- 引言
- 目标：使用逻辑回归检验并量化“是否续费”（二分类因变量）与以下自变量的关系：使用时长_周、近30天活跃天数、邮件打开率、客服互动次数、折扣使用_二值、历史支付金额_元。
- 重要性：回归分析能估计各自变量对续费概率的独立影响（用优势比OR表示），并衡量模型整体拟合与预测能力（用伪R方、AUC、校准度等），为产品运营、客户成功与营销优化提供依据。
- 特别说明：因变量为二分类，采用逻辑回归；显著性水平设为0.005（更严格，控制第一类错误）。
- 数据准备
- 明确变量与量纲
- 因变量：是否续费（0=未续费，1=已续费）。
- 使用时长_周（连续，非负）、近30天活跃天数（0-30，整数）、邮件打开率（0-1 或 0-100%，需统一到0-1）、客服互动次数（非负整数）、折扣使用_二值（0/1）、历史支付金额_元（正，可能长尾）。
- 数据清洗
- 缺失值：记录缺失比例。若<5%，可用合理方式填补（如中位数/众数）；若>5%，优先调查缺失机制或用多重插补。因变量缺失需剔除。
- 取值合法性：确保比例变量在[0,1]；活跃天数在[0,30]；金额和时长非负。
- 异常值与分布
- 连续变量绘制直方图/箱线图，检测极端值。可考虑对历史支付金额_元、客服互动次数做对数变换或温莎化（如1%/99%截尾）。
- 正态性：逻辑回归不要求正态，但正态或近似对称有助于稳定估计；关注长尾并适当变换。
- 多重共线性
- 计算VIF（方差膨胀因子），VIF>5提示共线性问题（如使用时长与活跃天数可能相关）。必要时做变量选择或合成指标。
- 线性性（logit线性假设）
- 对连续自变量（时长、活跃天数、打开率、互动次数、历史支付金额）用 Box-Tidwell 检验或分箱检验，确认其与logit是近似线性关系。若不线性，可做变换或引入分段/样条项。
- 事件量与不平衡
- 计算续费率与事件数（续费=1的样本数）。经验上每个参数至少需10个事件（EPV≥10）。若续费极度不平衡，考虑类权重、阈值优化或校准。
- 标准化
- 为便于系数比较，可对连续变量做标准化（Z-score）；但保留一版“原量纲”的模型便于业务解释（每单位变化的OR）。
- 回归分析
- 简单回归（单变量）
- 分别对每个自变量拟合单变量逻辑回归，记录系数、OR、p值、95%置信区间、伪R方。用于初步筛选与方向判断。
- 多元回归（主模型）
- 将所有自变量纳入同一模型，评估在互相控制后各变量的独立效应。
- 检查交互项（可选）：例如折扣使用_二值×邮件打开率，探查折扣效果是否随邮件触达而异（先从主效应开始，交互项基于业务假设再测试）。
- 模型评估与选择
- 比较模型的McFadden伪R方、AIC、BIC；采用逐步或正则化（L1/L2）作为稳健性补充（避免过拟合）。
- 使用5折分层交叉验证评估AUC、对数损失、Brier分数与校准。
- 假设检验与诊断
- 显著性按α=0.005。对多重检验（单变量+多元）可采用FDR（Benjamini-Hochberg）控制。
- 检测完美分离、影响点（Cook距离）、残差诊断（deviance residuals），必要时做稳健估计或变量调整。
- 结果
- 散点图
- 因变量为二分类，建议：
- 每个连续自变量对续费的“概率散点/拟合曲线”：x为自变量，y为是否续费的抖动点（0/1），叠加逻辑回归拟合曲线与置信带。
- 折扣使用_二值：绘制分组柱状图或点图显示各组的续费率，并叠加置信区间。
- 示例（Python，需将邮件打开率统一到0-1）：
- 使用时长_周 vs 是否续费：seaborn.regplot(x='使用时长_周', y='是否续费', data=df, logistic=True, y_jitter=0.03)
- 类似方式对其他连续变量绘图；折扣使用_二值用 barplot 显示续费率。
- 相关系数
- 因变量与连续自变量：点二列相关（与将DV编码为0/1的Pearson等价）。
- 因变量与折扣使用_二值：phi系数（亦等价于0/1 Pearson）。
- 自变量之间：Pearson或Spearman（计数类可用Spearman）。
- 解释注意：相关不等于因果，多元模型中的系数更能反映净效应。
- 回归方程
- 逻辑回归的对数几率形式：
logit(P(续费=1)) = β0 + β1·使用时长_周 + β2·近30天活跃天数 + β3·邮件打开率 + β4·客服互动次数 + β5·折扣使用_二值 + β6·历史支付金额_元
- 概率形式：
P(续费=1) = 1 / (1 + exp(-(β0 + ΣβiXi)))
- 优势比（OR）：exp(βi)，表示自变量每增加1个单位，续费的优势乘以OR倍（其他变量不变）。
- R方值
- 报告McFadden伪R方（越接近1越好，通常0.2-0.4已属不错），可补充Tjur R2与Nagelkerke R2。
- p值及其他显著性度量
- 报告每个β的p值（α=0.005）、95%置信区间、Wald统计或似然比检验。
- 模型整体：似然比检验（相对空模型），AIC/BIC。
- 预测能力：AUC、对数损失、Brier分数、校准曲线、Hosmer–Lemeshow检验（谨慎使用，配合校准图更稳妥）。
示例代码（Python，pandas+statsmodels+sklearn）
注意：以下为通用模板，请替换为实际数据集变量名。运行后填充数值到报告。
1) 加载与基本处理
import pandas as pd
import numpy as np
from scipy import stats
import seaborn as sns
import matplotlib.pyplot as plt
df = pd.read_csv('data.csv')
统一因变量编码：0/1
df['是否续费'] = df['是否续费'].astype(int)
邮件打开率到0-1
if df['邮件打开率'].max() > 1.0:
