《表5 平行线检验Table 5 Parallel line inspection》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《不同交通信息诱导下驾驶员路径选择行为研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:零假设规定位置参数（斜率系数）在各响应类别中都是相同的。

Logistics模型是目前在交通行为数据分析和建模方面应用最广的离散选择模型之一。在本次调查中，将驾驶员对路径选择行为的转变意愿设置为因变量，设定驾驶员的基本3个特性变量为解释变量受访者的年龄（X1）、对路网的熟悉程度（X2）和学历（X3），采用多元有序Logistic回归模型开展研究。通过构建这一模型，可以预测驾驶员在不同的年龄、学历等背景下改变路径的差异。即给定某个驾驶员的年龄、学历、对路网的熟悉程度情况，由此便可以预测其是否改变路径的选择结果。平行线检验是Logistic回归建模之前需要做的首要工作，其目的是为证明能否采用有序多分类Logistic回归。表5对模型进行了平行线检验，从表5可以看出，显著性水平大于0.05，说明各回归方程互相平行，即自变量的回归系数与分割点无关，因此本次研究是可以采用有序多分类Logistic回归建模方法的。表6对模型中是否所有自变量偏回归系数均为0进行似然比检验，显著性小于0.001，表明至少有一个自变量的偏回归系数不为0，证明拟合含有自变量的模型要优于只包含常数项的模型。表7主要是通过检验当前模型与饱和模型的预测效果之差来考察当前模型是否可以进一步改善。由表7中模型拟合优度检验显著性水平大于0.05，说明此次建模拟合效果较好。