SYSTEMATIC KNOWLEDGE BASE FOR DEFENSE

Logistic 回归分析系统知识库
——从线性回归基础到二分类建模、评价与答辩

面向"混凝土施工质量问题发生概率预测"这一真实课题，把线性回归 → 广义线性模型 → Logistic 回归 → 参数估计 → 系数解读 → 假设检验 → 模型评价 → 验证与落地，按可学会、能推导、会答辩的顺序完整讲透。所有公式均采用经典教材的标准形式，每个符号都给出释义。

适用：中级职称答辩起点：零统计基础友好含 120+ 标准公式含习题与详解结合本人论文真实数字

怎么用这份知识库（建议学习顺序）

这份材料不是"背题集"，而是帮你建立完整且正确的统计直觉。建议按下面四篇顺序学，每章都遵循"问题动机 → 标准公式（符号逐项解释）→ 直观理解 → 小例子 → 易错点 → 与你论文的对应 → 习题"的闭环。公式不需要死记，理解了推导自然就记住了；答辩时评委更看重你能不能讲清"为什么这么做"。

第一篇打地基线性回归、最小二乘、经典假设。理解"回归"到底在做什么，以及为什么0/1因变量不能直接用线性回归。

第二篇核心几率与logit、Sigmoid、极大似然、OR优势比、Wald/似然比检验、变量选择与诊断——答辩理论主战场。

第三篇评价混淆矩阵、ROC/AUC、HL校准、Brier、交叉验证、bootstrap、偏差与信息准则，决定结果可不可信。

第四篇落地完整流程、预处理防泄漏、白箱与四个凡事、用你论文数字走一遍、30+答辩问答。

学习方法提示第一遍通读、重在理解直觉，遇到推导先看懂思路不要求自己默写；第二遍对着公式自己推一遍、做每章习题；第三遍只看每章"易错点/答辩卡"和第18章问答，模拟答辩。习题答案默认折叠，先自己做再展开。

符号约定（全篇统一）大写 $X$ 表示设计矩阵或随机变量，小写 $x$ 表示具体取值；$y_i\in\{0,1\}$ 是第 $i$ 个样本的观测结果，$p_i=P(Y=1\mid x_i)$ 是模型给出的"发生概率"；向量、矩阵用粗体（如 $\boldsymbol{\beta}$、$\mathbf{X}$）。$n$ 为样本量，$k$（或 $p$）为自变量个数。每处公式首次出现都会解释符号。

第 0 章　零基础数学与概率统计入门（先修基础）

这一章假设你很久没碰数学、也没学过统计，从"函数、指数对数、求和符号、导数、向量矩阵"一路讲到"概率、期望方差、分布、抽样、置信区间和假设检验"。每个概念都先讲它是什么、为什么需要它，再给能按计算器算出来的小例子。看不懂的地方慢一点、把例子亲手算一遍即可，不需要任何高等数学基础。标核心的是答辩高频点。已经熟悉的读者可跳过本章直接进入第一篇。

零基础详解 · 先建立一个总览后面所有内容其实只反复用到三块"积木"：
① 函数与求极值——Logistic 是一个函数，拟合模型就是"调参数让某个目标达到最优"，这需要一点点导数；
② 概率与分布——"会不会出质量问题"是个随机事件，要用概率描述，结果只有 0/1 时服从伯努利分布；
③ 由样本推断总体——我们只有有限的施工记录（样本），却要判断规律是否真实存在（不是偶然），这靠置信区间和假设检验。
本章就是把这三块积木一块块做出来。

0.1 先热身：算术、代数与"函数"是什么

（1）百分比、比例与"倍数"。$80\%=0.8$；A 相对 B 的比值是 $A/B$；"绝对变化"是直接相减（0.6→0.8 增加 0.2），"相对变化"是相除（变为 $0.8/0.6=1.33$ 倍）。后面优势比 OR 讲的是相对（倍数）变化，一定别和绝对变化混。

（2）移项解方程。等式两边做同样运算仍相等。例：由 $\ln\frac{p}{1-p}=\eta$ 反解 $p$：先取指数 $\frac{p}{1-p}=e^\eta$，再 $p=e^\eta(1-p)\Rightarrow p(1+e^\eta)=e^\eta\Rightarrow p=\frac{e^\eta}{1+e^\eta}=\frac1{1+e^{-\eta}}$。这就是后面 Sigmoid 的来历，只是简单移项。

（3）函数 $f(x)$：一台"输入→输出"的机器。丢进 $x$、按规则吐出结果。自变量是输入（如温度），因变量是输出（如风险概率）。最简单的是线性函数 $y=a+bx$：$a$ 是截距（$x=0$ 时的值），$b$ 是斜率（$x$ 每增加 1，$y$ 变化 $b$）。例 $y=2+0.5x$：$x=0\Rightarrow y=2$，$x=2\Rightarrow y=3$，画出来是一条直线，"每 +1 固定 +0.5"。线性回归就是找一条这样的直线；但概率不是直线规律（会超出 0~1），所以后来要换成 S 形曲线。

0.2 指数、自然常数 e 与对数（Logistic 的"语言"，零基础重点）

（1）指数与运算律。$a^n$ 表示 $n$ 个 $a$ 相乘；$a^m\cdot a^n=a^{m+n}$（相乘时指数相加）。规定 $a^0=1$、$a^{-1}=1/a$。

零基础详解 · 自然常数 e 是什么 $e\approx2.71828$ 是一个和圆周率 $\pi$ 类似的固定常数，描述"连续增长"的自然底数（比如钱连续复利、细胞连续繁殖都会收敛到以 e 为底的增长）。你不用纠结它怎么证明，只要把 $e^x$ 当成一个计算器上能按出数值的普通函数：$e^0=1,\ e^1\approx2.718,\ e^{-1}\approx0.368,\ e^{1.386}\approx4$。它的图像随 $x$ 增大而加速上升、恒为正。

（2）对数是指数的"逆运算"。若 $a^x=b$，则 $\log_a b=x$（"以 a 为底 b 的对数，就是 a 的多少次方等于 b"）。自然对数 $\ln$ 就是以 $e$ 为底：$\ln b=x\Leftrightarrow e^x=b$。于是有 $\ln 1=0$（因为 $e^0=1$）、$\ln e=1$、并且 $e^{\ln x}=x$、$\ln(e^x)=x$（互为反操作、相互抵消）。

$$\ln(ab)=\ln a+\ln b\ \text{（乘法变加法）};\quad \ln\frac ab=\ln a-\ln b;\quad \ln(a^c)=c\ln a$$

动手算例（用计算器 ln、eˣ 键验证） $\ln2\approx0.693,\ \ln0.5=-0.693,\ \ln4=2\ln2\approx1.386,\ e^{1.386}\approx4$。
关键体会：$\ln\dfrac{0.8}{0.2}=\ln4=1.386$——把"几率 4"取对数变成 1.386；反过来 $e^{1.386}=4$。logit 和 Sigmoid 就是在"几率"和"对数几率"之间用 $\ln$ 与 $e^{(\,)}$ 来回换算。

零基础详解 · 为什么统计学这么爱用 ln 和 e 三个原因：① 变乘为加——多个因素对风险往往是"相乘"作用，取 ln 后变成"相加"，正好能用线性模型 $\beta_0+\beta_1x_1+\cdots$；② 打开取值范围——几率 $p/(1-p)$ 只能取正数 $(0,\infty)$，取 ln 后变成 $(-\infty,+\infty)$，线性组合才算得出任意值；③ 求导简洁——$(e^x)'=e^x$、$(\ln x)'=1/x$，极大似然推导因此很干净。记住：$\ln$ 只接受正数，所以不能直接对概率 $p$（可取0）取 ln，要先变成严格为正的几率。

0.3 求和符号 Σ、连乘 Π 与下标 i

$\sum$ 读作"西格玛"，就是把一串数加起来的简写；下标 $i$ 表示"第几个样本"。例：$\sum_{i=1}^{3}x_i=x_1+x_2+x_3$。平均值 $\bar x=\dfrac1n\sum_{i=1}^n x_i$。例：数据 $2,4,6$，则 $\sum x_i=12,\ \bar x=4$。$\prod$（派）是连乘：$\prod_{i=1}^3x_i=x_1x_2x_3$，后面"每个样本概率相乘得到似然"会用到。看到复杂公式里的 $\sum$，就在心里把它展开成"第一个+第二个+…"即可。

0.4 导数从零入门（只需直观，不用会证明）

（1）导数=瞬时变化率=切线斜率。两点连线的斜率 $\dfrac{\Delta y}{\Delta x}=\dfrac{y_2-y_1}{x_2-x_1}$ 是"平均变化率"；让两点无限靠近，就得到某一点的导数 $f'(x)=\dfrac{df}{dx}$，几何上是曲线在该点切线的斜率。直线 $y=a+bx$ 处处斜率都是 $b$，所以其导数恒等于 $b$。

（2）会查这几个基本求导就够用（$c$ 为常数）：

$$(c)'=0;\quad (x^n)'=nx^{n-1};\quad (e^x)'=e^x;\quad (\ln x)'=\frac1x;\quad (c\,f)'=c\,f';\quad (f\pm g)'=f'\pm g'$$

（3）链式法则（"套娃"逐层求导再相乘）：$\dfrac{d}{dx}f(g(x))=f'(g(x))\,g'(x)$。例：$\frac{d}{dx}e^{-x}=e^{-x}\cdot(-1)=-e^{-x}$。

（4）为什么"找最优"要令导数等于 0：函数在山顶（最大值）或谷底（最小值）处切线是水平的、斜率为 0，即 $f'(x)=0$。解出这个点就找到极值。极大似然估计就是"令对数似然的导数=0，解出参数"。二阶导数判断凹凸：$f''<0$ 开口向下（山顶，最大值），$f''>0$ 开口向上（谷底）。Logistic 的对数似然被证明是"凹函数"，意味着只有唯一一个山顶、不会困在局部小山头。

动手算例 $f(x)=x^2$，由 $(x^n)'=nx^{n-1}$ 得 $f'(x)=2x$。在 $x=3$ 处斜率 $=6$，在 $x=0$ 处 $f'=0$（正是谷底）。

0.5 多个变量时：偏导数与梯度

函数有多个输入（如 $f(x,y)=x^2y$）时，偏导就是"只对其中一个变量求导、其余当成常数"：$\dfrac{\partial f}{\partial x}=2xy$（把 $y$ 当常数），$\dfrac{\partial f}{\partial y}=x^2$（把 $x$ 当常数）。把各变量的偏导排成一列就是梯度 $\nabla f$，它指向函数值上升最快的方向（像在山坡上最陡的上坡方向）：

$$\nabla f(\boldsymbol{\beta})=\left(\frac{\partial f}{\partial \beta_0},\frac{\partial f}{\partial \beta_1},\dots,\frac{\partial f}{\partial \beta_k}\right)^{\mathsf T}$$

极大似然就是沿梯度方向爬到山顶（或直接令梯度为零解出山顶）。后面反复用到 $\frac{d}{dx}\ln x=\frac1x$、$\frac{d}{dx}e^x=e^x$ 和链式法则。

作为预习，Logistic 函数 $\sigma(z)=\dfrac1{1+e^{-z}}$ 的导数有一个极简洁的结果（第6章会一步步推）：

$$\sigma'(z)=\sigma(z)\,[1-\sigma(z)]$$

数值体会：$z=0$ 时 $\sigma=0.5$、$\sigma'=0.25$（最陡）；$z=\pm3$ 时 $\sigma$ 接近 0 或 1、$\sigma'$ 接近 0（趋平）。这正是"概率在 0.5 附近对因素变化最敏感、在两端最迟钝"的数学根源。

0.6 向量与矩阵入门（把它当成"批量计算的表格"，不可怕）

向量就是一排有序的数（一列变量取值）；矩阵就是一张数表，约定每行是一个样本、每列是一个变量。在数据表中你早就见过它：

动手看个例子 · 设计矩阵 X 长什么样 3 个浇筑批次、2 个变量（温度、振捣时间），再在最前面补一列全是 1（对应截距 $\beta_0$），就得到设计矩阵： $$\mathbf X=\begin{bmatrix}1 & 28 & 20\\ 1 & 33 & 15\\ 1 & 25 & 25\end{bmatrix}\begin{matrix}\leftarrow\text{第1批}\\ \leftarrow\text{第2批}\\ \leftarrow\text{第3批}\end{matrix},\qquad \boldsymbol\beta=\begin{bmatrix}\beta_0\\\beta_1\\\beta_2\end{bmatrix}$$

（1）内积（点乘）= 对应相乘再求和，结果是一个数。一行特征与系数列向量相乘，正好就是线性组合：

$$\mathbf x^{\mathsf T}\boldsymbol\beta=1\cdot\beta_0+28\beta_1+20\beta_2\quad(=\eta,\ \text{这批的线性预测值})$$

（2）几个常用操作，认得即可：转置 $\mathbf X^{\mathsf T}$ 是行列互换；单位阵 $\mathbf I$ 相当于数字 1；逆矩阵 $\mathbf A^{-1}$ 相当于"除以 $\mathbf A$"（满足 $\mathbf A\mathbf A^{-1}=\mathbf I$）。多元回归的解 $\hat{\boldsymbol\beta}=(\mathbf X^{\mathsf T}\mathbf X)^{-1}\mathbf X^{\mathsf T}\mathbf y$ 本质就是用这套"批量求和"一次性算出所有系数，手算由计算机完成，你只需知道它在"同时考虑所有变量、求最优系数"。

零基础详解 · 什么时候矩阵"不可逆"（埋一个重要伏笔）当某一列能被其他列精确拼出来（完全线性相关），$\mathbf X^{\mathsf T}\mathbf X$ 就不可逆、解不唯一。最常见就是"哑变量陷阱"：5 个类别放 5 个 0/1 列、再加全 1 截距列，这 5 列加起来正好等于截距列。解决办法是少放 1 列（留参照组）——第4章会再讲。

0.7 概率入门：用"长期频率"和"信息更新"理解

（1）随机现象、样本空间与事件。一次结果不确定、但所有可能结果已知（如一批混凝土"出事/不出事"）的现象叫随机现象；所有可能结果构成样本空间；其中某些结果组成事件。概率用长期重复下的频率理解：抛均匀硬币足够多次，正面约占一半，故 $P(\text{正})=0.5$。概率取值 $[0,1]$，必然事件=1、不可能事件=0，对立事件 $P(\text{不发生})=1-P(\text{发生})$。

（2）条件概率——知道新信息后更新判断。$P(A\mid B)$ 表示"已知 B 发生后 A 的概率"：

$$P(A\mid B)=\frac{P(A\cap B)}{P(B)}$$

若两件事互不影响则为独立，此时 $P(A\cap B)=P(A)P(B)$。

（3）贝叶斯公式——"由结果反推原因"。

$$P(A\mid B)=\frac{P(B\mid A)P(A)}{P(B)}$$

动手算例（经典体检问题，体会"基础概率"的重要）某病在人群中患病率 $P(\text{病})=0.01$；检测真阳性率 $P(+\mid\text{病})=0.95$、假阳性率 $P(+\mid\text{无病})=0.05$。问测出阳性、真患病的概率 $P(\text{病}\mid+)$？
全概率 $P(+)=0.95\times0.01+0.05\times0.99=0.059$；贝叶斯 $P(\text{病}\mid+)=\dfrac{0.95\times0.01}{0.059}\approx0.161$。
即使"准确率 95%"的检测，阳性时真患病也只有约 16%——因为病本身稀少。这提醒我们：判断风险不能只看表面信号，还要结合基础发生率（先验/基线），这和第12章用"朴素基准"对照 Brier 是同一种思想。

极大似然估计走的是"频率派"路线：不假设参数先验，只找"让已观测数据出现概率最大"的参数，即最大化 $P(\text{数据}\mid\text{参数})$。

0.8 随机变量、期望、方差与必须认识的分布

随机变量是把随机结果变成数（出事=1、不出事=0）。离散型用分布列列出每个取值的概率，连续型用概率密度描述。

（1）期望 = 以概率为权重的加权平均（长期平均会落在哪）。离散型 $E(X)=\sum_x x\,P(X=x)$。

动手算期望 $X$ 取 0 的概率 0.7、取 10 的概率 0.3，则 $E(X)=0\times0.7+10\times0.3=3$。性质：$E(aX+b)=aE(X)+b$。

