Statistics 如何在SAS中读取PROC LOGISTIC和PROC REG输出的相关矩阵？

如您所知，使用选项

CORRB

，您可以让SAS中的逻辑回归或线性回归输出估计值矩阵的相关性。有趣的是，我不知道如何阅读这个矩阵。我有两个明显的正相关变量。从

PROC CORR

，我可以看到这两个变量的皮尔逊相关系数是

0.7+

。但是logistic回归和线性回归的估计矩阵都给出了-0.7。相关性的强度大致相似，但符号相反。有人能解释吗？非常感谢。

您正确地读取了这些值，它们只是意味着不同的东西。PROC CORR提供变量的相关性，而CORRB是模型中这些变量系数的相关性

这是一个直观的解释，为什么正相关的预测因子会有负相关系数。假设

y=a+b1*x1+b2*x2+eps

。如果从回归中获得的最佳值稍微增加

b1

，则

y

的预测值也将增加（对于正

x1

），并会使整体拟合变差。补偿这一点并使预测值更接近观察值的一种方法是减少

b2

：由于

x1

的高值与

x2

的高值相关，因此您将回到接近原始拟合的位置。这表明

b2

中的不确定度与

b1

中的不确定度呈负相关：增加一个而减少另一个将导致类似的拟合

看看完美相关性的极端情况可能会有所启发：

x2=x1

。那么，以下内容将给出完全相同的预测：

y = 1 + 2*x + 3*x
y = 1 + 3*x + 2*x
y = 1 + 9*x + (-4)*x
etc

---

因此，

b2=5-b1

和系数有一个完美的负相关。

你正确地读取了这些值，它们只是意味着不同的东西。PROC CORR提供变量的相关性，而CORRB是模型中这些变量系数的相关性

这是一个直观的解释，为什么正相关的预测因子会有负相关系数。假设

y=a+b1*x1+b2*x2+eps

。如果从回归中获得的最佳值稍微增加

b1

，则

y

的预测值也将增加（对于正

x1

），并会使整体拟合变差。补偿这一点并使预测值更接近观察值的一种方法是减少

b2

：由于

x1

的高值与

x2

的高值相关，因此您将回到接近原始拟合的位置。这表明

b2

中的不确定度与

b1

中的不确定度呈负相关：增加一个而减少另一个将导致类似的拟合

看看完美相关性的极端情况可能会有所启发：

x2=x1

。那么，以下内容将给出完全相同的预测：

y = 1 + 2*x + 3*x
y = 1 + 3*x + 2*x
y = 1 + 9*x + (-4)*x
etc

---

因此，

b2=5-b1

和系数具有完美的负相关性。

一般来说，你应该在stats.stackexchange.com上问统计问题-他们会得到更多的关注Aniko，谢谢你的推荐。一般来说，你应该在stats.stackexchange.com上问统计问题-他们会得到更多的关注Aniko，谢谢你的推荐。