我正在尝试为电信客户流失建立Logistic回归模型。
某些背景：为预测客户流失，我们的数据集包含变量的数据，例如Account_Age，Current_Bill_Amount，Avg_Days_Delinquent（自未付账单以来的天数），投诉，Avg_Calls等。
我的问题与投诉变量有关。如图所示，投诉变量已转换为5个虚拟变量，因为有6个投诉类别。创建了5个虚拟列，从而排除了“定价”投诉。
现在，如有关“通话质量”的图像投诉所示，“结算问题”具有较高的绝对率和百分比流失率，而其他投诉类型对流失率的影响不大。
图片可能不会在您的末尾显示，因此它们的链接为：https://imgur.com/88zHamt https://imgur.com/8WR19C0
关于投诉对客户流失的影响，我有两个问题。
问题1：
该算法未将“通话质量”视为重要变量，并且P值为0.527。假设有81％的客户（参考图片）抱怨“通话质量”，该算法给出了矛盾的结果。无法理解为什么会这样，通话质量肯定会影响客户流失率。请分享您对此的想法。
问题2：
模型显着变量的系数（P <0.05）“账单问题”，“支票帐户”和“移动”分别为-1.0033，-2.5675和-2.1132。常识是，当有投诉时，应增加客户流失率，因此系数应为正。那为什么这3个虚拟变量算法要计算负系数呢？
让我知道您是否需要更多信息或需要澄清。
import statsmodels.api as sm
logReg=sm.Logit(Y_train,X_train)
logistic_regression=logReg.fit()
logistic_regression.summary()
对问题1和2的答案是预期的结果。
答案 0 :(得分：3)
问题1：
p值是系数不为null的概率，不是特征的重要性，即使它经常被解释为它。 您在这里可以真正得出的结论是，不可能（很有把握地）断定该系数不为空。检查您的值的95％置信区间，该区间会很宽泛，并包括系数的正值。
作为一个例子，一个可能的解释可能是该变量与其他变量一起携带了冗余信息，这可以解释为什么算法无法说明其有用性。 尝试向前或向后选择以删除迭代选择的相关变量，这可能会更改最终选择。
问题2：
系数绝对为负绝对没有问题。
实际上，您要使用逻辑回归建模的是：
P（客户流失）= 1 /（1 + exp（sum（beta_i * x_i））（see on wikipedia as an example）
beta_i是变量x_i的系数
您会看到负系数降低了流失几率。
在这里，您使用的用户组带有已报告的投诉（我看不到“不投诉”类别），根据链接的图片，用户流失的概率为48.5％。
因此，“默认”流失概率为48.5％， 但是，虚拟变量“移动”的流失概率仅为13.7％。 因此，添加用户抱怨类别为“移动”的信息可以降低流失的可能性。因此，负系数与“帐单问题”和“支票帐户”相同。
现在，如果您添加整个用户组，则任何类型的投诉都可能会增加流失率，并且您将获得正系数。