（2）方差 = 偏离期望的平方的平均（波动有多大），标准差是其平方根。$\mathrm{Var}(X)=E[(X-E(X))^2]$，越大越分散；标准差与原数据同量纲，更好解释。

伯努利分布（全篇的起点，手算期望方差） $Y$ 只取 1（概率 $p$）和 0（概率 $1-p$）： $$E(Y)=1\cdot p+0\cdot(1-p)=p$$ $$\mathrm{Var}(Y)=(1-p)^2p+(0-p)^2(1-p)=p(1-p)$$ 每个批次"是否出质量问题"就是一次伯努利试验。注意 $p(1-p)$ 在 $p=0.5$ 时最大（0.25）、两端变小。

二项分布：$n$ 次独立、同概率 $p$ 的伯努利试验中"成功次数" $K\sim\mathrm{Binomial}(n,p)$，$E(K)=np,\ \mathrm{Var}(K)=np(1-p)$。
正态分布 $N(\mu,\sigma^2)$：对称钟形，$\mu$ 定中心、$\sigma$ 定胖瘦；约 68% 落在 $\mu\pm\sigma$、95% 落在 $\mu\pm1.96\sigma$、99.7% 落在 $\mu\pm3\sigma$（68–95–99.7 法则）。标准化 $Z=\dfrac{X-\mu}{\sigma}$ 后变为标准正态 $N(0,1)$，"1.96"即其 95% 临界值。

定义 · 独立同分布 i.i.d. 样本之间相互独立、且来自同一总体分布（independent and identically distributed）。回归与极大似然的标准误、P 值理论都建立在 i.i.d. 上。论文样本为不同浇筑批次，近似独立。

0.9 总体、样本、抽样分布与两个极限定理

总体是研究对象全体，其数值特征（真实概率 $p$、真实系数 $\boldsymbol\beta$）称参数，固定但未知；样本是抽到的 $n$ 个记录；由样本算出的量（样本均值 $\bar x$、系数 $\hat\beta$）称统计量/估计量。换一批样本，估计量就变，所以它本身是随机变量，它的概率分布叫抽样分布。

零基础详解 · 大数定律与中心极限定理（统计推断的两块地基） 大数定律：样本越多，样本均值越接近总体真值（抛 10 次硬币正面比例可能差很远，抛 10 万次就非常接近 0.5）——所以"多收集数据"能让估计更准。
中心极限定理（CLT）：无论原始数据是什么奇怪分布，只要样本量足够大，"样本均值（以及极大似然估计量）"的抽样分布都会近似成一个正态分布。神奇之处在于不需要原始数据正态。这就是为什么后面系数能用 $Z$、卡方做检验。

样本均值的标准误（均值抽样分布的标准差）：$\displaystyle \mathrm{SE}(\bar X)=\frac{\sigma}{\sqrt n}$

直觉 · 标准误不是标准差 标准差 $\sigma$ 看"单个批次之间差多大"；标准误 SE 看"用样本估计总体时，估计值本身晃得多厉害"。$n$ 越大 SE 越小（注意分母是 $\sqrt n$，数据变 4 倍、误差减半），这就是"数据越多系数越稳"，也是小样本阶段要增广训练数据的动机。

衡量估计量好坏的三条标准：

性质	含义	通俗说法
无偏性	$E(\hat\theta)=\theta$，估计量的平均等于真值	瞄得准，长期平均不偏不倚
一致性	$n\to\infty$ 时 $\hat\theta\xrightarrow{p}\theta$	样本越多越收敛到真值
有效性	在无偏估计中方差最小	同样无偏时，波动最小者最优

极大似然估计量在正则条件下具有一致性、渐近无偏、渐近有效与渐近正态性——样本较大时"又准又稳、且近似正态"，因此能做 Z/卡方检验。

0.10 置信区间（CI）：给估计值一个"误差范围"核心

零基础详解 · 为什么估计一个数还要给区间样本算出的 $\hat\theta$（点估计）几乎不可能正好等于真值，总会有抽样误差。于是给一个区间来表达"真值大概落在哪、我们有多大把握"。构造方法非常朴素：点估计 $\pm$（临界值 $\times$ 标准误），就是"中心值左右各留几个标准误"。

$$\text{参数的 }(1-\alpha)\text{ 置信区间：}\quad \hat\theta\;\pm\;z_{1-\alpha/2}\,\mathrm{SE}(\hat\theta)$$

动手算例（均值的 95% 区间）样本均值 $\bar x=30$、标准误 $\mathrm{SE}=2$，则 95% 区间 $=30\pm1.96\times2=[26.08,\ 33.92]$。系数 $\hat\beta$、优势比 OR 同理：先给 $\beta$ 的区间，再整体取 $e^{(\,)}$ 得到 OR 的区间（$e^x$ 单调，区间端点分别取指数即可）。

95% 置信区间取 $z_{0.975}=1.96$。正确的频率解释：重复抽样、每次都这样构造区间，约 95% 的区间会覆盖固定真值（好比打靶，100 个圈约 95 个套中靶心，靶心不动、是圈在动）；不能说"真值有 95% 概率落在这一个区间里"（真值是常数，动的是区间）。后面 OR 的 95% 置信区间若跨过 1（等价于 $\beta$ 的区间跨过 0），就说明该因素在 0.05 水平上不显著。

0.11 假设检验从零学：用"硬币是否公平"走完整五步核心

假设检验是一套"反证法式"的概率推理：先假定"没有效应/没有差别"（原假设 $H_0$），看在这个假定下当前数据有多罕见；若罕见到低于阈值，就反过来怀疑 $H_0$、认为效应真实存在。五步：①建立 $H_0$ 与备择 $H_1$；②选检验统计量；③在"假定 $H_0$ 成立"下得到该统计量的分布；④由样本算统计量与 P 值；⑤与显著性水平 $\alpha$（常用 0.05）比较下结论。

动手算例 · 一枚硬币抛 20 次出 16 次正面，公平吗？ ① $H_0$：硬币公平（正面概率 $p=0.5$），$H_1$：$p\neq0.5$。② 统计量取正面次数 $K$，$H_0$ 下 $K\sim\mathrm{Binomial}(20,0.5)$。③ 计算"像 16 这么极端甚至更极端"的概率（双侧：$K\ge16$ 或 $K\le4$）。④ 该概率约为 0.0119，即 $P\approx0.012$。⑤ 因 $0.012<0.05$，数据在"公平硬币"假设下相当罕见，故拒绝 $H_0$，认为硬币可能不均匀。注意：我们没有"证明"它不公平，只是说"若它公平，出现这种结果太巧了，巧到不合理"。

	$H_0$ 实际为真	$H_0$ 实际为假
拒绝 $H_0$	第一类错误（弃真），概率 $=\alpha$（冤枉了本来无效的因素）	正确检出，概率 $=1-\beta$（功效/power）
不拒绝 $H_0$	正确，概率 $=1-\alpha$	第二类错误（取伪），概率 $=\beta$（漏掉了真实有效因素）

单尾/双尾：只关心"变大"或"变小"一个方向用单尾；两个方向都可能用双尾（本论文系数检验默认双尾，事先不假定方向更稳妥）。

易错 · P 值到底是什么 P 值 = 在 $H_0$ 成立的前提下，出现"与样本一样极端、甚至更极端"检验统计量的概率。它不是"$H_0$ 为真的概率"，也不是"结论犯错的概率"。$P<\alpha$ 表示"若 $H_0$ 为真，当前数据这么极端很罕见（概率不到 $\alpha$），故拒绝 $H_0$"；$P\ge\alpha$ 只能说"证据不足以拒绝 $H_0$"，不能说"接受 $H_0$ / 证明无影响"。论文里不显著变量的规范表述正是"未达到显著水平"，而不是"没有作用"。

答辩卡 · 为什么显著性水平取 0.05 0.05 是 Fisher 提出、学界沿用的约定阈值，用于控制第一类错误率，不是自然界的分界线。$P=0.049$ 与 $P=0.051$ 没有本质差别，所以论文对"强度等级 $P\approx0.05\sim0.09$"如实报告为"边缘显著"，而不是非黑即白。样本量越大，检验越容易显著，因此显著≠重要，还要结合效应量（OR 大小）与工程意义判断。

0-1　判断对错并说明理由点击看解答

(1) 95% 置信区间表示真值有 95% 的概率落在该区间。(2) $P=0.30$ 说明原假设有 30% 的可能成立。(3) 不拒绝 $H_0$ 就等于证明了 $H_0$。(4) 样本量越大，标准误越小。

(1) 错。真值是固定常数，频率解释是"重复构造的大量区间中约95%覆盖真值"。(2) 错。P 值是 $H_0$ 下出现当前及更极端数据的条件概率，不是 $H_0$ 为真的概率。(3) 错。只能说"证据不足、未能拒绝"，可能是样本量不足或功效不够。(4) 对，$\mathrm{SE}\propto 1/\sqrt n$。

0-2　伯努利与标准误计算点击看解答

某批次质量问题概率 $p=0.448$，$n=500$。求单个指示变量 $Y$ 的期望与方差；若用样本比例 $\hat p$ 估计 $p$，其标准误约为多少？

$E(Y)=p=0.448$，$\mathrm{Var}(Y)=p(1-p)=0.448\times0.552=0.2473$。样本比例标准误 $\mathrm{SE}(\hat p)=\sqrt{p(1-p)/n}=\sqrt{0.2473/500}\approx0.0222$。注意 0.2473 这个数后面正是 Brier 分数的"朴素基准"（见第12章）。

0-3　指数与对数互算（熟悉 logit 的换算）点击看解答

不查表，利用运算律计算：(1) $\ln(e^2)$；(2) $e^{\ln 5}$；(3) $\ln\dfrac{0.7}{0.3}$（保留两位小数，已知 $\ln(7/3)\approx0.847$）；(4) 若 $\ln\dfrac{p}{1-p}=0.847$，求 $p$。

(1) $\ln$ 与 $e^{(\,)}$ 抵消，得 2。(2) 同理得 5。(3) $\ln(0.7/0.3)=\ln(7/3)\approx0.85$。(4) 两边取指数：$p/(1-p)=e^{0.847}\approx2.333=7/3$，解得 $p=2.333/(1+2.333)=0.7$。体会：对数几率 0.847 对应概率 0.7。

0-4　期望与方差手算点击看解答

离散变量 $X$：取 1 概率 0.2、取 2 概率 0.5、取 3 概率 0.3。求 $E(X)$ 与 $\mathrm{Var}(X)$；并求伯努利变量在 $p=0.2$ 时的期望、方差与标准差。

$E(X)=1\times0.2+2\times0.5+3\times0.3=2.1$。$E(X^2)=1\times0.2+4\times0.5+9\times0.3=4.9$，$\mathrm{Var}(X)=E(X^2)-E(X)^2=4.9-4.41=0.49$，标准差 $=0.7$。伯努利：$E=p=0.2$，$\mathrm{Var}=p(1-p)=0.2\times0.8=0.16$，标准差 $=0.4$。

0-5　用导数找最大值（极大似然的雏形）点击看解答

设 $f(x)=-x^2+4x$（开口向下，像对数似然）。求导并找出最大值点；说明这与"极大似然令导数为 0"的关系。

$f'(x)=-2x+4$，令 $f'=0$ 得 $x=2$；二阶导 $f''=-2<0$，故 $x=2$ 是最大值点，最大值 $f(2)=4$。极大似然完全同理：对数似然是参数的凹函数，令其导数（梯度）为 0 解出的参数就是让"数据出现可能性最大"的估计。

0-6　贝叶斯小练习点击看解答

两袋球：甲袋 2 红 8 蓝，乙袋 8 红 2 蓝。先等概率随机选一袋（各 0.5），再从袋中摸出 1 球是红球。问它来自乙袋的概率。

$P(\text{红}\mid\text{甲})=0.2,\ P(\text{红}\mid\text{乙})=0.8$。全概率 $P(\text{红})=0.2\times0.5+0.8\times0.5=0.5$。贝叶斯 $P(\text{乙}\mid\text{红})=\dfrac{0.8\times0.5}{0.5}=0.8$。看到红球后，"来自乙袋"的把握从 0.5 上升到 0.8，这就是用观测更新判断。

0-7　线性预测（内积）计算点击看解答

已知 $\beta_0=-0.2,\ \beta_1=0.5,\ \beta_2=-0.1$，某批次 $x_1=4,\ x_2=20$。求线性预测 $\eta=\beta_0+\beta_1x_1+\beta_2x_2$，并用 Sigmoid 求概率 $p=1/(1+e^{-\eta})$（$e^{0.2}\approx1.221$）。

$\eta=-0.2+0.5\times4-0.1\times20=-0.2+2-2=-0.2$。$p=1/(1+e^{0.2})=1/(1+1.221)\approx0.450$。这正是模型对一批具体输入"算风险概率"的完整一步。

第 1 章　一元线性回归与最小二乘

1.1 总体关系与样本拟合

零基础详解 · "回归"到底在干什么把每个样本画成散点图（横轴是因素、纵轴是结果），回归就是在这些点中间找一条最能代表趋势的线，用它"由已知的 X 预测未知的 Y"。拟合=调整这条线（即调截距和斜率）让它整体最贴近所有点；每个点到线的竖直差距（实际值−线上预测值）就是残差，可理解为"这条线在这条记录上的预测误差"。好模型让所有残差整体尽量小。注意：现实中真实关系（总体）永远看不到，我们只能用手头样本估出一条样本线，所以系数上面加"帽子"$\hat\beta$，表示它是估计值而非真值。

设自变量 $X$、因变量 $Y$。总体回归函数（PRF）假定真实关系为

$$Y=\beta_0+\beta_1 X+u$$式(1.1)

其中 $\beta_0$ 为截距、$\beta_1$ 为斜率（总体真实参数，固定未知），$u$ 为误差项/扰动项，汇总了所有未纳入模型的其他因素与随机波动。我们用样本拟合一条样本回归线：

$$\hat Y=\hat\beta_0+\hat\beta_1 X,\qquad e_i=y_i-\hat y_i\ \text{（残差）}$$式(1.2)

区分：误差项 $u_i$ 是总体层面、永远观测不到的真值偏差；残差 $e_i$ 是样本层面"实际值减拟合值"，可计算。

1.2 普通最小二乘法（OLS）

OLS 的准则：选 $\hat\beta_0,\hat\beta_1$ 使残差平方和最小（平方既惩罚正负偏差、又可导）：

$$\min_{\beta_0,\beta_1}\ Q(\beta_0,\beta_1)=\sum_{i=1}^{n}e_i^2=\sum_{i=1}^{n}(y_i-\beta_0-\beta_1 x_i)^2$$式(1.3)

分别对 $\beta_0,\beta_1$ 求偏导并令其为 0，得到两条正规方程，解得：

$$\hat\beta_1=\frac{\sum_{i=1}^n(x_i-\bar x)(y_i-\bar y)}{\sum_{i=1}^n(x_i-\bar x)^2}=\frac{S_{xy}}{S_{xx}},\qquad \hat\beta_0=\bar y-\hat\beta_1\bar x$$式(1.4)

由此 OLS 回归线必过样本均值点 $(\bar x,\bar y)$，且残差之和 $\sum e_i=0$、残差与自变量正交 $\sum e_ix_i=0$。斜率含义：$X$ 每增加 1 个单位，$Y$ 的条件期望平均变化 $\hat\beta_1$ 个单位。

直觉 · 为什么用平方而不是绝对值平方使偏差越大惩罚越重（对异常点更敏感），并且处处可导、有唯一闭式解；绝对值（L1）在折点不可导、解可能不唯一。这也埋下伏笔：Logistic 因模型非线性，最小化的不再是平方和，而是"负对数似然"，且没有闭式解、需要迭代（第6章）。