df['邮件打开率'] = df['邮件打开率'] / 100.0
2) 缺失值处理（示例：简单填补）
for col in ['使用时长_周','近30天活跃天数','邮件打开率','客服互动次数','历史支付金额_元']:
df[col] = df[col].fillna(df[col].median())
df['折扣使用_二值'] = df['折扣使用_二值'].fillna(df['折扣使用_二值'].mode()[0])
3) 异常值可选处理：温莎化（1%/99%）
def winsorize_series(s):
lower = s.quantile(0.01)
upper = s.quantile(0.99)
return s.clip(lower, upper)
for col in ['使用时长_周','客服互动次数','历史支付金额_元']:
df[col] = winsorize_series(df[col])
4) 点二列相关（DV与各自变量）
from scipy.stats import pointbiserialr
corrs = {}
for col in ['使用时长_周','近30天活跃天数','邮件打开率','客服互动次数','历史支付金额_元','折扣使用_二值']:
r, p = stats.pearsonr(df[col], df['是否续费']) # 对0/1 DV等价于点二列/phi
corrs[col] = {'r': r, 'p': p}
5) VIF（共线性）
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor
X = df[['使用时长_周','近30天活跃天数','邮件打开率','客服互动次数','折扣使用_二值','历史支付金额_元']].copy()
X = sm.add_constant(X)
vif = pd.DataFrame({
'feature': X.columns,
'VIF': [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
})
6) Box-Tidwell（线性性检验，对连续变量）
简化实现：对每个连续变量加入 Xi*log(Xi) 项，检验系数是否显著
def box_tidwell(df, cont_cols):
results = {}
for col in cont_cols:
z = df.copy()
z = z[z[col] > 0] # 需>0
z[col+'_log'] = np.log(z[col])
z[col+'_bt'] = z[col] * z[col+'_log']
cols = ['使用时长_周','近30天活跃天数','邮件打开率','客服互动次数','历史支付金额_元','折扣使用_二值']
cols_bt = [c for c in cols if c != col] + [col, col+'_bt']
X_bt = sm.add_constant(z[cols_bt])
y = z['是否续费']
model = sm.Logit(y, X_bt).fit(disp=False)
p_bt = model.pvalues[col+'_bt']
results[col] = p_bt
return results
bt_p = box_tidwell(df, ['使用时长_周','近30天活跃天数','邮件打开率','客服互动次数','历史支付金额_元'])
7) 单变量逻辑回归
uni = {}
for col in ['使用时长_周','近30天活跃天数','邮件打开率','客服互动次数','折扣使用_二值','历史支付金额_元']:
X1 = sm.add_constant(df[[col]])
y = df['是否续费']
m = sm.Logit(y, X1).fit(disp=False)
params = m.params
conf = m.conf_int()
OR = np.exp(params)
OR_CI = np.exp(conf)
uni[col] = {
'beta': params[col],
'OR': OR[col],
'OR_CI_low': OR_CI.loc[col,0],
'OR_CI_high': OR_CI.loc[col,1],
'p': m.pvalues[col],
'AIC': m.aic
}
8) 多元逻辑回归（主模型）
X_full = sm.add_constant(df[['使用时长_周','近30天活跃天数','邮件打开率','客服互动次数','折扣使用_二值','历史支付金额_元']])
y = df['是否续费']
full_model = sm.Logit(y, X_full).fit()
print(full_model.summary())
伪R方（McFadden）
ll_full = full_model.llf
ll_null = full_model.llnull
mcfadden_r2 = 1 - (ll_full/ll_null)
优势比与置信区间
params = full_model.params
conf = full_model.conf_int()
OR = np.exp(params)
OR_CI = np.exp(conf)
9) 预测能力评估（5折CV AUC、校准）
from sklearn.model_selection import StratifiedKFold
from sklearn.metrics import roc_auc_score, brier_score_loss, roc_curve
from sklearn.linear_model import LogisticRegression
X_skl = df[['使用时长_周','近30天活跃天数','邮件打开率','客服互动次数','折扣使用_二值','历史支付金额_元']].values
