python logistic回归 pvalue_如何计算Logistics回归的p-value？

在Logistic回归中，通常使用Wald检验来计算每个变量的p-value。Wald检验的基本思想是在检验假设的参数值等于零时，计算参数估计值的标准误差并将其与零作比较。如果标准误差足够小，那么我们可以拒绝零假设，即变量对结果的影响是显著的。

具体来说，假设我们有一个二元Logistic回归模型，其中y是二元因变量，x是自变量，β是x的系数，而ε是误差项：

logit(p(y=1|x)) = β0 + β1x

其中p(y=1|x)是y=1的条件概率。为了计算β1的p-value，我们需要首先计算β1的标准误差。标准误差可以通过以下公式计算：

SE(β1) = sqrt[ Σ(yi - pi)*(xi - xbar)^2 / { (n-1)* Σpi*(1-pi) } ]

其中，yi是因变量的观测值，pi是模型预测的y=1的概率，xbar是自变量的均值，n是样本量。

通过计算标准误差，我们可以使用Wald统计量计算β1的z值：

z = β1 / SE(β1)

然后，我们可以使用标准正态分布表计算z的双侧p-value。如果p-value小于我们事先设定的显著性水平（通常是0.05），则我们可以拒绝零假设，即变量对结果的影响是显著的。

需要注意的是，以上计算方法是基于假设各项都符合正态分布的条件。如果数据不符合这一条件，我们可能需要使用其他方法来计算p-value。