1.3 拟合优度 R²

总变异可分解为"模型解释的变异 + 残差未解释的变异"：

$$\underbrace{\sum(y_i-\bar y)^2}_{SST\text{ 总}}=\underbrace{\sum(\hat y_i-\bar y)^2}_{ESS\text{ 解释}}+\underbrace{\sum(y_i-\hat y_i)^2}_{RSS\text{ 残差}}$$

$$R^2=\frac{ESS}{SST}=1-\frac{RSS}{SST}\in[0,1]$$

一元线性回归中 $R^2=r^2$（$r$ 为 $X,Y$ 的皮尔逊相关系数）。$R^2$ 表示"$Y$ 的变异中被 $X$ 线性解释的比例"。注意：$R^2$ 高不代表因果、不代表模型设定正确。

1-1　手算 OLS（务必会算）点击看解答

4 个点：$(x,y)=(1,1),(2,2),(3,2),(4,4)$。求 $\bar x,\bar y,\hat\beta_1,\hat\beta_0$ 与回归方程。

$\bar x=2.5,\ \bar y=2.25$。$S_{xx}=(-1.5)^2+(-0.5)^2+(0.5)^2+(1.5)^2=5$；$S_{xy}=(-1.5)(-1.25)+(-0.5)(-0.25)+(0.5)(-0.25)+(1.5)(1.75)=4.5$。$\hat\beta_1=4.5/5=0.9$；$\hat\beta_0=2.25-0.9\times2.5=0$。回归线 $\hat y=0.9x$。

第 2 章　多元线性回归（矩阵视角）

2.1 模型与矩阵解

$k$ 个自变量时：

$$Y=\beta_0+\beta_1X_1+\cdots+\beta_kX_k+u,\qquad \mathbf y=\mathbf X\boldsymbol\beta+\boldsymbol\varepsilon$$式(2.1)

其中 $\mathbf y$ 是 $n\times1$，$\mathbf X$ 是 $n\times(k+1)$（首列全 1），$\boldsymbol\beta$ 是 $(k+1)\times1$。最小化残差平方和 $\boldsymbol\varepsilon^{\mathsf T}\boldsymbol\varepsilon$，令梯度为零得正规方程 $\mathbf X^{\mathsf T}\mathbf X\boldsymbol\beta=\mathbf X^{\mathsf T}\mathbf y$，于是：

$$\hat{\boldsymbol\beta}=(\mathbf X^{\mathsf T}\mathbf X)^{-1}\mathbf X^{\mathsf T}\mathbf y$$式(2.2)

这是多元 OLS 的标准闭式解。要求 $\mathbf X^{\mathsf T}\mathbf X$ 可逆，即自变量之间不存在完全线性相关（完全多重共线）——这正是哑变量设置必须"丢一类做参照"的数学原因（第4章）。

2.2 偏回归系数：关键在"控制其他变量不变"

定义 · 偏回归系数（ceteris paribus） $\hat\beta_j$ 的含义是：在其他自变量保持不变的条件下，$X_j$ 每增加 1 个单位，$Y$ 平均变化 $\hat\beta_j$。它是"扣除了其他变量影响之后"$X_j$ 的净效应，因此叫偏回归系数。

这与一元回归有本质差别：一元斜率混杂了与 $X_j$ 相关的其他变量的作用。多元回归通过"投影—偏除（partialling out）"分离净效应。可以证明：$\hat\beta_j$ 等于"先用 $X_j$ 对其余自变量回归取残差、再用 $Y$ 对该残差回归"的简单斜率。

直觉 · 几何投影（一句话版）把 $\mathbf y$ 看成高维空间的向量，$\mathbf X$ 各列张成一个"列空间平面"。OLS 就是把 $\mathbf y$ 正交投影到这个平面上得到 $\hat{\mathbf y}=\mathbf H\mathbf y$（$\mathbf H=\mathbf X(\mathbf X^{\mathsf T}\mathbf X)^{-1}\mathbf X^{\mathsf T}$ 称帽子矩阵），残差向量 $\mathbf e=\mathbf y-\hat{\mathbf y}$ 与该平面垂直。理解"投影、正交"即可，答辩不要求推导。

答辩卡 · 为后续 Logistic 埋伏笔 Logistic 回归里"控制其他因素后，某因素的优势比为 $e^{\beta_j}$"用的正是同一套"偏效应/净效应"思想——所以单变量看与多变量模型里系数不同是正常的，多元模型的结论才是净效应。

2-1　为什么多元系数可能和一元系数符号不同？点击看解答

用"控制变量/混杂"的语言解释，并各举一个工程上可能的例子。

一元回归没有控制混杂变量，斜率同时包含 $X_j$ 的直接作用和"经由与 $X_j$ 相关的其他变量"的间接作用，即遗漏变量偏误；多元回归扣除这些后得到净效应，符号、大小都可能改变。例：单看"班组人数"似乎人越多问题越多（人数常与赶工、夜班、大方量同时出现），但控制浇筑方量、连续工时后，人数本身的净效应可能不显著甚至反向。这也是论文里 X1 班组人数在多变量模型中不显著的原因之一。

第 3 章　经典假设、估计性质与系数检验

3.1 高斯–马尔可夫假定（OLS 成立的前提）

编号	假定	违反的后果 / 说明
MLR1	参数线性：$Y=\beta_0+\beta_1X_1+\cdots+u$	对参数线性即可，$X$ 可做非线性变换（平方、对数）
MLR2	随机抽样 i.i.d.	样本不独立（如时间自相关、聚集）会使标准误失真
MLR3	无完全多重共线性	自变量间无精确线性关系，否则 $(\mathbf X^{\mathsf T}\mathbf X)$ 不可逆、无解
MLR4	零条件均值 $E(u\mid\mathbf X)=0$（严格外生）	违反则 OLS 有偏（遗漏变量、测量误差、反向因果、内生性）
MLR5	同方差 $\mathrm{Var}(u\mid\mathbf X)=\sigma^2$ 恒定	异方差：系数仍无偏，但标准误/检验失真，需稳健标准误
MLR6	（可选）误差正态 $u\mid\mathbf X\sim N(0,\sigma^2)$	小样本下做精确 t/F 检验需要；大样本由中心极限定理替代

定理 · 高斯–马尔可夫（G-M 定理）在 MLR1–MLR5 下，OLS 估计量是 BLUE——Best Linear Unbiased Estimator，即"最佳线性无偏估计"：在所有线性、无偏估计中方差最小。其中 MLR1–MLR4 保证无偏，加上 MLR5 保证有效（方差最小）。大样本下 OLS 还具有一致性与渐近正态性。

系数的条件方差（理解"什么让系数不稳"）：

$$\mathrm{Var}(\hat\beta_j\mid\mathbf X)=\frac{\sigma^2}{SST_j\,(1-R_j^2)},\qquad \hat\sigma^2=\frac{RSS}{n-k-1}$$

$SST_j=\sum(x_{ij}-\bar x_j)^2$ 是 $X_j$ 自身变异（变异越大系数越稳）；$R_j^2$ 是把 $X_j$ 对其余自变量回归的决定系数——$R_j^2$ 越大（共线性越强），分母越小、方差越大。$1/(1-R_j^2)$ 正是第4章的 VIF。

3.2 单个系数的 t 检验与置信区间

检验 $H_0:\beta_j=0$（$X_j$ 对 $Y$ 无净影响）：

$$t_j=\frac{\hat\beta_j}{\mathrm{SE}(\hat\beta_j)}\ \sim\ t(n-k-1),\qquad CI_{1-\alpha}:\ \hat\beta_j\pm t_{1-\alpha/2}\,\mathrm{SE}$$

自由度 $n-k-1$（样本量减自变量数再减截距）。大样本时 $t$ 分布趋近标准正态，临界值趋近 1.96。Logistic 里对应的就是 Wald 的 $Z$ 统计量（第8章），形式完全一样，只是分布用正态/卡方。

3.3 联合显著性的 F 检验

同时检验一组（如全部）系数是否为 0，$H_0:\beta_1=\cdots=\beta_q=0$：

$$F=\frac{(RSS_{r}-RSS_{ur})/q}{RSS_{ur}/(n-k-1)}\ \sim\ F(q,\,n-k-1)$$

$RSS_r,RSS_{ur}$ 分别为去掉这 $q$ 个变量的"受约束模型"与"完整模型"残差平方和。整体 F 检验对应 Logistic 里的"似然比检验/模型整体卡方检验"，思想一脉相承：约束是否让拟合显著变差。

3.4 调整 R²：对"堆变量"的第一道警惕

$$\bar R^2=1-(1-R^2)\frac{n-1}{n-k-1}$$

普通 $R^2$ 有个性质：增加任何自变量都不会使它下降（哪怕该变量毫无意义），这会诱导人盲目堆变量。调整 $\bar R^2$ 在分子加入对变量数 $k$ 的惩罚，只有新变量带来的拟合提升超过惩罚时才上升。这与 Logistic 里用 AIC/BIC、EPV 控制变量数量是同一思想（第8、14章）。

第 4 章　回归诊断、共线性，以及线性概率模型为何失灵

4.1 异方差

同方差被破坏即异方差。后果：OLS 系数仍无偏一致，但标准误估计有偏，从而 t/F、P 值、置信区间不可信。常见处理：稳健（异方差一致）标准误 HC、加权最小二乘 WLS、或对变量变换。对 0/1 因变量而言异方差是"天生的、必然的"（见 4.3）。

4.2 多重共线性与方差膨胀因子 VIF

完全共线：某自变量是其他自变量的精确线性组合，$\mathbf X^{\mathsf T}\mathbf X$ 奇异、参数不可识别。最典型是哑变量陷阱：一个有 $m$ 类的分类变量，若把 $m$ 个哑变量全放进去、又保留截距，就完全共线，必须省略 1 类作"参照组"（只放 $m-1$ 个）。论文里输送机械 5 类只放 4 个哑变量、以"地泵布料机"为参照，正是此理。

不完全共线：自变量高度（但非精确）相关，参数可估但方差膨胀、系数不稳、符号可能反常。用 VIF 量化：

$$VIF_j=\frac{1}{1-R_j^2},\qquad TOL_j=1-R_j^2=\frac1{VIF_j}$$式(4.1)

VIF 区间	经验判断
$VIF<5$	共线性很弱，可接受
$5\le VIF<10$	中度共线，需关注、报告
$VIF\ge10$	严重共线，系数估计不可靠，应删并变量或正则化

判据为经验阈值（O'Brien、Hair 等教材常用 5/10）。论文数值型变量 VIF 约 1.01–1.03、哑变量约 1.24–1.54，全部远小于 5，故不存在显著共线性。

4.3 重头戏：因变量是 0/1 时，线性回归 = 线性概率模型（LPM）

若直接令 $P(Y=1\mid\mathbf X)=\beta_0+\boldsymbol\beta^{\mathsf T}\mathbf X$，称线性概率模型。此时 $\hat\beta_j$ 可解释为"$X_j$ 每增 1、发生概率的绝对变化量"，直观是它唯一的优点。但它有三个无法回避的硬伤：

硬伤①　预测概率越界线性函数值域是 $(-\infty,+\infty)$，而概率必须落在 $[0,1]$。对某些 $\mathbf x$，模型会算出负概率或大于 1 的概率，逻辑上荒谬。

硬伤②　误差必然异方差、且只取两值因 $Y\in\{0,1\}$，误差 $u=Y-(\beta_0+\boldsymbol\beta^{\mathsf T}\mathbf X)$ 只能取 $1-p$ 与 $-p$ 两个值，且 $$\mathrm{Var}(u\mid\mathbf X)=p(\mathbf x)\,[1-p(\mathbf x)]$$ 随 $\mathbf x$ 变化，异方差是内生必然的，普通 OLS 标准误必然失真。

硬伤③　边际效应恒定，违背概率的 S 形规律 LPM 假设 $X_j$ 每增 1，概率恒变 $\beta_j$，与概率在 0.5 附近变化快、逼近 0/1 时变化慢的真实非线性（饱和）规律不符。现实中"温度从 5℃升到 10℃"与"从 35℃升到 40℃"对问题概率的影响不可能相同。

破局思路（自然引出 Logistic）需要一个"链接函数"，把取值无界的线性组合 $\eta=\beta_0+\boldsymbol\beta^{\mathsf T}\mathbf X$ 平滑地压缩进 $(0,1)$，且呈中间陡、两端缓的 S 形。取 $\eta=\ln\dfrac{p}{1-p}$（logit 链接）、反解即得 Logistic 模型；取正态分布的逆函数则得 Probit 模型。二者都属于广义线性模型（GLM）。这就是第二篇的主题。

4-1　哑变量陷阱辨析点击看解答

一个分类变量有 4 个类别，模型带截距。应放几个哑变量？若放 4 个会发生什么？参照组的系数在哪里？

放 $4-1=3$ 个。放 4 个再加全 1 截距列，会出现"四列哑变量之和=截距列"的完全共线，矩阵奇异、无解。被省略的那一类即参照组，其效应并入截距；每个哑变量系数表示"该类相对参照类"的差异。

4-2　VIF 计算与判断点击看解答

把 $X_j$ 对其余自变量回归得 $R_j^2=0.84$，求 VIF 并判断共线程度。

$VIF=1/(1-0.84)=6.25$，属中度共线（介于 5 与 10 之间），需关注并报告，必要时合并变量或采用正则化；其系数方差相对无共线情形被放大约 6.25 倍。

4-3　为什么 0/1 因变量"必然异方差"？点击看解答

写出推导。

LPM 中 $Y$ 是成功概率 $p(\mathbf x)$ 的伯努利变量，故 $\mathrm{Var}(Y\mid\mathbf x)=p(1-p)$；而 $u=Y-p(\mathbf x)$，所以 $\mathrm{Var}(u\mid\mathbf x)=p(\mathbf x)(1-p(\mathbf x))$，随 $\mathbf x$ 改变而改变，不满足"方差恒定"，因此异方差是模型设定内生的、无法通过抽样消除。

第 5 章　几率、logit 链接与模型的三种等价形式

5.1 从概率到几率，再到对数几率

零基础详解 · 跟着一个数字走完整条链（务必亲手按一遍） "概率"和"几率"在口语里常混用，这里严格区分。取出事概率 $p=0.8$（不出事 0.2）：
第一步 概率→几率：$\mathrm{odds}=p/(1-p)=0.8/0.2=4$，读作"出事的几率是不出事的 4 倍"（4∶1）。
第二步 几率→对数几率：$\mathrm{logit}=\ln4\approx1.386$，变成一个可正可负、没有上下界的普通数值。
第三步模型在"对数几率"这一层做线性加法：$\eta=\beta_0+\beta_1x_1+\cdots=1.386$。
第四步 原路返回：$e^{1.386}=4$（几率），再 $p=4/(1+4)=0.8$，回到概率。
再看几个对照值建立感觉：$p=0.5\Rightarrow$odds$=1\Rightarrow$logit$=0$；$p=0.9\Rightarrow$odds$=9\Rightarrow$logit$\approx2.197$；$p=0.1\Rightarrow$odds$=0.111\Rightarrow$logit$\approx-2.197$。概率以 0.5 为中心对称，对数几率以 0 为中心对称。之所以绕这一圈，是因为概率被限制在 0~1、不能直接做线性加法，而对数几率没有这个限制。

$$\text{几率（odds）：}\ \mathrm{odds}(p)=\frac{p}{1-p},\qquad p\in(0,1)\Rightarrow \mathrm{odds}\in(0,+\infty)$$

几率是"发生与不发生的比值"：$p=0.5$ 时 odds$=1$（对半）；$p>0.5$ 时 odds$>1$。再取自然对数得到 logit：

$$\mathrm{logit}(p)=\ln\frac{p}{1-p}\in(-\infty,+\infty)$$

这一步把"受限在 $(0,1)$ 的概率"变成了"取值全实数"的量，于是可以像线性回归那样用 $\eta=\beta_0+\beta_1x_1+\cdots+\beta_kx_k$ 去建模。反过来解出 $p$：

$$p=\mathrm{logit}^{-1}(\eta)=\frac{1}{1+e^{-\eta}}=\frac{e^\eta}{1+e^\eta}=:\sigma(\eta)$$式(5.1)

