The sample size is so small. If it is for learning purpose, that is fine. Otherwise it would be not very useful.

2# bobguy
Yes, it's for learning purpose. But the result is not good. How should I classify the income variables to get a satisfactory result? Thanks a lot!

In this case I cannot think of anything you can do. Sorry!!!

4# bobguy

Becasue the sample size is so small, it's hard to get accurate result.
So I classify the income into two classes: high, y=1 (income >=40000) and low y=0 (income <40000).
and then run logistic regression. I get the result as below:     I think it's the only way.

The LOGISTIC Procedure

                                                    Model Information

                               Data Set                      _PROJ_.PALMORG               
                               Response Variable             Ownership            Ownership
                               Number of Response Levels     2                             
                               Number of Observations        20                           
                               Model                         binary logit                  
                               Optimization Technique        Fisher's scoring              


                                                     Response Profile
  
                                            Ordered                       Total
                                              Value     Ownership     Frequency

                                                  1            1              7
                                                  2            0             13

                                            Probability modeled is Ownership=1.


                                                 Class Level Information
  
                                                                        Design
                                           Class            Value     Variables

                                           income_class     0                 1
                                                            1                -1


                                                 Model Convergence Status

                                      Convergence criterion (GCONV=1E-8) satisfied.         


                                                   Model Fit Statistics
  
                                                                       Intercept
                                                        Intercept            and
                                          Criterion          Only     Covariates

                                          AIC              27.898         23.962
                                          SC               28.894         25.953
                                          -2 Log L         25.898         19.962


                                          Testing Global Null Hypothesis: BETA=0
  
                                  Test                 Chi-Square       DF     Pr > ChiSq

                                  Likelihood Ratio         5.9360        1         0.0148
                                  Score                    5.4945        1         0.0191
                                  Wald                     4.4339        1         0.0352
1                                                                                      10:09 Sunday, February 23, 2003   2

                                                  The LOGISTIC Procedure

                                                Type 3 Analysis of Effects
  
                                                                   Wald
                                     Effect            DF    Chi-Square    Pr > ChiSq

                                     income_class       1        4.4339        0.0352


                                         Analysis of Maximum Likelihood Estimates
  
                                                             Standard          Wald
                         Parameter         DF    Estimate       Error    Chi-Square    Pr > ChiSq

                         Intercept          1     -0.8959      0.6180        2.1014        0.1472
                         income_class 0     1     -1.3013      0.6180        4.4339        0.0352


                                                   Odds Ratio Estimates
                                                            
                                                            Point          95% Wald
                                  Effect                 Estimate      Confidence Limits

                                  income_class 0 vs 1       0.074       0.007       0.835


                               Association of Predicted Probabilities and Observed Responses

                                     Percent Concordant     59.3    Somers' D    0.549
                                     Percent Discordant      4.4    Gamma        0.862
                                     Percent Tied           36.3    Tau-a        0.263
                                     Pairs                    91    c            0.775