y_skl = df['是否续费'].values
cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
aucs, briers = [], []
for tr, te in cv.split(X_skl, y_skl):
lr = LogisticRegression(max_iter=200, solver='lbfgs')
lr.fit(X_skl[tr], y_skl[tr])
proba = lr.predict_proba(X_skl[te])[:,1]
aucs.append(roc_auc_score(y_skl[te], proba))
briers.append(brier_score_loss(y_skl[te], proba))
cv_auc = np.mean(aucs)
cv_brier = np.mean(briers)
10) 可视化示例
sns.regplot(x='使用时长_周', y='是否续费', data=df, logistic=True, y_jitter=0.03)
plt.title('使用时长_周 vs 续费概率（逻辑拟合）')
plt.show()
sns.barplot(x='折扣使用_二值', y='是否续费', data=df, estimator=np.mean, ci=95)
plt.title('折扣使用与续费率')
plt.show()
ROC（使用全样本作为演示）
proba_full = full_model.predict(X_full)
fpr, tpr, thr = roc_curve(y, proba_full)
plt.plot(fpr, tpr); plt.plot([0,1],[0,1],'--'); plt.title('ROC'); plt.xlabel('FPR'); plt.ylabel('TPR'); plt.show()
11) 阈值与混淆矩阵（示例：Youden J最大）
youden_idx = np.argmax(tpr - fpr)
best_thr = thr[youden_idx]
from sklearn.metrics import confusion_matrix, precision_recall_fscore_support
y_pred = (proba_full >= best_thr).astype(int)
cm = confusion_matrix(y, y_pred)
prec, recall, f1, _ = precision_recall_fscore_support(y, y_pred, average='binary')
- 解读
- 方向与效应大小
- 使用时长_周、近30天活跃天数、邮件打开率通常预期为正向（β>0，OR>1），表示活跃与触达提升续费概率。
- 客服互动次数可能呈非线性或倒U（问题多的用户互动多但不一定续费），若线性性检验不通过，可分箱或加样条。
- 折扣使用_二值的方向取决于促销策略与选择偏差：可能正向（提高转化）或负向（仅在临界续费用户中使用，体现风险）。谨慎解读并考虑交互项或倾向评分敏感性分析。
- 历史支付金额_元通常为正向，表明价值更高用户续费倾向强；长尾需对数变换或温莎化减少影响点。
- 显著性与统计强度
- 按α=0.005判断显著。若某变量在单变量显著但在多元中不显著，可能因与其他变量相关（被“解释掉”）。
- 报告OR及其95%置信区间：例如OR=1.20表示自变量每增加1单位，续费优势提升20%。
- 模型拟合与预测
- 伪R方（如McFadden）为拟合优度指标；AUC衡量排序能力；Brier分数与校准图反映概率质量。
- 如AUC在0.70-0.85属不错；>0.85很强。如校准欠佳，考虑Platt缩放或等值回归校准。
- 业务意义
- 若活跃与打开率显著且效应大，可优先投资在激活与邮件触达策略上。
- 折扣的真实贡献需结合因果设计（A/B或倾向评分匹配）验证，避免将相关当因果。
- 客服互动的负向或非线性提示改进支持流程或定位风险用户的机会。
- 假设与局限
- 逻辑回归假设logit线性、独立观测、无严重共线性与完美分离。若不满足，需调整模型或变量。
- 相关性不等于因果；若需因果推断，考虑实验或准实验方法。
- 数据时间窗与定义可能影响结果（如近30天活跃天数的窗长）。
- 结论
- 关键发现（待您运行上述代码后填充具体数值）
- 样本量1200下，主模型的McFadden伪R方约为[填值]，AUC约为[填值]，校准良好/一般。
- 显著性水平0.005下，显著的自变量包括：[填变量]，其OR分别为：[填OR]。
- 某些变量呈非线性或与其他变量共线，需要变换或模型扩展。
- 建议的后续行动
- 针对显著正向因素（如活跃与打开率），制定提升策略并开展A/B实验以验证因果。
- 复核折扣使用的真实效果，必要时进行倾向评分匹配或分层分析。
- 以模型概率进行用户分层（高/中/低续费倾向），定制触达与客服策略；优化阈值以平衡召回与精准。
- 每季度滚动更新模型，监控漂移；引入样条或树模型作为对照，比较非线性拟合。
- 报告撰写指南
- 摘要：研究问题、方法（逻辑回归）、主要结果（OR、AUC、伪R方）、结论。
- 数据与方法：变量定义、样本描述、清洗与假设检验（VIF、Box-Tidwell）、建模流程（单变量与多元）。
- 结果：系数与OR表、显著性（p值≤0.005）、伪R方、AUC、校准图、关键可视化（散点/逻辑曲线、分组续费率）。
- 讨论：业务解读、实际意义、局限性、对未来运营与实验的建议。
- 附录：代码、诊断图、敏感性分析（变换、交互、正则化、不同阈值表现）。
如您愿意提供数据样本或摘要输出（模型summary），我可以进一步代您计算并填入具体的相关系数、伪R方、p值、OR与可视化结果。