$\sigma(\cdot)$ 称 logistic / Sigmoid 函数，呈 S 形：$\sigma(0)=0.5$、$\sigma(-z)=1-\sigma(z)$、渐近于 0 和 1（天然有界、不会越界）、导数 $\sigma'(z)=\sigma(z)(1-\sigma(z))$。

5.2 模型的三种等价写法（务必都认得）

形式	表达式	用途
对数几率式（logit）	$\ln\dfrac{p(\mathbf x)}{1-p(\mathbf x)}=\beta_0+\boldsymbol\beta^{\mathsf T}\mathbf x$	线性、系数=对数几率，做估计与检验
几率式（odds）	$\dfrac{p(\mathbf x)}{1-p(\mathbf x)}=e^{\beta_0}\prod_j e^{\beta_jx_j}$	乘法结构，直接得优势比 OR
概率式（Sigmoid）	$p(\mathbf x)=\dfrac{1}{1+\exp[-(\beta_0+\boldsymbol\beta^{\mathsf T}\mathbf x)]}$	输出概率、画 S 曲线、做预测

直觉 · 为什么偏偏是 logit（五条理由） ①把 $(0,1)$ 映到全实数，线性组合不再越界；②取对数后"几率相乘"变"对数几率相加"，便于线性建模；③反函数 S 形有界且饱和，符合概率变化规律；④它是伯努利分布的自然（典范）链接函数，对应极大似然有良好的统计性质、信息阵形式简洁；⑤系数可解释为"对数几率的变化"，进而得到优势比，白箱、可解释。

5.3 放在广义线性模型（GLM）框架里看

GLM 三要素：随机成分（因变量分布，这里是伯努利）、系统成分（线性预测 $\eta=\mathbf X\boldsymbol\beta$）、链接函数（连接均值与线性预测，这里 $g(p)=\mathrm{logit}(p)$）。若把链接换成正态分布分位数 $\Phi^{-1}$ 就是 Probit 回归，结果通常非常接近，但 logit 的系数可直接转 OR、解释更方便，故最常用。

结合论文论文中"是否发生质量问题"$Y\in\{0,1\}$ 服从伯努利分布，自变量覆盖人机料法环 11 项（独热后 14 个特征），用 logit 链接建立 $p=P(Y=1\mid\mathbf x)$，输出的正是"本次浇筑发生质量问题的预测概率"，再以阈值 0.5 转成 0/1 分类。

5-1　三种形式互算点击看解答

已知某样本线性预测 $\eta=-1.2$。求发生概率 $p$、几率 odds；若另一因素使 $\eta$ 增加 $0.8$，新概率是多少？

$p=\sigma(-1.2)=1/(1+e^{1.2})=1/(1+3.320)=0.2315$；odds$=p/(1-p)=e^{-1.2}=0.301$。新 $\eta=-0.4$，$p=1/(1+e^{0.4})=0.4013$。可见 $\eta$ 增加同样的 0.8，概率变化量取决于起点（非线性）。

5-2　为什么不能直接写 p=β₀+βx？点击看解答

用第4章与本章知识回答。

会得到线性概率模型：预测可能超出[0,1]、误差必然异方差、边际效应恒定违背S形饱和规律。logit链接通过Sigmoid把无界线性预测压缩进(0,1)并允许非线性边际效应，同时保留"对数几率线性"的可加结构。

第 6 章　参数估计：极大似然（MLE）与迭代求解

6.1 为什么 Logistic 不能用最小二乘

因模型对参数非线性、因变量 0/1、误差非正态且必然异方差，OLS 的闭式解与 BLUE 性质不再适用。Logistic 改用极大似然估计（Maximum Likelihood Estimation, MLE）：找一组参数，使"实际观测到的这批 0/1 结果"出现的可能性（似然）最大。

零基础详解 · 用"猜硬币"一次弄懂"似然" 一枚硬币正面概率 $\theta$ 未知，连抛 3 次得到"正、正、反"。在给定 $\theta$ 时，这个结果出现的概率是 $\theta\cdot\theta\cdot(1-\theta)=\theta^2(1-\theta)$（独立相乘）。我们反过来问：$\theta$ 取多少，最可能产生刚看到的结果？代入 $\theta=0.5$ 得 0.125；$\theta=2/3$ 得 $4/9\times1/3\approx0.148$（更大）；求导令其为 0 正好解出 $\hat\theta=2/3$。这个"让已发生数据出现概率最大"的参数值，就是极大似然估计。Logistic 回归一模一样，只是把"硬币的 $\theta$"换成"由因素和系数经 Sigmoid 算出的每个批次出事概率 $p_i$"，要估计的是整组 $\boldsymbol\beta$。

动手理解 · 为什么要取对数、又为什么必须迭代 取对数：几百上千个 0/1 概率直接连乘会得到一个小到计算机存不下的数（数值下溢）；$\ln$ 把连乘变成连加、且 $\ln$ 单调递增、不改变最大值的位置，所以最大化"似然"等价于最大化"对数似然"，好算又稳定。
要迭代：令对数似然导数为 0 后，系数 $\boldsymbol\beta$ 仍"藏"在 Sigmoid 的指数里，无法像 OLS 那样用一个公式一步解出，只能逐步逼近。可以想象蒙眼摸山顶：先随便站一个位置（初始值）→用脚感受坡度（梯度）→朝最陡上坡方向迈一步（更新系数）→再感受、再迈步，直到脚下几乎变平（梯度≈0、系数不再变化）即收敛。前面证明过对数似然是"凹的山"（只有一个山顶），所以无论从哪起步都会走到同一个最高点。

6.2 似然函数与对数似然

在 i.i.d. 与伯努利假定下，单个样本贡献 $p_i^{y_i}(1-p_i)^{1-y_i}$，联合似然为各样本乘积：

$$L(\boldsymbol\beta)=\prod_{i=1}^{n}p_i^{\,y_i}(1-p_i)^{1-y_i},\qquad p_i=\sigma(\mathbf x_i^{\mathsf T}\boldsymbol\beta)$$

乘积求导不便，取对数把连乘变连加，得到对数似然（两种等价写法）：

$$\ell(\boldsymbol\beta)=\sum_{i=1}^{n}\big[y_i\ln p_i+(1-y_i)\ln(1-p_i)\big]=\sum_{i=1}^{n}\big[y_i\eta_i-\ln(1+e^{\eta_i})\big]$$式(6.1)

第二种写法用 $\eta_i=\mathbf x_i^{\mathsf T}\boldsymbol\beta$ 表示，是计算机实际使用的数值稳定形式；$-\ell$ 也称二元交叉熵损失（binary cross-entropy），逻辑回归与"一个神经元的二分类神经网络"损失完全相同——区别在于逻辑回归是线性、白箱可解释的。

6.3 得分方程：为什么没有闭式解

对 $\boldsymbol\beta$ 求梯度（得分向量），利用 $\sigma'=\sigma(1-\sigma)$ 化简得：

$$\frac{\partial \ell}{\partial \boldsymbol\beta}=\mathbf X^{\mathsf T}(\mathbf y-\mathbf p)=\mathbf 0,\qquad \mathbf p=(p_1,\dots,p_n)^{\mathsf T}$$式(6.2)

但 $p_i$ 本身是 $\boldsymbol\beta$ 的非线性函数（含 Sigmoid），所以这是一组非线性方程，无法像 OLS 那样一步解出，必须迭代。二阶导数（Hessian 矩阵）为：

$$\mathbf H=-\mathbf X^{\mathsf T}\mathbf W\mathbf X,\qquad \mathbf W=\mathrm{diag}\big(p_i(1-p_i)\big)$$

因 $\mathbf W$ 对角元 $p_i(1-p_i)>0$，$\mathbf H$ 负定，故对数似然是凹函数，最大值唯一（不存在局部极值陷阱），迭代一定收敛到全局最优。

6.4 牛顿–拉夫逊与 IRLS（迭代再加权最小二乘）

$$\boldsymbol\beta^{(t+1)}=\boldsymbol\beta^{(t)}-\mathbf H^{-1}\mathbf g=(\mathbf X^{\mathsf T}\mathbf W^{(t)}\mathbf X)^{-1}\mathbf X^{\mathsf T}\mathbf W^{(t)}\mathbf z^{(t)}$$

其中 $\mathbf g=\mathbf X^{\mathsf T}(\mathbf y-\mathbf p)$ 为梯度，$\mathbf z=\mathbf X\boldsymbol\beta^{(t)}+\mathbf W^{-1}(\mathbf y-\mathbf p)$ 称"工作响应"。每一步都像在解一个以 $\mathbf W$ 为权重的加权最小二乘，故又称 IRLS（Iteratively Reweighted Least Squares）。反复更新直到系数变化小于容差即收敛。statsmodels 的 Logit 默认即用此类牛顿迭代。

收敛后，用（Fisher）信息阵的逆估计系数协方差，从而得到标准误：

$$\widehat{\mathrm{Cov}}(\hat{\boldsymbol\beta})=(\mathbf X^{\mathsf T}\hat{\mathbf W}\mathbf X)^{-1},\qquad \mathrm{SE}(\hat\beta_j)=\sqrt{\text{该矩阵第 }j\text{ 个对角元}}$$式(6.3)

MLE 的大样本性质（Wald 检验的理论根据）在正则条件、样本量足够时，$\hat{\boldsymbol\beta}$ 具有一致性、渐近无偏、渐近有效、渐近正态性：$\hat\beta_j\approx N(\beta_j,\,\mathrm{SE}^2)$。于是可以像线性回归 t 检验那样构造 $Z=\hat\beta_j/\mathrm{SE}$ 做检验（第8章）。注意这些是"大样本"性质，样本太小时 P 值并不可靠——这又回到样本量/EPV 的重要性。

6.5 正则化、求解器，以及论文的"双引擎"设计

为抑制小样本过拟合与共线性，可在损失里加惩罚：

$$\text{L2（岭/Ridge）：}\min\ -\ell(\boldsymbol\beta)+\lambda\sum_j\beta_j^2\qquad\quad \text{L1（Lasso）：}\min\ -\ell(\boldsymbol\beta)+\lambda\sum_j|\beta_j|$$

L2 把系数整体向 0 轻微收缩、稳定但不产生稀疏；L1 会把部分系数压成恰好 0，带变量选择效果。
sklearn 的反直觉参数：$\mathbf C=1/\lambda$，C 越大正则越弱，$C\to\infty$ 等价于无正则；论文取 $C=1.0$、penalty='l2'、solver='liblinear'（适合小样本二分类的信赖域/坐标类算法）。

易错 · 正则会让系数和 P 值"变味" 加了惩罚后系数是有偏收缩的，标准 Wald P 值也不再是经典 MLE 口径。论文因此采用双引擎：用 sklearn（liblinear + L2）训练最终预测模型以保证稳健；另用 statsmodels 的 Logit.fit()（无正则经典 MLE）输出系数、SE、Z、P 值与 OR 用于统计推断，各司其职，避免"用收缩系数去做经典显著性检验"的口径混乱。

陷阱 · 完全分离 / 准完全分离若某自变量能把 0 和 1 完全（或近乎完全）分开（例如某类别下全部出问题），对数似然没有有限最大值、系数估计趋于无穷、迭代不收敛。处理：合并稀疏类别、连续变量离散化、增大样本、或施加正则（L2 天然能缓解）。论文变量取值分布较均衡且施加 L2，未出现分离。

6-1　写出单个样本的对数似然并说明最大化它的含义点击看解答

第 $i$ 个样本 $\ell_i=y_i\ln p_i+(1-y_i)\ln(1-p_i)$：当 $y_i=1$ 只剩 $\ln p_i$，最大化即让模型对"出事样本"给出尽量高的 $p_i$；当 $y_i=0$ 只剩 $\ln(1-p_i)$，即让"未出事样本"的 $p_i$ 尽量低。全体求和最大化，就是让模型对已知结果整体"打分最合理"。

6-2　为什么 Logistic 的 MLE 没有局部最优陷阱？点击看解答

Hessian $\mathbf H=-\mathbf X^{\mathsf T}\mathbf W\mathbf X$，权重 $p_i(1-p_i)>0$ 使 $\mathbf H$ 负定，对数似然关于 $\boldsymbol\beta$ 是严格凹函数，因此只有唯一全局最大值，牛顿/IRLS 从任意初值都收敛到该最优点（前提是无完全分离）。

6-3　sklearn 中 C=0.01 与 C=100，哪个正则更强？点击看解答

因 $C=1/\lambda$，C=0.01 对应 $\lambda=100$，正则更强、系数收缩更明显；C=100 对应 $\lambda=0.01$，几乎不收缩、接近无正则 MLE。论文取 C=1.0 为温和 L2 收缩。

第 7 章　优势比 OR 与回归系数的正确解读

7.1 优势比（Odds Ratio）的推导

固定其他变量，比较 $X_j$ 取 $x_j+1$ 与 $x_j$ 时的几率之比。由几率式 $\mathrm{odds}=e^{\beta_0+\boldsymbol\beta^{\mathsf T}\mathbf x}$：

$$OR_j=\frac{\mathrm{odds}(x_j+1)}{\mathrm{odds}(x_j)}=\frac{e^{\beta_j(x_j+1)+\cdots}}{e^{\beta_jx_j+\cdots}}=e^{\beta_j},\qquad \beta_j=\ln OR_j$$式(7.1)

动手算例（两种情形都要会） ① 连续变量（论文最常用）：入模温度系数 $\beta=0.4918$，则 $OR=e^{0.4918}=1.635$。含义：其他变量保持不变，入模温度每升高 1 个标准化单位，"出事的几率"变为原来的 1.635 倍（即增加约 63.5%）。保护因素 $\beta=-0.6228$（监督年限）：$OR=e^{-0.6228}=0.537$，几率降到原来的 53.7%（降低约 46%）。
② 二分类变量用 2×2 表手算：设"是否高温作业"与"是否出事"列联表为——高温且出事 $a=40$、高温未出事 $b=20$、非高温出事 $c=30$、非高温未出事 $d=70$，则 $OR=\dfrac{a/b}{c/d}=\dfrac{ad}{bc}=\dfrac{40\times70}{20\times30}\approx4.67$，即高温组出事几率约为非高温组的 4.67 倍。
务必记住：OR 说的是几率（odds）的倍数，不是概率的倍数（概率倍数叫相对风险 RR，二者在小概率时才近似）。

系数/OR	方向	解释（控制其他变量不变）
$\beta_j>0,\ OR_j>1$	危险因素	$X_j$ 增大，发生的几率上升（乘以 $OR_j$）
$\beta_j<0,\ OR_j<1$	保护因素	$X_j$ 增大，发生的几率下降（乘以 $OR_j$）
$\beta_j=0,\ OR_j=1$	无关联	几率不变

OR 的 95% 置信区间由系数区间取指数得到：

$$CI_{95\%}(OR_j)=\Big[e^{\hat\beta_j-1.96\,\mathrm{SE}},\ \ e^{\hat\beta_j+1.96\,\mathrm{SE}}\Big]$$

区间不跨 1（等价于 $\beta$ 区间不跨 0）才显著。例如 $OR=0.54$，95%CI $[0.44,0.65]$ 不跨 1，显著保护；若为 $[0.25,1.12]$ 跨 1，则不显著。

7.2 不同变量类型的解读

连续变量（原始尺度）：$X_j$ 每增加 1 个物理单位，几率乘 $e^{\beta_j}$。
标准化变量（本论文情形）：建模前做了 Z-score 标准化 $z=(x-\bar x)/s$，故 OR 对应"每增加 1 个标准差"的几率倍数，消除了量纲、系数大小可横向比较重要性。解读时要说明这一点。
哑变量：该类别相对参照组的几率倍数。论文输送机械以"地泵布料机"为参照，某机械哑变量 OR 即"该机械相对地泵布料机"的发生几率比。
有序变量：论文强度等级 C30–C50 按 30,35,…,50 数值化，OR 对应"强度等级每升一档（5MPa）"。

