可下载资源

某移动通信公司客户的流失数据:

因此本文试图通过逻辑回归模型来帮助客户对某移动通信公司客户的流失数据分析，了解客户流失规律，建立流失预警系统，为客户关系管理服务。

然后绘制各个自变量和因变量（流失）的关系散点图，可以看到他们之间关系不是十分明显，从次数和流失的散点图来看，可能有正相关的关系，因此进行逻辑回归模型的分析。

Logistics逻辑回归拟合的解释

从输出结果可以看出 ，回归方程为流失=   2.7885 -0.5801客户等级-0.6756主叫次数 -2.6843被叫次数-0.5125通话时长+0.7565费用，变量和的统计量的估计值分别为-0.5801，-0.6756， -2.6843， -0.5125和0.7565，除了通话时长以外由对应的值都比显著性水平0.05小，可得4个偏回归系p数在显著性水平0.05下均显著不为零。因此，可以认为客户等级、主叫次数、被叫次数和费用对客户流失具有显著的影响。进一步地剩余方差的估计值，deviance统计量的估计值为898.52 ，说明，回归方程效果较好。

效应的置信区间

置信区间是给定自变量值后，由回归方程得到的的流失预测值（实0y际上是的平均值）的置信区间；预测区间是实际值的置信区间，在这里称为预测区间。0y0y预测区间要比置信区间稍大，命令与显示结果如下

残差分析：

    残差分析可以对回归模型的假设条件即随机误差项是否独立同分布进行检验，同时还可以找出离群点。命令语句为plot(lm.1)，显示结果如下

左上图是拟合值与残差的散点图，从图上可以发现，除去第3个离群点外，所有点基本上是随机地分散在纵坐标值为-1和+1的两条平行线之间，这说明随机误差项具有同方差性；左下图是拟合值与残差的标准差的散点图，其意义与上面类似；右上图表明随机误差项是服从正态分布的，其原因是正态Q-Q图近似地可以看成一条直线；右下图的CooK距离图进一步证实第3个观测值是一个离群点，它对回归方程的影响是比较大的，要根据具体问题，讨论出现这一观测值的实际背景。

总结

   这里只使用此模型对我国移动通信市场作出粗略的线性估计.我们猜测只是由于影响客户流失的因素复杂,如通信公司的经营状况、客户心理等等,并最终反映在客户流失行为上来 ,表现在客户流失的高低.此外,移动通信市场是一个动态的过程,客户作为通信产品的需求者与供应者,通过流失率来表达对价格水平的意见. 当然,值得注意的是,客户流失并不是由上述因素来决定,还有其他的影响因素。通过回归分析可以发现，客户流失与主叫次数、通话时长息息相关。