Logistic Regression中的显著性检验

由于科研需要，一直在做一些Logistic Regression的实验。这里以R语言为例，简单介绍和总结一下其中的显著性检验。相关的语句如下：

glm.fit=glm(V16~V14,data=training,family=binomial(link="logit"))
anova(glm.fit,test="Chisq")

这里使用的是卡方检验，得到的结果类似下面：

     Df Deviance Resid. Df Resid. Dev Pr(>Chi)    
NULL                   457     634.92             
V14   1   24.688       456     610.23 6.74e-07 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

这里简单解释一下，NULL那一行表示零模型，剩余偏差为：634.92，接下来有一个变量V14进入模型，产生了24.688的模型偏差（似然比卡方），p-value非常小。如果显著性水平为0.05，说明应该拒绝所有回归系数同时为0的原假设，也就是说明模型是合理的。另外，考虑到自由度个数为1，我们在Excel的任意一格中输入：=CHIINV(0.05,1)，回车以后得到结果是：3.841，说明卡方临界值为3.841，而我们计算的卡方值是24.688，大于临界值。综上所述，回归方程是合理的。