7.3 最容易被评委抓的陷阱：OR ≠ 概率倍数（RR）

概念辨析 · 优势比 OR 与相对风险 RR $OR=\dfrac{p_1/(1-p_1)}{p_0/(1-p_0)}$ 是几率之比；相对风险 $RR=\dfrac{p_1}{p_0}$ 才是概率之比。二者只有在事件很罕见（$p$ 很小）时才近似相等；当事件常见时，OR 会系统性地比 RR 更"夸张"。绝不能把 OR=1.6 说成"发生概率变成 1.6 倍"，规范说法是"发生几率（odds）变为 1.6 倍"。

概率的实际变化量取决于基线概率（非线性边际效应）。同样 $OR=1.5$（即 $\Delta\ln\text{odds}=\ln1.5=0.405$）：

基线概率 $p_0$	基线 odds	新概率 $p_1$	概率绝对变化
0.10	0.111	$0.143$	+0.043
0.50	1.000	$0.600$	+0.100
0.80	4.000	$0.857$	+0.057

同样的 OR，概率变化量在 0.5 附近最大、两端变小——这正是 S 形曲线的体现。要讲"概率提高多少"，必须代回 Sigmoid、结合具体基线计算（平均边际效应 AME 是更严谨的整体口径）。

对 $2\times2$ 列联表 $\begin{smallmatrix}a&b\\c&d\end{smallmatrix}$（暴露/未暴露 × 出事/未出事），$OR=\dfrac{ad}{bc}$。

7.4 用论文系数表练解读

结合论文（700 训练集、标准化系数，摘几个）监督人员年限 X3：$\beta=-0.623,\ OR=0.54,\ P<0.001$——监督年限每增加 1 个标准差，发生几率约降到原来的 0.54 倍（下降约 46%），是保护因素；入模温度 X6：$\beta=+0.492,\ OR=1.64$——入模温度每升高 1 个标准差，几率约升为 1.64 倍，是危险因素；振捣时间 X8：$OR=0.61$ 保护；环境温度 X11：$OR=1.52$ 危险。强度等级 X7：$P\approx0.05\sim0.09$ 为边缘显著，如实报告。注意这些都是"几率"变化，不是概率直接翻倍。

7-1　OR 解读与概率换算点击看解答

某因素 $\beta=0.7$，求 OR；若当前基线概率为 0.3，该因素升高 1 单位后概率约为多少？是"概率变为 2 倍"吗？

$OR=e^{0.7}=2.014$。基线 odds$=0.3/0.7=0.4286$，新 odds$=0.4286\times2.014=0.863$，新概率 $p=0.863/(1+0.863)=0.463$。概率从 0.30 升到 0.463，并非"变成 2 倍（0.6）"。规范表述：几率约变为 2.01 倍，概率绝对上升约 0.16。

7-2　OR=0.5 是什么含义？比 OR=1.5 的因素"作用更小"吗？点击看解答

第 8 章　假设检验、三大检验统计量与变量选择

8.1 单个系数：Wald 检验

检验 $H_0:\beta_j=0$。利用 MLE 的渐近正态性：

$$Z=\frac{\hat\beta_j}{\mathrm{SE}(\hat\beta_j)}\ \overset{H_0}{\sim}\ N(0,1),\qquad W=Z^2\ \overset{H_0}{\sim}\ \chi^2(1)$$

双侧 P 值 $=2[1-\Phi(|Z|)]$；$|Z|>1.96$（或 $P<0.05$）拒绝。Wald 检验只需拟合完整模型、计算最快，是系数表 P 值的来源；缺点是在系数很大/接近分离、样本较小时不够稳定（此时以似然比检验为准）。

动手走一遍完整 Wald 检验（教学算例）设某因素 $\hat\beta=0.50$、$\mathrm{SE}=0.12$，检验它是否有作用（$H_0:\beta=0$）：
① 算统计量 $Z=0.50/0.12=4.17$；② 因 $|Z|=4.17>1.96$，双侧 $P=2[1-\Phi(4.17)]\approx3\times10^{-5}<0.05$，拒绝 $H_0$，认为该因素作用真实存在；③ 效应量 $OR=e^{0.50}=1.65$；④ 95% 区间：先算 $\beta$ 的区间 $0.50\pm1.96\times0.12=[0.265,0.735]$，再整体取指数得 OR 区间 $[e^{0.265},e^{0.735}]=[1.30,2.09]$，不跨 1，与 P 值结论一致。论文中入模温度 $\beta=0.4918$、$P=4.5\times10^{-8}$（$|Z|\approx5.5$），走的就是这套流程，只是由软件一次算完。

8.2 似然比检验（LR）与得分检验（Score）

似然比检验比较一对嵌套模型（受约束模型 0 与完整模型 1）的对数似然：

$$G=-2\big(\ell_0-\ell_1\big)=D_0-D_1\ \overset{H_0}{\sim}\ \chi^2(q)$$

$q$ 为被约束（少掉）的参数个数，$D=-2\ell$ 为偏差（deviance，第14章）。检验"整组变量是否联合显著""模型整体是否显著（对比只有截距的零模型）"都用它。LR 同时拟合两个模型，统计性质最可靠，小样本下优先于 Wald。

得分检验（Score / Lagrange 乘子）只在 $H_0$（约束模型）处计算对数似然梯度是否已接近 0，不必拟合更大的模型，常用于"加入某变量前先看是否值得"。三者关系：

检验	需要拟合的模型	适用	特点
Wald	仅完整（无约束）模型	单系数显著性、快速出 P 值	大样本可靠，接近分离时偏弱
似然比 LR	约束 + 完整两个模型	多变量联合、整体模型、增删变量	最稳健，小样本首选
Score	仅约束模型	筛选候选变量、诊断	不必拟合大模型

大样本下三者渐近等价。线性回归里的 t 检验、偏 F 检验，在 Logistic 里分别对应 Wald、似然比检验。

8.3 变量并非越多越好（简约原则）答辩重点

盲目堆砌自变量有四类风险：

① 稀释每变量事件数（EPV 下降） Logistic 的 MLE 是大样本理论，真正决定估计稳定性的是少数类（事件）的数量而非总样本。变量越多、每个变量摊到的事件越少，系数标准误膨胀、Wald 检验功效下降，极端时出现完全分离、无法收敛。

② 诱发过拟合与结果无关、只反映偶然波动的变量会让模型去"拟合噪声"：训练集表现虚高，对新批次的泛化能力反而下降。

③ 加剧多重共线性冗余、高度相关的变量抬高 VIF，使系数估计不稳、符号可能反常、难以解释。

④ 降低可解释性、违背奥卡姆剃刀同等拟合下应选更简单的模型；变量过多抓不住关键因素，也不符合核电"凡事可追溯、可解释"的要求。

经验准则 · EPV（Events Per Variable） $$EPV=\frac{\text{少数类事件数（正例或负例中较少者）}}{\text{模型待估参数个数（含哑变量、截距口径需说明）}}$$ Peduzzi 等模拟研究建议 EPV ≥ 10（保守取 10–20）。低于 10 时系数开始明显偏倚、SE 膨胀。论文少数类（发生质量问题）224 例、14 个特征，$EPV=224/14=16$，高于下限，估计有足够事件支撑。

常用的变量选择/精简手段：①机理先验——按人机料法环与规范、现场可测性先圈定，不把能采到的字段都塞进去；②共线性诊断 VIF 把关；③数据驱动——向前/向后/逐步选择（基于 LR 或 AIC）、L1(Lasso) 稀疏，但逐步法有多重检验、结果不稳的问题，只能作辅助、且最终要回到机理；④信息准则 AIC/BIC 在拟合与简洁间权衡（第14章）。论文对不显著变量（班组人数、连续工时、4 个机械哑变量）如实报告"为维持人机料法环体系完整而保留"，后续可按逐步回归/AIC 进一步精简。

答辩卡 · 一句话标准回答 "Logistic 不是变量越多越好：变量多会摊薄 EPV、诱发过拟合、加剧共线、降低可解释性。本文是机理先验定变量、VIF 与 EPV 做数量把关、显著性检验做数据复核，宁要少而精的关键因素，不要多而杂的噪声变量。"

第 9 章　Logistic 回归的假设与回归诊断

9.1 它"不需要"什么、"需要"什么

与线性回归不同，Logistic 不要求因变量正态（Y 本就是 0/1）、不要求同方差、也不要求自变量正态分布。但它有自己的假定：

假定	含义	违反后果 / 检查
① 观测独立	各批次结果相互独立（i.i.d.）	聚集/重复测量需用混合效应或稳健聚类标准误
② logit 线性	连续自变量与 logit(p)（不是 p）呈线性	Box–Tidwell 检验、分组、样条/分段、变量变换
③ 无完全共线	自变量无精确线性关系	VIF；分类变量留参照组避免哑变量陷阱
④ 样本量充足	EPV≥10、无完全分离	增样、合并类别、正则化
⑤ 无强影响点	个别点不能左右整个模型	残差、杠杆、Cook 距离诊断

9.2 logit 线性假定与 Box–Tidwell 检验

检验连续变量 $X_j$ 是否与 logit 线性：在模型中额外加入交互项 $X_j\ln X_j$（对可能取 0/负值先线性平移为正），若该项显著，说明原变量在 logit 尺度上不线性，应做变换、分箱或用样条。论文连续变量经分布核查、量纲标准化，未发现明显非线性失拟。

9.3 残差与影响点诊断（认识即可）

Pearson 残差：$r_i=\dfrac{y_i-\hat p_i}{\sqrt{\hat p_i(1-\hat p_i)}}$；　偏差残差：$d_i=\mathrm{sign}(y_i-\hat p_i)\sqrt{-2[y_i\ln\hat p_i+(1-y_i)\ln(1-\hat p_i)]}$

杠杆值 $h_{ii}$ 来自加权帽子矩阵 $\mathbf H=\mathbf X^{1/2}(\mathbf X^{\mathsf T}\mathbf W\mathbf X)^{-1}\mathbf X^{\mathsf T}\mathbf W^{1/2}$ 的对角；结合残差与杠杆可得 Cook 距离 / DFBETA，衡量"删掉第 $i$ 个样本后系数变动多大"。标准做法是找异常大值、复核是否为录入错误或特殊工况，而非简单删除。

直觉 · 诊断的目的不是"把模型修得好看" 诊断是为了判断结论是否被少数点、共线或错误设定所驱动。论文额外做"纯实测 500 条 vs 混合 700 训练"两套结果对照（方向、显著性一致），本质上就是一种稳健性诊断，回答"结论是否依赖增广数据"。

8-1　Wald、LR、Score 三检验辨析点击看解答

(1) 系数表里每个变量的 P 值通常来自哪个检验？(2) 检验"模型整体是否显著"用哪个？(3) 接近完全分离时更应信哪个？

(1) Wald（$Z=\hat\beta/SE$）。(2) 似然比检验，比较完整模型与只有截距的零模型，$G=D_{null}-D_{model}\sim\chi^2(k)$。(3) 似然比检验，Wald 在系数极大/接近分离时不稳定。

8-2　EPV 计算与判断点击看解答

正例 60、负例 240，独热后待估系数（含截距）共 12 个，EPV 是多少、是否达标？若再加 10 个特征呢？

少数类为正例 60，EPV=60/12=5，低于 10，系数估计不可靠，应增样或减变量。再加 10 个特征→60/22=2.7，严重不足，极易过拟合与分离。对照论文 224/14=16，达标。

9-1　Logistic 需要假设自变量和因变量都正态吗？点击看解答

都不需要。Y 是 0/1 伯努利变量，X 可以是连续、离散、哑变量的混合；需要的是观测独立、logit 与连续 X 线性、无完全共线、样本量足够、无强影响点。正态假定只在线性回归小样本精确 t/F 检验时需要，Logistic 靠 MLE 大样本渐近理论。

第 10 章　混淆矩阵与分类指标

10.1 从概率到分类：阈值

模型输出概率 $\hat p_i$，设定阈值 $c$（默认 0.5）：$\hat p_i\ge c$ 判为"发生（1）"，否则判"不发生（0）"。与真实标签交叉得到 $2\times2$ 混淆矩阵：

	真实为 1（出事）	真实为 0（未出事）
预测 1	TP 真正例（报对了）	FP 假正例（误报/虚惊）
预测 0	FN 假负例（漏报！）	TN 真负例（判对安全）

10.2 六个核心指标（标准定义）

$$\text{准确率 }Acc=\frac{TP+TN}{N};\quad \text{精确率 }P=\frac{TP}{TP+FP};\quad \text{召回率/灵敏度 }R=TPR=\frac{TP}{TP+FN}$$ $$\text{特异度 }Spec=TNR=\frac{TN}{TN+FP}=1-FPR;\qquad F1=\frac{2PR}{P+R}$$

精确率 Precision：报警的里面有多少真出事（衡量"误报"）；
召回率 Recall/灵敏度：真出事的里面被提前发现了多少（衡量"漏报"）；
特异度 Specificity：真安全的里面被正确放行的比例；
F1：精确率与召回率的调和平均，二者的综合。

结合论文测试集（150 条纯实测：TN=58, FP=25, FN=26, TP=41） $Acc=(58+41)/150=0.660$；精确率 $=41/(41+25)=0.621$；召回率 $=41/(41+26)=0.612$；特异度 $=58/(58+25)=0.699$；$F1=0.617$。即真出事的 67 批中提前预警了 41 批。

10.3 阈值移动：核电场景为什么"宁可误报、不可漏报"

关键方向（容易说反） 下调阈值（如 0.5→0.4）→ 更多样本被判为"有风险"→ 召回率↑、漏报 FN↓，但误报 FP↑、精确率↓；上调阈值则相反。质量问题漏检的代价（返工、结构隐患、核安全风险）远高于多核查几次的成本，因此现场应用应适当下调阈值以提高召回、压低漏报，用"多查"换"不漏"。阈值最终由误报/漏报的成本比决定，不必死守 0.5。

陷阱 · 准确率悖论（类别不平衡）若总体 95% 都是 0，模型无脑全判 0 也有 95% 准确率，却毫无预警能力。所以不平衡数据不能只看 Acc，必须同时看召回、精确率、F1、AUC。论文正负例约 45%:55% 较均衡，Acc 尚可参考，但仍以 AUC/召回为主。

10-1　由混淆矩阵算全套指标点击看解答

TP=30, FN=10, FP=20, TN=40。求 Acc、Precision、Recall、Specificity、F1。

N=100。Acc=(30+40)/100=0.70；Precision=30/50=0.60；Recall=30/40=0.75；Specificity=40/60=0.667；F1=2×0.6×0.75/(0.6+0.75)=0.667。

10-2　想减少漏报应上调还是下调阈值？代价是什么？点击看解答

下调阈值。更多样本被预警，FN 下降、召回上升；代价是 FP 增多、精确率下降、现场核查工作量上升。核电质量管控中漏报代价远高于误报，故倾向较低阈值。

第 11 章　ROC 曲线与 AUC

11.1 ROC 是怎么画出来的

让阈值 $c$ 从高到低扫过所有可能值，每取一个阈值就算一对 $\big(FPR=1-\text{特异度},\ TPR=\text{召回率}\big)$，以 FPR 为横轴、TPR 为纵轴描点连线，即 ROC 曲线。左上角（FPR=0,TPR=1）是完美点；对角线 $y=x$ 是"瞎猜"水平。曲线越靠近左上、越凸，区分能力越强。

11.2 AUC 的定义与精妙解释

$$AUC=\int_0^1 TPR(FPR)\,dFPR=P\big(\hat p_{(正)}>\hat p_{(负)}\big)$$

AUC（曲线下面积，取值 0–1）有一个概率解释：随机抽一个真实出事样本和一个真实未出事样本，模型给前者打出更高风险概率的概率就是 AUC。它与 Mann–Whitney U 统计量等价。因此 AUC 衡量的是排序/区分能力，与具体阈值无关，且对类别比例不敏感。

AUC	经验判读（非绝对标准）
0.5	等同随机猜测，无区分能力
0.7–0.8	可接受/中等区分度
0.8–0.9	良好
>0.9	优秀（现场社会科学数据中少见，过高还需警惕数据泄漏）

