气象经济学：四步Logistic建模及样本测试结果

2023-08-25 理论教育版权反馈

【摘要】：将上面得到的4个公因子作为变量，进行Logistic回归。同样，H4的显著性为0.204，也没有通过检验，说明在Logistic方程中的该气压因子变量与因变量之间没有显著关系。在模型拟合之前，高于交通事故发生众数值，p1和p2赋值为1，否则取0。根据所得到的logistic方程，以0.5为最佳判定点对原始数据进行回判判定，如果得到的p1和p2值大于0.5，判定交通事故发生，否则判定交通事故不发生。得到Logistic回归的判定结果见表4-13。

将上面得到的4个公因子作为变量，进行Logistic回归。这里选择全部纳入法（Enter）作为变量进入模型的方式，即将所有的自变量全部纳入回归（Ingo 2002）。最终得到如下结果（表4-12）。其中，B表示计算得到的回归系数估计值；SE表示回归系数的标准误差，反映的不是变量的实际误差，而是对变量列可靠性的估计，反映了数据的离散程度（宁敏东1994）；Wald表示Wald检验值，该统计量是用来检验偏回归系数显著程度的，值越大表明该自变量的作用越显著；Sig表示显著性水平，给定显著性概率α=0.1，则1-α表示置信水平，表示以90％的可靠度保证真值落在某一区间；给定显著性概率α=0.05，则95％表示置信水平，表示以95％的可靠度保证真值落在某一区间。

通过表4-12可以看到，F1的显著性为0.443，没有通过检验，说明在Logistic方程中的该温度因子变量与因变量之间没有显著关系。同样，H4的显著性为0.204，也没有通过检验，说明在Logistic方程中的该气压因子变量与因变量之间没有显著关系。因此，在构建方程时舍弃这两个公因子。

表4-12　进入Logistic回归方程的变量

**表示通过5 ％的显著性检验，*表示通过10 ％的显著性检验。

从而得到预警模型为

即为

在以上公式中，p1以及p2表示由于春夏和秋冬半年的由于气象条件影响发生交通事故的概率，Fi（i=1，…，4）和H j（j=1，…，4）分别表示用来拟合模型的公因子得分。在模型拟合之前，高于交通事故发生众数值，p1和p2赋值为1，否则取0。根据所得到的logistic方程，以0.5为最佳判定点对原始数据进行回判判定，如果得到的p1和p2值大于0.5，判定交通事故发生，否则判定交通事故不发生。

选取2005年3月到2006年4月的交通事故发生起数作为测试样本，其中2005年4月—9月为春夏半年，共计183个样本，2005年10月—2006年的3月为秋冬半年，共计182个样本。得到Logistic回归的判定结果见表4-13。

表4-13　测试样本的分类表

表4-13中预测数表示按照测试样本高于众数赋值为1，低于众数赋值为0，按照模型所预测得出0和1值。可以看到，在春夏半年中，在96个低于事故发生平均水平的样本中，有2个被错判，判定正确率为97.96％；在48个高于事故发生平均水平的样本中，有37个被错判，判定正确率为56.47％，总体正确率达到78.69％。而在秋冬半年中，在99个低于事故发生平均水平的样本中，有4个被错判，判定正确率为96.12％；在50个高于事故发生平均水平的样本中，有29个被错判，判定正确率为63.29％，总体正确率达到81.87％。道路交通受很多因素影响，比如路况、车流量、车况、司机技术及状态等，交通事故的发生具有复杂的特性和随机性，本书考察的这些气象变量还不足以描述交通事故的本质特征，但该模型仍然显示出较好的预测正确率，其中，对秋冬半年的预测准确率要高于春夏半年。

气象经济学：四步Logistic建模及样本测试结果

相关推荐