Python：使用statsmodel找到logit回归模型的拐点

我在Python中使用的是statsmodel：

import statsmodels.formula.api as smf

我有一个包含x1值和d值的数据帧。d列是我的因变量。我绘制了d与x1的对比图，得到：

现在，我使用statsmodel拟合logit回归模型：

logit_mod = smf.logit('d ~ x1', data = df).fit()
print
print(logit_mod.summary())
logithat = logit_mod.predict(df)

plt.plot(df['x1'], logithat, 'o')
plt.scatter(df['x1'], df['d'], color='orange')

结果是：

如何获得该logit曲线拐点的值

---

谢谢

这很有帮助！虽然它返回的值是0.94，所以我认为它给了我一些不同于拐点的东西。该值是否可能是平衡点或曲线开始变平的位置？如果x值位于均匀间距的网格上，或者更好，则在等间距的网格上评估预测值。否则，有限差将基于x的不同增量。是的，它在等距网格上是精确的@user333700。所以我会更正我的答案。但是，没有必要插入。您可以使用网格调用

predict

，

logit\u mod.predict（df\u grid）

。（Logit也应该有直接的分析导数计算，但它在内部用于计算利润率。）这很有用！虽然它返回的值是0.94，所以我认为它给了我一些不同于拐点的东西。该值是否可能是平衡点或曲线开始变平的位置？如果x值位于均匀间距的网格上，或者更好，则在等间距的网格上评估预测值。否则，有限差将基于x的不同增量。是的，它在等距网格上是精确的@user333700。所以我会更正我的答案。但是，没有必要插入。您可以使用网格调用

predict

，

logit\u mod.predict（df\u grid）

。（Logit也应该有一些直接的解析导数计算，但它在内部用于计算裕度。）Logit函数在零附近对称，或者概率为0.5。我认为拐点是线性预测为零0=const+b*x_I，其中b是斜率系数，因此它应该是

x_I=-params[0]/params[1]

。（未验证）那么你的意思是

x_I=-logit_mod.params[0]/logit_mod.params[1]

？因为它返回0.511，这是我所期望的。logit函数是围绕零对称的，或者概率是0.5。我认为拐点是线性预测为零0=const+b*x_I，其中b是斜率系数，因此它应该是

x_I=-params[0]/params[1]

。（未验证）那么您的意思是

x_I=-logit_mod.params[0]/logit_mod.params[1]

？因为它返回0.511，这是我所期望的。

import pandas as pds
df1  = pds.DataFrame({'lgt' : logithat,'x':x1}).set_index('x')
grid = np.linspace(df1.index.min(),df1.index.max(),df1.shape[0]+1)
df2 = pds.DataFrame({'grid':grid}).reset_index().set_index('grid')
df2 = pds.concat([df1,df2],join='outer',axis=1)
df2['lgt_'] = df2['lgt'].interpolate()


inflexion       = df2['lgt_'].diff().argmax()

fig = plt.figure()
ax = fig.add_subplot(111)
df2['lgt_'].plot(ax=ax)
ax.vlines(inflexion,df2['lgt_'].min(),df2['lgt_'].ix[inflexion])