结合论文测试集 AUC=0.7625、训练集 0.7755，二者接近说明没有明显过拟合；0.76 属"可接受偏良好"，对一个多因素、含噪声的现场质量问题而言是合理结果——答辩时不必夸大成"很准"，而应客观说"具备稳定的区分/排序能力"。

直觉 · AUC 高 ≠ 概率数值准 AUC 只看相对排序：把所有概率同时乘 0.5 再加 0.2，排序不变、AUC 不变，但概率数值已经偏了。概率"数值准不准"要看第12章的校准（HL、Brier）。区分度与校准度是两个维度。

11-1　AUC=0.5、AUC=1、AUC=0.3 分别意味着什么？点击看解答

0.5 表示模型排序等同抛硬币、无区分力；1 表示模型能把所有正例排在所有负例之前、完美区分；0.3 比随机还差，通常说明方向标反了（如把保护因素当危险因素、或正负标签弄反），对调预测即可升到 0.7。

第 12 章　概率校准：Hosmer–Lemeshow 与 Brier 分数

12.1 区分度 vs 校准度

区分度回答"谁更危险"（排序），校准度回答"说 70% 会出事的那些批次，是否真有约 70% 出事"（数值是否可信）。一个模型可以 AUC 很高却系统性高估/低估概率。画可靠性曲线（校准曲线）：把样本按预测概率分箱，横轴为每箱平均预测概率、纵轴为实际发生频率，越贴近 45° 对角线越校准。

12.2 Hosmer–Lemeshow 拟合优度检验

把样本按预测概率排序分成 $G$ 组（常用 $G=10$），第 $g$ 组样本数 $n_g$、平均预测概率 $\bar p_g$，则期望事件数 $E_g=n_g\bar p_g$、观测事件数 $O_g$：

$$\hat C=\sum_{g=1}^{G}\frac{(O_g-E_g)^2}{n_g\,\bar p_g(1-\bar p_g)}\ \overset{H_0(\text{校准})}{\sim}\ \chi^2(G-2)$$

易错 · HL 的 P 值方向与普通检验相反 $H_0$ 是"模型校准良好（观测=期望）"。因此P 值越大（>0.05）越说明没有证据拒绝、校准可接受；P<0.05 反而说明校准不佳。自由度是 $G-2$（不是 $G-1$）。HL 对分组方式与样本量敏感，样本极大时容易"过敏"地拒绝，需结合校准曲线与 Brier 一起看。

结合论文测试集 $G=10$，$\hat C=9.195$，$df=8$，$P=0.326>0.05$，不拒绝原假设，说明预测概率与实际发生频率之间没有显著偏离、校准良好。

12.3 Brier 分数（概率的均方误差）

$$BS=\frac1n\sum_{i=1}^{n}(\hat p_i-y_i)^2\in[0,1],\quad \text{越小越好（0 完美）}$$

它就是预测概率对 0/1 结果的均方误差，同时惩罚"排序错"和"数值偏"。要判断模型 BS 是否真的好，需对比朴素基准：不用任何变量、对所有人恒预测总体发生率 $\bar p$，其 $BS_{base}=\bar p(1-\bar p)$。还可算技巧分 $BSS=1-BS/BS_{base}$（>0 即优于基准）。

结合论文 $\bar p=0.448$，朴素基准 $BS_{base}=0.448\times0.552=0.2473$；模型测试集 $BS=0.1957<0.2473$，$BSS=1-0.1957/0.2473=0.209$，即相对"只凭总体发生率拍脑袋"，模型把概率预测误差降低约 21%，证明模型确有增量价值。

三类评价各管一件事（答辩一句话总结） AUC/召回/精确率管"区分得开吗"，HL/校准曲线管"概率数值准吗"，Brier 把两者综合成一个误差分数并与朴素基准对照。论文在三个维度都给出了证据，结论才站得住。

12-1　HL 检验 P=0.02 与 P=0.40 分别说明什么？自由度怎么定？点击看解答

HL 的 H0 是"校准良好"。P=0.02<0.05 拒绝 H0，说明观测与期望显著不符、校准较差；P=0.40 不拒绝、校准可接受。分 G=10 组时 df=G−2=8。

12-2　Brier 与朴素基准点击看解答

总体发生率 0.3，模型 Brier=0.18，求朴素基准与 Brier 技巧分并判断。

$BS_{base}=0.3\times0.7=0.21$；$BSS=1-0.18/0.21=0.143>0$，模型优于恒预测基准约 14%。

第 13 章　模型验证、重抽样与数据增广的边界

13.1 过拟合、欠拟合与偏差–方差

过拟合：模型把训练集的噪声也学进去，训练表现很好、新数据差；欠拟合：模型太简单、训练都学不好。总预测误差可分解为偏差（模型设定不足）+方差（对训练样本波动过度敏感）+不可消误差。变量过多、样本太少会同时推高方差与过拟合——这正是第8章要控制变量数的根本原因。检验泛化的唯一办法是用没参与训练的数据考它。

13.2 训练/测试划分与数据泄漏（必须守住）

留出法：按比例（如 7:3）划分；二分类要用分层抽样 stratify，保证训练/测试集正负比例与总体一致，避免某一折全是一类。
数据泄漏（data leakage）：测试集的信息在训练阶段被"偷看"。最常见是标准化/特征缩放时在全量数据上算均值标准差。正确做法：缩放参数（均值、标准差）只在训练集上 fit，再用同一参数 transform 测试集。论文 StandardScaler 只在实测训练集上 fit，正是为防泄漏。
测试集在整个建模过程中只能用"一次"做最终评价，反复按测试结果调模型等于间接泄漏。

13.3 K 折交叉验证（Cross-Validation）

分层 K 折：把数据分层后均分 K 份，轮流用 1 份当验证、其余 K−1 份训练，共训 K 次，报告 K 个指标的均值±标准差

它让每条样本都当过一次验证集，比单次留出更稳定、更充分利用小样本；均值反映平均水平，标准差反映稳定性（越小越稳）。论文用 StratifiedKFold（K=5, shuffle, 固定随机种子 42 保证可复现）：准确率 0.672±0.043、AUC 0.745±0.041、F1 0.626±0.039，标准差都较小，说明结果不是某一次幸运划分。样本极少时可用留一法 LOOCV（K=n）。

13.4 Bootstrap（自助法）的两种形态，务必分清

① 经典（非参数）bootstrap：用于估计不确定性从原始 $n$ 条记录中有放回抽 $n$ 条组成一个自助样本 → 拟合并记录系数/指标 → 重复 $B$ 次（如 1000）→ 用这 $B$ 个值的经验分布估计标准误、置信区间（百分位法取 2.5%/97.5% 分位）。它不创造新信息，只是反复利用现有样本评估"估计量有多稳"。

② 参数化 bootstrap / 随机模拟：用于生成模拟样本先假定变量服从某分布（或用经验分布），随机生成自变量 $\mathbf x^*$，再由已拟合模型算 $p^*$，最后按 $\mathrm{Bernoulli}(p^*)$ 抽样生成标签 $y^*$。它生成的是"在模型成立、分布假设成立下可能出现的样本"。

结合论文 · 参数化模拟增广及其三条边界（答辩必讲清）论文小样本阶段用参数化模拟把训练集从实测 350 扩充到 700（实测350+增广350）。为避免"循环论证/自欺欺人"，设了三条硬边界：(1) 分布来自实测——各变量分布参数由现场实测记录估计，不凭空设定；(2) 只进训练集——增广样本只参与训练，测试集 150 条全部是纯实测，最终性能、HL、Brier 都在纯实测上评价；(3) 不参与统计推断的结论背书——系数显著性另用纯实测 500 条独立复核（见第17章）。这样增广只起"稳定优化、补充训练样本"的作用，不用模拟数据证明模型有效。

易错 · 不能用自己模型生成的数据证明自己模型好若用模型生成增广样本、又在同样含这些样本的集合上测试，等于"自己出题自己考"，指标必然虚高，是典型循环论证。论文把增广严格挡在测试集与显著性推断之外，就是为堵住这个漏洞。

13.5 超参数选择

正则强度 $C$ 等超参数应用交叉验证（如 GridSearchCV）在训练集内部选，再到独立测试集评一次；要同时评估"选超参"这一步的不确定性时用嵌套交叉验证（外层评估、内层选参）。论文为保证流程透明可审计，$C$ 取常用值 1.0 并固定，未做网格搜索，属于稳健、保守的选择（答辩如实说明即可）。

13-1　为什么标准化只能在训练集上 fit？点击看解答

若在全量（含测试集）数据上算均值标准差，测试集的分布信息就泄漏进了预处理与训练，评估结果偏乐观。正确流程：训练集 fit 缩放器→同时 transform 训练集和测试集；交叉验证时缩放也要在每一折的训练子集内 fit。

13-2　5 折 CV 的均值和标准差分别说明什么？点击看解答

均值说明模型平均性能水平；标准差说明性能对训练/验证划分的敏感程度（稳定性）。均值高但标准差大，说明结果依赖特定划分、不稳；论文各指标标准差约 0.04，较小，说明结论稳定可复现。

第 14 章　偏差、伪 R² 与信息准则

14.1 偏差（Deviance）与模型整体检验

$$\text{模型偏差 }D=-2\ell(\hat{\boldsymbol\beta});\qquad \text{零偏差 }D_0=-2\ell_0\ \text{（只有截距）}$$

偏差可理解为 GLM 里的"残差平方和对应物"，衡量当前模型相对饱和模型（完美拟合每个点）还差多少，越小拟合越好。模型整体显著性用似然比：

$$G_{overall}=D_0-D\ \overset{H_0:\beta_1=\cdots=\beta_k=0}{\sim}\chi^2(k)$$

14.2 伪 R²：别和线性 R² 等同

Logistic 没有线性回归那种"解释方差比例"，学者提出多种伪 R²（pseudo-$R^2$），最常用 McFadden：

$$R^2_{McFadden}=1-\frac{\ell}{\ell_0}=1-\frac{D}{D_0}$$

另有 Cox–Snell、Nagelkerke（后者把上限归一到 1）。它们数值通常明显低于线性 R²，McFadden 达到 0.2–0.4 已属不错（经验范围，不可与线性 R² 的 0.8 类比）。论文 McFadden 伪 R²=0.184，对现场多因素质量问题是合理水平。

14.3 信息准则 AIC / BIC：拟合与简洁的平衡

$$AIC=-2\ell+2k,\qquad BIC=-2\ell+k\ln n$$

第一项奖励拟合（似然越大越小），第二项惩罚复杂度（参数 $k$ 越多越大），越小越好，用于在若干候选模型间权衡、配合逐步选择。BIC 随 $\ln n$ 增长、对复杂模型罚得更重，更倾向简约。它们都是"相对指标"，只在同一数据的模型间比较大小，本身没有绝对好坏阈值。论文模型 AIC=819.4，可作为后续精简变量时的对照基准。

一条主线串起来调整 R²、AIC/BIC、EPV、正则化、交叉验证、奥卡姆剃刀——本质都是同一件事：在"拟合数据"与"简单稳健可泛化"之间找平衡，警惕用复杂度换训练集的虚假繁荣。这也是"变量并非越多越好"的完整理论支撑。

14-1　McFadden 伪R²=0.18 是不是说明模型很差？点击看解答

不是。伪 R² 与线性回归 R² 定义不同、数值天然偏低，不能用线性 R²"越接近1越好"的尺子衡量；McFadden 在 0.2–0.4 即属不错，0.18 对含大量随机噪声的现场二分类问题是合理的，模型好坏更应结合 AUC、校准、交叉验证稳定性综合判断。

14-2　两个嵌套模型，A 比 B 多 3 个变量、对数似然高 2.1，用 AIC 该选谁？点击看解答

每多 1 个变量 AIC 增加 2，多 3 个变量惩罚 +6；似然提高使 −2ℓ 下降 $2\times2.1=4.2$。净变化 $AIC_A-AIC_B=-4.2+6=+1.8>0$，A 的 AIC 反而更大，故按 AIC 应选更简约的 B——3 个变量带来的拟合提升不足以抵消复杂度惩罚。

第 15 章　完整分析流程与数据预处理

15.1 端到端标准流程（每一步都要可复现）

1 问题定义
明确 Y=是否出事、预测目标与代价

→

2 采集清洗
现场台账、去重、查缺失/异常

→

3 探索分析
分布、单因素关系、估计分布规律

→

4 编码缩放
独热、有序、标准化

5 划分(分层)
训练/测试，缩放只在训练fit

→

6 训练估计
MLE/IRLS，必要时L2正则

→

7 诊断检验
VIF、logit线性、Wald/LR、影响点

→

8 评价验证
AUC/HL/Brier/混淆矩阵/K折

9 定阈值
按漏报/误报代价，宁不漏

→

10 部署应用
浇筑前录入因素→输出概率

→

11 监控更新
积累实测、批量重训、版本留痕

15.2 变量类型与编码

类型	例子	编码方式	论文对应
连续数值	温度、坍落度、年限、厚度	直接使用，再 Z-score 标准化	X2,X3,X5,X6,X8–X11
名义分类（无序）	输送机械 5 类	独热 one-hot，留 1 类参照（m−1 个哑变量）	X4→4 个哑变量，参照"地泵布料机"
有序分类	强度等级 C30–C50	按等级数值化（30,35,…,50），隐含等距假设并说明	X7
离散计数	班组人数	按数值型处理	X1

15.3 标准化（Z-score）及其作用

$$z=\frac{x-\mu}{s},\qquad \mu=\frac1n\sum x_i,\quad s=\sqrt{\frac1{n-1}\sum(x_i-\mu)^2}$$

作用：①消除量纲（℃、mm、年混在一起不致数值尺度悬殊）；②标准化后系数绝对值大小可直接比较因素重要性，OR 对应"每 1 个标准差"；③加快 liblinear 等数值求解器收敛、稳定正则。均值、标准差必须只在训练集估计（防泄漏）。若需保留原始可解释性，可同时报告"原始尺度"与"标准化"两套系数。Min–Max 归一化 $x'=(x-\min)/(\max-\min)$ 是另一种缩放到 [0,1] 的方法。

15.4 缺失值与类别不平衡（了解标准做法）

缺失值：缺失少可删样本/变量；数值变量用均值/中位数、分类用众数或模型插补；插补参数同样只能在训练集 fit；缺失本身有信息时可加"是否缺失"指示变量。
类别不平衡：优先调阈值与看召回/AUC/PR；可用 class_weight 加权、欠采样多数类、SMOTE 过采样少数类（合成样本只能进训练集）。论文正负约 45:55，基本均衡，无需重采样。

第 16 章　白箱可解释性与核电"四个凡事"

16.1 白箱模型与黑箱模型的区别

维度	白箱：Logistic / 线性模型	黑箱：深度神经网络 / 复杂集成（RF、XGBoost）
结构	显式公式，参数数量有限、含义明确	大量隐层/树结构，映射关系不透明
可解释	每个系数、OR、P 值、方向都能解释到人能懂	需 SHAP/LIME 等事后解释，仍是"近似说明"
可审计	结果可逐步复算、留痕、责任可追溯	复算依赖训练细节，调参/随机性影响大
数据需求	小样本也能稳定建模、给出不确定性	通常需大量数据，小样本易过拟合
预测上限	只能刻画 logit 线性关系，复杂非线性弱	能拟合高度非线性、交互，预测可能更准

二者不是对错关系，而是取舍：在核安全相关、需要问责与留痕、样本有限的工程现场，可解释、可审计、稳健比"多几个百分点的预测精度"更重要；黑箱模型可作为对照/上限参考（论文展望即提出以随机森林、XGBoost 做对照，但最终仍以可解释模型为准）。

16.2 为什么契合核电"四个凡事"

核电质量管理"四个凡事" 凡事有章可循、凡事有人负责、凡事有人验证、凡事有据可查。

原则	Logistic 白箱方法如何落实
凡事有章可循	模型是一条写得明明白白的公式与标准化流程，变量来自人机料法环规范与现场台账，不依赖不可言说的"模型直觉"
凡事有人负责	每个因素对应明确的责任专业（人、机、料、法、环），系数方向能追到具体管控环节与责任人
凡事有人验证	Wald/似然比检验、VIF、HL、交叉验证、纯实测稳健性复核，每一步都有统计验证手段
凡事有据可查	数据来源、随机种子、参数、系数、指标全程留痕、可复算；本地部署不联网，过程可审计

