表示您可以拒绝零假设。如果你不熟悉它，我建议：https://www.khanacademy.org/math/statistics-probability/significance-tests-one-sample/tests-about-population-mean/v/hypothesis-testing-and-p-values

R平方：测量的数据有多接近的拟合回归直线。它表示由线性模型解释的变量变化的百分比。

也许如果你想给我们提供关于你所做假设和回归背景的更多细节，我们将能够提供更多帮助。

另2（对数似然和LL空），我不太熟悉，但这里有一些ressources来看看，这可能有助于：

https://en.wikipedia.org/wiki/Likelihood_function 
http://www.statsmodels.org/stable/index.html 
https://github.com/statsmodels/statsmodels

来源

2017-10-12 05:33:15 Rose

非常感谢！但我认为** p值**和** r-squared **的定义大约是正常回归，而我正在做**逻辑回归**。在正态回归中，LLR p值是否具有相同的含义？我的意思是，如果我看到LLR P值低于0.05，我可以说我的模型是有意义的吗？ –

我只是通过使用sm.Logit来做正常的逻辑回归。我认为零假设只是正常假设，比如_H0：模型不重要。 –

通常，逻辑回归中的p值可以像其他p值一样解释。假设你的H0是这样的：2个变量之间没有关系。如果p值小于小阈值，那么你可以拒绝H0，这意味着你决定你的两个变量之间有一个关系。在你的情况下，它很大，所以你不能拒绝H0，哪个状态这些变量之间没有关系。然而，这并不能证明H0是真实的，但它意味着你不能拒绝它;） – Rose

的Python：如何通过sm.Logit

回答

相关问题