提示:您正在参与的是正式考试的第1场考试(共2场),请认真答题;点击开始答题后,开始倒计时。84Logistic回归模型的参数估计不能使用普通最小二乘法(OLS),应使用极大似然估计 A. 正确B. 错误

本题考查Logistic回归模型参数估计方法的知识点。解题思路是明确普通最小二乘法（OLS）和极大似然估计的适用条件，再分析Logistic回归模型的特点，从而判断能否使用OLS进行参数估计。

• 普通最小二乘法（OLS）的适用条件：
  普通最小二乘法是一种用于线性回归模型的参数估计方法。在线性回归模型中，因变量 $y$ 与自变量 $x$ 之间是线性关系，即 $y = \beta_0+\beta_1x_1+\cdots+\beta_nx_n+\epsilon$，其中 $\epsilon$ 是误差项，且满足一些基本假设，如误差项的均值为0、方差恒定、无自相关等。OLS的目标是最小化残差平方和 $\sum_{i = 1}^{N}(y_i-\hat{y}_i)^2$，其中 $y_i$ 是实际观测值，$\hat{y}_i$ 是预测值。
• Logistic回归模型的特点：
  Logistic回归模型是一种广义线性模型，用于处理因变量为分类变量的情况，通常是二分类问题。其模型形式为 $P(Y = 1|X)=\frac{1}{1 + e^{-(\beta_0+\beta_1x_1+\cdots+\beta_nx_n)}}$，其中 $P(Y = 1|X)$ 是在给定自变量 $X=(x_1,x_2,\cdots,x_n)$ 的条件下，因变量 $Y = 1$ 的概率。可以看到，因变量 $Y$ 并不是自变量 $X$ 的线性函数，而是通过Logistic函数将线性组合 $\beta_0+\beta_1x_1+\cdots+\beta_nx_n$ 映射到 $(0,1)$ 区间上。
• 判断能否使用OLS：
  由于Logistic回归模型的因变量不是自变量的线性函数，不满足普通最小二乘法的线性假设。如果使用OLS进行参数估计，会导致估计结果不准确，不能很好地拟合数据。而极大似然估计是一种基于概率模型的参数估计方法，它通过最大化观测数据出现的似然函数来估计模型参数。对于Logistic回归模型，极大似然估计可以很好地处理因变量的分类性质，是一种更合适的参数估计方法。