答辩卡 · 被问"现在 AI/深度学习这么强，为什么不用？" "深度学习是黑箱，内部映射无法对应到具体因素、难以逐步复算和问责，不满足核电'四个凡事'对可追溯、可验证、可解释的要求；而且现场样本有限，复杂模型易过拟合。Logistic 每个系数和优势比都有明确物理与统计含义、结果可审计，更适合作为质量风险的事前预警与决策依据。我并不排斥 AI，论文把随机森林、XGBoost 列为后续对照模型，但主模型坚持白箱。"

第 17 章　用本论文完整走一遍（贯穿案例）

本章把前面所有概念落到你自己的真实结果上，答辩时每报一个数字都能说清"它是什么、怎么来、说明什么"。

17.1 第一步：问题与数据

因变量 Y：单次混凝土浇筑拆模验收"是否发生质量问题"，$Y=1$ 发生、$Y=0$ 未发生（伯努利）。
样本：现场施工过程记录 500 条，其中未发生 276、发生 224，发生率 $\bar p=44.8\%$（类别较均衡）。
自变量（按人机料法环 4M1E 组织，11 项，独热后 14 个特征）：

要素	变量	含义/类型	建模结论
人	X1 班组人数	离散计数	不显著
	X2 班组平均年限	连续，年	显著·保护
	X3 监督人员年限	连续，年	显著·保护（最强）
机	X4 输送机械	5 类名义变量→4 哑变量，参照"地泵布料机"	4 哑变量均不显著
料	X5 坍落度	连续，mm	显著·保护
	X6 入模温度	连续，℃	显著·危险
	X7 强度等级	有序 C30–C50→30…50	边缘显著
法	X8 平均振捣时间	连续，s	显著·保护
	X9 连续工作时长	连续，h	不显著
	X10 分层浇筑厚度	连续，cm	显著·危险
环	X11 环境温度	连续，℃	显著·危险

17.2 第二步：预处理与划分（防泄漏设计）

X4 独热编码 drop_first，留"地泵布料机"为参照（避免哑变量陷阱/完全共线）；
7:3 分层划分，保持 44.8% 发生率；训练侧再经参数化模拟增广到 700（实测 350+增广 350），测试集 150 条全部为纯实测；
Z-score 标准化，均值/标准差只在实测训练集 fit，再套用到测试集（防数据泄漏）；
固定随机种子 42，全流程可复现。

17.3 第三步：双引擎估计

预测引擎：sklearn LogisticRegression(solver='liblinear', penalty='l2', C=1.0)，温和 L2 收缩、保证小样本稳健；推断引擎：statsmodels Logit 经典 MLE（牛顿迭代收敛）输出 $\hat\beta,SE,Z,P,OR$。标准化系数（按 $|\beta|$ 排序，摘）：

因素	β	P	OR=e^β	解读（每+1个标准差，控制其他）
X3 监督年限	−0.623	<0.001	0.54	几率降到0.54倍，保护
X6 入模温度	+0.492	<0.001	1.64	几率升为1.64倍，危险
X8 振捣时间	−0.489	<0.001	0.61	几率降到0.61倍，保护
X2 班组年限	−0.450	<0.001	0.64	保护
X11 环境温度	+0.417	<0.001	1.52	危险
X5 坍落度	−0.408	<0.001	0.67	保护（在合格区间内控制更稳）
X10 分层厚度	+0.207	0.017	1.23	越厚越危险
X7 强度等级	+0.144	0.091	1.15	边缘显著（纯实测 P≈0.050）
X1/X9/X4四哑变量	—	>0.4	—	不显著，为体系完整保留

17.4 第四步：诊断、评价、验证（一张总表）

维度	结果	对应概念 / 说明
共线性 VIF	数值型1.01–1.03；哑变量1.24–1.54	全部<5，无显著共线（第4、9章）
样本量 EPV	224/14=16	>10，事件数支撑充分（第8章）
测试混淆矩阵	TN58 FP25 FN26 TP41	150条纯实测（第10章）
Acc/Prec/Rec/F1	0.660/0.621/0.612/0.617	特异度0.699
AUC（测试/训练）	0.7625 / 0.7755	接近→无明显过拟合，区分度可接受（第11章）
HL 校准	χ²=9.195, df=8, P=0.326	P>0.05，校准良好（第12章）
Brier / 朴素基准	0.1957 / 0.2473	BSS≈0.21，优于恒预测基准21%
5折分层CV	Acc.672±.043；AUC.745±.041；F1.626±.039	标准差小，结果稳定（第13章）
McFadden 伪R² / AIC	0.184 / 819.4	伪R²合理，AIC供精简对照（第14章）

17.5 第五步：纯实测稳健性复核（堵住"增广自证"质疑）

另在 500 条纯实测上独立拟合 statsmodels Logit：7 个核心显著因素（X2,X3,X5,X6,X8,X10,X11）的方向与显著性完全一致（纯实测 P 均<0.01），不显著变量结论也一致；仅 X7 强度等级跨在临界（混合 P=0.091、纯实测 P≈0.050），据实报告为边缘显著。这说明结论不依赖增广数据，增广只起稳定训练作用。

答辩收口话术 "模型在纯实测测试集上 AUC 0.76、HL 校准通过、Brier 优于朴素基准、5 折交叉验证稳定，且纯实测复核方向一致；它不追求百分之百预测，而是在浇筑前给出一个可解释、可审计、经统计验证的风险概率，配合下调阈值、宁不漏报，实现事前预警和人机料法环的精准管控。"

必须主动承认的局限（评委更信任坦诚） ①观察性数据得到的是关联而非因果，因果需机理与受控试验支持；②样本来自特定项目/地区，外部推广需更多项目数据验证；③logit 线性等假定需随数据积累持续检验；④小样本阶段用了参数化增广，已用纯实测测试与纯实测复核隔离其影响，后续将以真实台账逐步替代。

第 18 章　答辩高频问答（评委视角 · 标准答案）

下面按六类整理最可能被追问的问题。答案按"30 秒能说完"的口径写，先给结论、再补依据；带尖锐的是统计学背景评委容易深挖的，务必能脱口而出。

A. 基础概念

Q1 什么是 Logistic 回归？它和线性回归什么关系？
它是处理"二分类因变量"的广义线性模型：对"发生概率的对数几率"做线性建模 $\ln\frac{p}{1-p}=\mathbf X\boldsymbol\beta$，再经 Sigmoid 映回概率。它继承了线性回归"线性可加、系数可解释"的优点，又解决了线性概率模型概率越界、必然异方差、边际效应恒定三个问题。

Q2 为什么用 logit 这个变换？
一是把取值(0,1)的概率映到全实数，线性组合才合法且永不越界；二是它是伯努利分布的典范链接，MLE 性质好、信息阵简洁；三是反函数 S 形符合概率"中间敏感、两端饱和"的规律；四是系数可直接转优势比、可解释。

Q3 概率、几率、优势比三者区别？
概率 $p\in[0,1]$；几率 $p/(1-p)\in(0,\infty)$，是发生与不发生之比；优势比 OR 是两个几率之比 $=e^\beta$。OR 说的是"几率变成几倍"，不是"概率变成几倍"。

B. 估计与检验

Q4 为什么用极大似然而非最小二乘？
模型对参数非线性、因变量0/1、误差非正态且必然异方差，OLS 的闭式解和 BLUE 前提不成立。MLE 直接最大化"观测到这批0/1结果的概率"，在大样本下一致、渐近有效、渐近正态，能给出系数标准误做检验。

Q5 MLE 有解析解吗？怎么求？
没有。令得分方程 $\mathbf X^{\mathsf T}(\mathbf y-\mathbf p)=0$，但 $\mathbf p$ 含 Sigmoid、是非线性方程组，要用牛顿–拉夫逊/IRLS 迭代；Hessian 为 $-\mathbf X^{\mathsf T}\mathbf W\mathbf X$ 负定，对数似然是凹函数，解唯一、必收敛到全局最优（无完全分离时）。

尖锐Q6 Wald、似然比、得分检验怎么选？
Wald 只拟合完整模型、出系数P值最快；似然比要拟合约束和完整两个模型、最稳健，适合整体检验和小样本；得分检验只在原假设处算、用于筛变量。大样本三者渐近等价；接近完全分离或样本偏小时以似然比为准。

Q7 P 值怎么理解？P>0.05 能说该因素没作用吗？
P 值是"假设该因素无影响时，出现当前乃至更极端数据的概率"。P>0.05 只能说"现有证据不足以证明有影响"，不能说"证明无作用"，可能是样本不足或效应弱；所以不显著变量我表述为"未达显著水平"，并结合机理决定是否保留。

尖锐Q8 你加了 L2 正则，系数是有偏的，凭什么还报 P 值？
所以我用双引擎：sklearn(liblinear+L2,C=1.0)只负责稳健预测；显著性、OR、置信区间由 statsmodels 的无正则经典 MLE 单独输出，推断口径不混淆。C=1/λ，C 越小收缩越强，我取温和的 1.0。

Q9 什么是完全分离？遇到怎么办？
某变量能把0和1完全分开时似然无有限最大、系数发散不收敛。可合并稀疏类别、连续变量分箱、增加样本或加 L2 正则（正则天然缓解）。我数据分布均衡且加了L2，未出现分离。

C. 数据、变量与样本

尖锐Q10 变量是不是越多越好？
不是。变量多会：摊薄每变量事件数(EPV)、标准误膨胀；拟合噪声导致过拟合；抬高VIF加剧共线；违背简约原则、降低可解释性。我按机理先验选变量、VIF和EPV把关、显著性再复核，EPV=224/14=16 达标。

Q11 哑变量为什么要丢一类？参照组怎么选？
m类放m个哑变量再加截距会完全共线（哑变量陷阱），必须留m−1个、省略的即参照组。参照组选样本量足、工程上最常用/最有基准意义的一类，我选"地泵布料机"，各哑变量系数是相对它的差异。

Q12 VIF 是什么、判据、你的数值？
VIF=1/(1−Rj²)衡量该变量被其余变量线性解释的程度，经验上<5可接受、5–10中度、>10严重。我数值型1.01–1.03、哑变量1.24–1.54，远低于5，无共线问题。

尖锐Q13 只有500条为什么还要"造数据"？是不是循环论证？
我用的是参数化模拟增广，分布参数全部由现场实测估计，且设了三条边界：分布来自实测、增广只进训练集、测试集150条全为纯实测、显著性另用纯实测500条复核。增广只稳定训练，绝不用自己生成的数据考自己，测试和推断都在纯实测上，因此不存在循环论证。

Q14 标准化为什么只在训练集上算均值标准差？
否则测试集信息泄漏进训练、评估虚高。正确做法是缩放器只在训练集fit、再transform测试集；交叉验证时每折也要在折内fit。

Q15 为什么要分层划分？
保证训练、测试集里出事比例都等于总体44.8%，避免随机划分使某一折正负例失衡、评估失真。

D. 评价指标

Q16 AUC 到底什么含义？0.76 算高吗？
AUC=随机抽一个出事样本和一个未出事样本、模型给前者打更高风险分的概率，衡量排序区分能力、与阈值无关。0.5是瞎猜。0.76对多因素含噪声的现场问题属可接受偏良好；训练0.7755与之接近说明没过拟合，我不夸大为"很准"。

Q17 召回率为什么只有0.61、不高？
阈值0.5下真出事67批预警41批。现场应用时漏报代价远高于误报，我会下调阈值提高召回、宁可多查不可漏，阈值由误报/漏报成本比决定，不固定0.5；这是部署策略而非模型缺陷。

尖锐Q18 HL 检验的 P 值为什么"大了反而好"？
它的原假设是"模型校准良好"，P>0.05表示没有证据说校准失拟，方向和一般显著性检验相反；自由度是组数−2=8。我P=0.326校准良好。HL样本大时过敏，所以还结合Brier与校准曲线。

Q19 Brier 为什么要和"朴素基准"比？
Brier是预测概率对0/1的均方误差，单看数值缺基准。恒预测总体发生率的朴素基准=p̄(1−p̄)=0.2473，我模型0.1957，技巧分约0.21，即比"只凭总体比例拍脑袋"降低21%误差，证明有真实增量。

Q20 区分度和校准度区别？
区分度(AUC/召回)管"谁相对更危险"的排序；校准度(HL/Brier/校准曲线)管"说70%是否真约70%出事"的数值准确性。AUC高不代表概率数值准，两者都要评。

Q21 交叉验证怎么做，标准差说明什么？
分层5折，每折轮流当验证集训5次，报告均值±标准差。均值是平均性能，标准差小说明结果不依赖某次幸运划分、稳定可复现，我三个指标标准差都在0.04左右。

Q22 McFadden 伪R²只有0.18，是不是拟合很差？
伪R²和线性R²定义不同、天然偏低，不能用"越接近1越好"类比；McFadden在0.2–0.4已属不错。模型好坏要综合AUC、校准、CV稳定性，不能只看伪R²。

Q23 为什么不能只看准确率？
类别不平衡时全猜多数类也有高准确率却毫无预警力（准确率悖论）。我正负约45:55较均衡，但仍以AUC、召回、F1为主，准确率只作参考。

E. 方法选择与工程落地

尖锐Q24 深度学习/AI 这么强，为什么用 Logistic 这个"简单"模型？
核电质量管控要满足"四个凡事"，要求可解释、可验证、可追溯、可问责。深度模型是黑箱、小样本易过拟合；Logistic 每个系数/OR都对应具体人机料法环因素、可逐步复算留痕，更适合作事前预警依据。我不排斥AI，已把随机森林/XGBoost列为后续对照模型，但主模型坚持白箱。

尖锐Q25 Logistic 能证明因果关系吗？
不能直接证明。观察性数据在控制了已纳入变量后给出的是"条件关联/净相关"，仍可能有未观测混杂；因果需要机理支撑和受控试验。我在结论里明确写了"相关≠因果"，显著因素都有施工机理对应，并把因果验证列为后续工作——主动说明局限反而更严谨。

Q26 现场到底怎么用这套模型？
浇筑前把该批次人机料法环11项录入自研软件，模型实时输出问题概率，超过阈值即预警并定位是哪些因素推高风险（系数/OR可解释），现场针对性整改，形成"采集—预测—分析—防控—固化"闭环；数据积累后批量重训更新、版本留痕，本地部署不联网。

F. 综合与质疑应对

尖锐Q27 怎么证明结论不是增广数据"喂"出来的？
三重隔离：测试集150条纯实测；另做500条纯实测独立拟合，7个核心因素方向、显著性与混合模型完全一致(P均<0.01)；仅强度等级跨临界并如实标注边缘显著。结论在纯实测上同样成立。

尖锐Q28 强度等级 X7 一会 P=0.09 一会 P=0.05，到底显不显著？
它正处在0.05临界附近：混合训练集P=0.091、纯实测P≈0.050。我不做非黑即白的裁剪，统一表述为"边缘显著"，方向为正、OR=1.23，提示等级越高（配合更严工艺要求）管控不当风险略升，需更多数据进一步确认。

Q29 样本只来自你的项目，能推广吗？
这是外部效度局限，我在论文中明确说明：模型框架、变量体系和流程可直接迁移，但具体系数需用新项目数据重新标定/再训练；软件支持批量重训，正是为滚动推广设计。

Q30 如果某系数方向和经验相反怎么办？
先查是否共线(VIF)、混杂、样本选择或测量问题，再看是否为"控制其他变量后的净效应"（净效应方向可与单变量不同）；若统计与机理都无法解释，宁可保留疑问、不强行解释。我的显著因素方向均与施工机理一致（年限、振捣为保护，入模/环境高温、过厚分层为危险）。

Q31 AUC 才 0.76，凭什么说有工程价值？
工程价值不只看单一精度：它在纯实测上校准通过、Brier优于朴素基准21%、交叉验证稳定、纯实测复核一致，且能把"模糊经验"变成"可量化概率+可定位因素+可留痕"的事前预警。现场不需要一个黑箱给满分，需要一个可信、可解释、能持续迭代的决策辅助。

