10.17　本案例的其他数据挖掘工作

我们尝试通过加入平滑变量CH_TYPE提高3变量（MOS_OPEN、MOS_DUM、FD2_RCP）模型的预测质量。我们用MOS_OPEN、MOS_DUM、FD2_RCP、CH_FTY_1和CH_FTY_2对TXN_ADD进行LRM方法处理。结果见表10.20。FD2_RCP的Wald卡方值小于4。所以我们从模型中删除FD2_RCP，得到含有4个变量的模型。这个4变量（MOS_OPEN、MOS_DUM、CH_FTY_1和CH_FTY_2）模型中的4个变量的Wald卡方值相差不大，结果见表10.21，G/df值是64.348（=257.395/4），比3变量（MOS_OPEN、MOS_DUM、FD2_RCP）模型的G/df值（62.02）略大。G/df值没有表明4变量模型的预测能力比3变量模型更强。

表10.20　逻辑斯谛回归模型：EDA变量加上CH_TYPE变量

表10.21　逻辑斯谛回归模型：4变量EDA模型

在10.17.1节到10.17.4节，我们做个比较分析，方法类似10.15节EDA和非EDA的对比分析，以确定4变量EDA模型是否优于3变量EDA模型。因为我已经有前一个模型的描述统计量，所以我需要后一个模型的平滑散点图描述统计量。