12.Logistic分析
显示了当前模型拟合优度方面的指标，各个数据项的含义依次为-2倍的对数似然值， Cox&Snell R²及Nagelkerke R²倍的对数似然值越小则拟合优度越高，该表值为 1201.188. Nagelkerke R²值接近0，拟合效果一般。
12.Logistic分析
显示的是模型的错判矩阵。在没有流失
的726人中，模型正确识别了698人， 错误识别28人，正确率为96.1%。在没 有流失的274人中，模型正确识别2人， 错误识别272人，正确率为0.7%。模型 总的正确预测率为70%。因为预测概率 值大于0.5，所以输出变量的分类预测 值为1.
12.Logistic分析
10.两分类变量相关性的数值分析
在没有退休的953名客户中，未流失的占 71.563%；而在退休的44名用户中，未流失的 占到了93.617%。说明未退休用户较退休用户 更容易流失。
10.两分类变量相关性的数值分析
可以看出，两个性别在流失情况上的差异并不大， 基本可以判断电信用户的流失与性别的相关性不 大。
10.两分类变量相关性的数值分析
种类3（选择了附加服务的用户的流失率最小）的客 户基数最大，但流失率最小。281名选择了附加服务 的客户中，流失的人数为44，仅占16.058%。
10.两分类变量相关性的数值分析
教育水平为高中的用户数量最多，占到了30.854%。并且从图中可以发现，随着 受教育水平的上升，客户流失率也随之提高，可见受教育水平越高的用户越容易 流失。
12.Logistic分析
显示了logistic回归分析第一步时回归方程显著
性检验的情况，个数据项的含义依次是似然比
卡方的观测值、自由度、概率-P值。似然比卡 方的观测值为185.106，概率-P值为0.000。如 果显著性水平为0.05.由于概率-p值小于显著性 水平，应拒绝0假设，认为所有回归系数不同时 为0，解释变量的全体和LogitP之间的线性关系 显著，采用该模型合理。
在这里，对电信用户数据的分析目标是：“在网月数”“客户种类”“性别”“教育水 平”“当前工作年限”“是否退休”“家庭人数”的基本描述统计量，计算上述变量与 “是否流失”变量之间的相关性。
8.计算描述统计量
运行结果
9.绘制散点图
根据散点图更加直观地观察家庭人数、当前工作年限与是否流失之间的关系。选择图形卡中的 “图”，在X字段与Y字段框中选择散点图的X轴变量和Y轴变量，分别选择“家庭人数”“当 前工作年限”。在交叠字段框中指定交叠字段变量，选择“流失”，并用不同颜色表示。
电信客户流失的相关性因素分析
电子商务141 陈燕楠 3140113006
1.读取数据
以电信客户流失情况数据（文件名为“电信客户流失数据.sav”）为例， 将文件导入到数据流中，读取文件。
2.调整变量名称
由于原始数据中的变量名称为英文，不便于理解，因此，将变量名称替换成中文。将“tenure” 替换为“在网月数”，将“custcat”替换为“客户种类”，将“churn”替换为“是否流失”， 将“ed”替换为“教育水平”，将“employ”替换为“当前工作年限”，将“retire”替换为 “是否退休”，将“gender”替换为“性别”，将“reside”替换为“家庭人数”。
11.决策树C5.0分析
从决策树C5.0来看，在这些因素中，最重要的是“当前工作年限”， 比较重要的是“教育水平”，其次是“客户种类”。
11.决策树C5.0分析
当前工作年限小于11年 的620名用户中，流失人 数为226人，置信度为 36.452%；当前工作年 限大于11年的380名用户 中，流失的人数为48人， 置信度为12.632%。
3. 变量角色说明
将“在网月数”“当前工作年限”“家庭人数”设为“连续”，将“客户种类”“是否流失”“性 别”设为“名义”，将“教育水平”“有序”，将“是否流失”角色设置为“目标”。读取值。
4.规范变量取值
对各变量逐个添加标签，以规范变量的取值。如“客户种类”字段中，“1”表 示基本服务，“2”表示上网服务，“3”表示附加服务，“4”表示所有服务。 性别字段中“0”代表男性，“1”代表女性。其他名义类型字段中，“0”均表 示“否”，“1”均表示“是”。“教育水平”字段中，“1”表示低于高中水 平，“2”表示高中，“3”表示大学，“4”表示学士，“5”表示硕士。
结果数据
7.样本的分类汇总
通过对样本数据进行分类汇总，可以观察不同的性别用户在使用电信宽带的时间上的不 同。选择汇总节点，与数据流链接。双击【汇总】节点，关键字段选择“性别”、汇总 字段选择“在网月数”、勾选“总数”“平均值”“标准差”选项。通过建立【输 出】——【表】节点可以浏览评级结果。
8.计算描述统计量
显示了模型中各个回归系数检验方面的指标，显著性水平为0.05，因为性别的概率 -P值大于显著性水平，不应该拒绝0假设；而是否退休的概率-P值小于显著性水平， 拒绝0假设。进一步证明了用户流失与其性别无相关性，而与是否退休存在着相关 性。
Thanks!
教育水平低于高中，高 中和大学的399名用户 中，流失人数为121人， 置信度为30.326%；教 育水平达到学士和硕士 的221名用户中，流失 的人数为105人，置信 度Байду номын сангаас47.511%。
选择了基本服务或所有 服务的138名用户中， 流失人数为62人，置信 度为55.072%；选择了 上网服务或附加服务的 83名用户中，流失的人 数为29人，置信度为 34.940%。
5. 生成新变量
为了更直观了解样本的用户忠诚度，对用户的 在网月数进行了多级评定计算。选择【字段选 项】——【导出】节点，与数据流链接。双击 【导出】节点，选择“多个”模式，导出自 “在校得分”，导出为“名义”，字段类型 “名义”。通过建立【输出】——【表】节点 可以浏览评级结果。
5. 生成新变量