Q32 用一句话概括你的创新点？
把 Logistic 白箱模型与人机料法环体系、参数化增广的防循环论证设计、自研可审计软件和核电"四个凡事"结合，形成一套小样本可建、概率可解释、过程可追溯的混凝土质量事前风险预警闭环。

综合习题与详解（跨章节自测）

建议合上书先独立完成，再展开对照。每题都对应明确知识点，做错的回到对应章节重看。

A 组 · 概念判断（判断对错并说明理由）

A1　Logistic 回归的因变量可以是连续变量。解答

错。Logistic 用于分类（典型为二分类 0/1，因变量服从伯努利）；连续因变量用线性回归。多项分类用多项 Logistic，有序分类用有序 Logistic，都是其扩展。

A2　OR=2 表示发生概率变为原来的 2 倍。解答

错。是"几率(odds)"变为 2 倍；概率的实际变化取决于基线，且一定小于"直接翻倍"，需代回 Sigmoid 计算。

A3　Logistic 回归也要求残差服从正态分布。解答

错。它不要求误差正态、不要求同方差；靠 MLE 的大样本渐近正态做检验。它要求观测独立、logit 与连续 X 线性、无完全共线、样本量足够。

A4　Hosmer–Lemeshow 检验 P=0.01 说明模型校准很好。解答

错。HL 的 H0 是"校准良好"，P=0.01<0.05 拒绝 H0，反而说明校准较差；P 大（>0.05）才是校准可接受。

A5　增加自变量一定会让 R² 上升，所以变量越多模型越好。解答

前半句对（普通 R² 不会因加变量而下降），结论错。无关变量稀释 EPV、引发过拟合与共线、降低可解释性；要看调整 R²/AIC、交叉验证与机理，而非堆变量。

A6　AUC 与分类阈值的选取无关。解答

对。ROC/AUC 扫描了所有阈值，衡量整体排序能力，不依赖单一阈值；但它不反映概率校准。

A7　标准化时应在划分前对全部数据一起算均值和标准差。解答

错。这是数据泄漏。缩放参数只能在训练集上估计，再套用到验证/测试集。

A8　Wald 统计量 Z 的平方服从自由度 1 的卡方分布。解答

对（在 H0 下、大样本渐近）。$Z^2\sim\chi^2(1)$，这也是单系数 Wald 卡方检验的来源。

B 组 · 公式推导

B1　证明 Sigmoid 的导数 σ′(z)=σ(z)[1−σ(z)]。解答

$\sigma(z)=\dfrac1{1+e^{-z}}$。$\sigma'(z)=\dfrac{e^{-z}}{(1+e^{-z})^2}=\dfrac1{1+e^{-z}}\cdot\dfrac{e^{-z}}{1+e^{-z}}=\sigma(z)\big(1-\sigma(z)\big)$（因 $1-\sigma=\dfrac{e^{-z}}{1+e^{-z}}$）。

B2　由 logit 线性式推导"X 每增 1，OR=e^β"。解答

$\ln\dfrac{p(x+1)}{1-p(x+1)}-\ln\dfrac{p(x)}{1-p(x)}=\beta$，取指数得 $\dfrac{p(x+1)/(1-p(x+1))}{p(x)/(1-p(x))}=e^\beta$，左边即优势比 OR，故 $OR=e^\beta$。

B3　写出对数似然并推导得分方程 ∂ℓ/∂β=Xᵀ(y−p)。解答

$\ell=\sum_i[y_i\eta_i-\ln(1+e^{\eta_i})]$，$\eta_i=\mathbf x_i^{\mathsf T}\boldsymbol\beta$。对 $\boldsymbol\beta$：$\partial\eta_i/\partial\boldsymbol\beta=\mathbf x_i$，且 $\partial[-\ln(1+e^{\eta_i})]/\partial\eta_i=-p_i$（因 $\partial\ln(1+e^\eta)/\partial\eta=\sigma(\eta)=p_i$）。故 $\partial\ell/\partial\boldsymbol\beta=\sum_i\mathbf x_i(y_i-p_i)=\mathbf X^{\mathsf T}(\mathbf y-\mathbf p)$。令其为 0 即得分方程。

C 组 · 动手计算

C1　一元 OLS：点 (0,1)(1,3)(2,2)(3,5)，求回归直线。解答

$\bar x=1.5,\bar y=2.75$，$S_{xx}=5$，$S_{xy}=5.5$，$\hat\beta_1=1.1$，$\hat\beta_0=2.75-1.1\times1.5=1.1$，故 $\hat y=1.1+1.1x$。

C2　OR 与概率：β=−0.5，基线概率 0.6，X 增 1 后概率是多少？解答

$OR=e^{-0.5}=0.607$；基线 odds=0.6/0.4=1.5，新 odds=1.5×0.607=0.910，新概率 $=0.910/(1+0.910)=0.476$。

C3　混淆矩阵 TP=20,FN=5,FP=10,TN=65，求 Acc/Prec/Rec/Spec/F1。解答

N=100。Acc=85/100=.85；Prec=20/30=.667；Rec=20/25=.80；Spec=65/75=.867；F1=2×.667×.80/(.667+.80)=.727。

C4　AUC：3 个正例得分 0.9/0.6/0.3，2 个负例 0.7/0.4，用"正负配对胜率"求 AUC（无并列）。解答

共 3×2=6 对。0.9 胜 0.7、0.4（2 胜）；0.6 胜 0.4、负于 0.7（1 胜）；0.3 全负。胜 3 对，AUC=3/6=0.50。

C5　Brier：四样本预测概率 (.9,.1,.8,.2)、真实 (1,0,1,0)，求 BS；若总体率 0.5，朴素基准与技巧分？解答

平方误差 .01+.01+.04+.04=.10，BS=.10/4=.025；基准=.5×.5=.25；BSS=1−.025/.25=.90，预测很好。

C6　对数似然：两样本 (x,y)=(0,1),(1,0)，当前 β0=β1=0（所有 p=0.5），求 ℓ。解答

每个样本贡献 $\ln0.5$，$\ell=2\ln0.5=-1.386$。迭代优化就是不断调整 β 让 ℓ 增大（趋近 0）。

C7　VIF 与 EPV：某变量 Rj²=0.75 求 VIF；正例 40、待估参数 8 个，EPV 是否达标？解答

VIF=1/(1−.75)=4（<5，尚可但已需关注）；EPV=40/8=5<10，不达标，应增加正例或减少变量。

D 组 · 辨析与简答

D1　为什么说 Logistic 得到的是"关联"而不是"因果"？怎样才更接近因果？解答

观察性数据可能存在未观测混杂、反向因果、选择偏误，控制已纳入变量后得到的是条件关联；系数也可理解为偏相关。要支持因果需：机理依据、随机对照/自然实验、时间先后、剂量反应关系、稳健性检验等。论文已明确此局限。

D2　LPM、Logit、Probit 的联系与区别？解答

都是对二分类因变量建模。LPM 直接线性建模概率，简单但会越界、异方差、边际效应恒定；Logit 用 logit 链接（逻辑分布）、Probit 用正态分位数链接，二者都把线性预测压进(0,1)、结果通常很接近，Logit 因可直接得 OR、求解简洁而最常用。

D3　为什么增广/模拟样本绝不能进入测试集？解答

模拟样本由模型自身生成，用它测试等于"自己出题自己考"，指标虚高、构成循环论证，无法证明对真实新数据的泛化能力。因此测试集与显著性复核必须用纯实测，增广只用于扩充训练、稳定优化。

D4　完整说出"下调阈值"引发的连锁变化。解答

阈值↓→判为"有风险"的样本增多→TP↑、FP↑、FN↓→召回率(灵敏度)↑、漏报↓，但精确率↓、现场核查量↑；特异度↓。ROC 上相当于沿曲线向左上移动到 TPR 更高的点。核电质量场景漏报代价高，故倾向较低阈值。

附录 A　符号表（每个符号的明确意义）

符号	读法/名称	意义
$n$	样本量	观测记录条数
$k$（或 $p$）	自变量个数	不含截距；独热后按哑变量计
$Y,\ y_i$	因变量/其第 i 个观测	$Y\in\{0,1\}$，1=发生质量问题
$\mathbf X,\ \mathbf x_i$	设计矩阵/第 i 行特征	首列全 1 对应截距
$\boldsymbol\beta,\ \hat\beta_j$	回归系数（向量）/估计值	对数几率尺度上的净效应
$\eta=\mathbf X\boldsymbol\beta$	线性预测（linear predictor）	无界实数，logit(p)
$p_i$	预测概率	$P(Y=1\mid\mathbf x_i)=\sigma(\eta_i)$
$\sigma(\cdot)$	Sigmoid/logistic 函数	$\sigma(z)=1/(1+e^{-z})$
odds	几率/胜算	$p/(1-p)\in(0,\infty)$
logit	对数几率（链接函数）	$\ln[p/(1-p)]$
$OR_j$	优势比	$e^{\beta_j}$，几率之比
$L,\ \ell$	似然/对数似然	参数下观测数据出现的概率（对数）
$\mathbf W$	权重对角阵	$\mathrm{diag}(p_i(1-p_i))$
$\mathbf H$	Hessian 矩阵	$-\mathbf X^{\mathsf T}\mathbf W\mathbf X$，负定
SE	标准误	估计量抽样分布的标准差
$Z,\ t,\ \chi^2,\ F$	检验统计量	正态/t/卡方/F 分布
$\alpha$	显著性水平/第一类错误率	常用 0.05
$\beta_{II}$、功效	第二类错误率、检验功效	功效 $=1-\beta_{II}$
CI	置信区间	如 $\hat\beta\pm1.96\,SE$
TP/FP/FN/TN	真正/假正/假负/真负	混淆矩阵四格
TPR/FPR	真/假正例率	TPR=召回=灵敏度；FPR=1−特异度
Acc/Prec/Rec/Spec/F1	准确率/精确率/召回/特异度/F1	分类指标，定义见第10章
AUC	ROC 曲线下面积	=正例得分高于负例的概率
$D$（deviance）	偏差	$-2\ell$，GLM 的残差平方和对应物
VIF	方差膨胀因子	$1/(1-R_j^2)$，度量共线性
EPV	每变量事件数	少数类事件数/参数数，建议≥10
BS	Brier 分数	概率均方误差，越小越好
AIC/BIC	信息准则	$-2\ell+2k$ / $-2\ell+k\ln n$，越小越好
$\lambda,\ C$	正则强度/其倒数	$C=1/\lambda$，C 越大正则越弱

附录 B　核心公式速查

主题	公式	备注
一元 OLS	$\hat\beta_1=S_{xy}/S_{xx},\ \hat\beta_0=\bar y-\hat\beta_1\bar x$	最小化残差平方和
多元 OLS	$\hat{\boldsymbol\beta}=(\mathbf X^{\mathsf T}\mathbf X)^{-1}\mathbf X^{\mathsf T}\mathbf y$	需 X 列无完全共线
调整 R²	$1-(1-R^2)(n-1)/(n-k-1)$	惩罚变量数
Logistic	$p=1/[1+e^{-(\beta_0+\boldsymbol\beta^{\mathsf T}\mathbf x)}]$	Sigmoid
对数似然	$\ell=\sum[y_i\eta_i-\ln(1+e^{\eta_i})]$	二元交叉熵取负
得分/Hessian	$\mathbf g=\mathbf X^{\mathsf T}(\mathbf y-\mathbf p),\ \mathbf H=-\mathbf X^{\mathsf T}\mathbf W\mathbf X$	牛顿/IRLS
系数协方差	$(\mathbf X^{\mathsf T}\mathbf W\mathbf X)^{-1}$	对角开方=SE
Wald	$Z=\hat\beta/SE,\ Z^2\sim\chi^2(1)$	单系数
似然比	$G=D_{reduced}-D_{full}\sim\chi^2(q)$	嵌套模型
OR 及其 CI	$OR=e^\beta;\ CI=e^{\hat\beta\pm1.96SE}$	CI 跨 1 不显著
VIF / EPV	$1/(1-R_j^2)$；事件数/参数数	<5；≥10
分类指标	见第10章式	Acc/Prec/Rec/Spec/F1
HL 统计量	$\sum_g(O_g-E_g)^2/[n_g\bar p_g(1-\bar p_g)]$	df=G−2
Brier	$\frac1n\sum(\hat p_i-y_i)^2$；基准 $\bar p(1-\bar p)$	越小越好
McFadden R²	$1-\ell/\ell_0=1-D/D_0$	伪 R²
AIC/BIC	$-2\ell+2k$；$-2\ell+k\ln n$	越小越好
Z-score	$(x-\mu)/s$	只在训练集 fit

附录 C　中英术语对照

中文	英文	中文	英文
线性回归	Linear Regression	广义线性模型	Generalized Linear Model (GLM)
普通最小二乘	OLS	极大似然估计	Maximum Likelihood Estimation
对数几率	logit / log-odds	几率/胜算	odds
优势比/比值比	Odds Ratio (OR)	相对风险	Relative Risk (RR)
线性概率模型	Linear Probability Model	迭代再加权最小二乘	IRLS
哑变量/独热	dummy / one-hot	参照组	reference category
多重共线性	multicollinearity	方差膨胀因子	VIF
混淆矩阵	confusion matrix	受试者工作特征	ROC
精确率/召回率	precision / recall	灵敏度/特异度	sensitivity / specificity
校准	calibration	区分度	discrimination
交叉验证	cross-validation	自助法	bootstrap
数据泄漏	data leakage	过拟合/欠拟合	over/under-fitting
偏差/方差	bias / variance	正则化	regularization (L1/L2)
偏差(拟合优度)	deviance	信息准则	AIC / BIC
完全分离	complete separation	可解释性/白箱	interpretability / white-box

附录 D　推荐教材与经典文献（均为权威标准来源）

经典教材（系统学习）

Hosmer D.W. Jr, Lemeshow S., Sturdivant R.X. Applied Logistic Regression (3rd ed.). Wiley, 2013. ——Logistic 回归最权威专著，本知识库估计、检验、诊断、HL 部分主要对标本书。
Agresti A. Categorical Data Analysis (3rd ed.). Wiley, 2013. ——分类数据分析百科全书。
McCullagh P., Nelder J.A. Generalized Linear Models (2nd ed.). Chapman & Hall/CRC, 1989. ——GLM 框架奠基之作。
James G., Witten D., Hastie T., Tibshirani R. An Introduction to Statistical Learning (2nd ed.). Springer, 2021.（官方有免费 PDF）——交叉验证、重抽样、正则化入门最佳。
Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning (2nd ed.). Springer, 2009.（免费 PDF）——进阶理论。
Wooldridge J.M. Introductory Econometrics: A Modern Approach. ——从计量经济学视角讲 LPM、Logit、Probit 与内生性。
何晓群《多元统计分析》，中国人民大学出版社；盛骤等《概率论与数理统计》（浙江大学第四版），高等教育出版社；陈强《计量经济学及 Stata 应用》，高等教育出版社。——中文对照与概率基础。

关键方法的原始文献（答辩可引用）

Peduzzi P., Concato J., Kemper E., Holford T.R., Feinstein A.R. A simulation study of the number of events per variable in logistic regression analysis. J Clin Epidemiol. 1996, 49(12):1373–1379. DOI: 10.1016/S0895-4356(96)00236-3（EPV≥10 准则来源）。
Hosmer D.W. Jr, Lemeshow S. Goodness of fit tests for the multiple logistic regression model. Communications in Statistics–Theory and Methods. 1980, 9(10):1043–1069（HL 检验来源）。
Brier G.W. Verification of forecasts expressed in terms of probability. Monthly Weather Review. 1950, 78(1):1–3（Brier 分数来源）。

结语统计方法的底气来自"知其然更知其所以然"。把线性回归→GLM→Logistic→MLE→检验→评价→验证这条主线讲通，再结合你自己论文的真实数字反复演练，面对统计学背景的评委也能从容应对。祝答辩顺利。