spss教程：回归分析：[2]二元逻辑回归

1、二元逻辑回归分析的操作步骤与别的回归分析差别不大，重点在于理解检验统计量，包含-2 log likelihood，-2LL、Hosmer和Lemeshow的拟合优度检验统计量、Wals统计量、Cox和Snell的R方、Nagelkerke的R方等等。

2、选择相关变量作为因变量和自变量，“方法”选择“进入”即所有的变量都进入模型中。

在“保存”中只选择“预测值”中的“概率”、“组成员”即原始数据个案中，每一个个案最后的预测分类情况，PRE_1、PGR_1分别是最后的预测结果中的预测概率和预测组的变量名。

3、分类图：“比较因变量的预测值和观测值之间的关系，反应模型的拟合情况”；Hosmer和Lemeshow的拟合度：“检验整个回归模型的拟合优度”；个案残差列表：“输出标准方差大于某值的个案或全部个案的入选状态，因变量的观察值和预测值及相应预测概率、残差值”；估计值的相关性：“模型中各估计参数间相关矩阵”；迭代历史：“输出参数迭代过程中的系数及对数似然值”； exp（B）的CI（X）：“该选项将会在模型检验的输出结果中列出exp（B）（各回归系数指数函数值）的置信区间”。

分类标准值：“作为分类的分割点，默认为0.5，用户可自定义为0.01-0.99”。

最大迭代次数：“最大对数似然值的最大迭代次数”。

1、第一个图片给出原始数据的大致描述；“迭代历史记录”：“此次只需要两次的迭代，因为两次的迭代变化小于0.001”；“分类表”：“给出初次的预测分析结果，自行车预测全部正确，公共汽车预测全部预测错误，总的正确率为0.536=15/（15+13）”。

2、“方程中的变量”：“解释常量的性质，数值为-0.143，概率为0.706，说明常量有显著性意义”，0.8667=2.718^(-0.143)即对原值的指数运算。

“不在方程中的变量”：“观察知，只有月收入变量的概率大于显著性水平0.05，其留在方程中不是太好，但是观察总统计量知概率为0.015，说明若是整体看，月收入还是可以加入原方程中的”。

3、“迭代历史记录”：“从中可以看出方程中变量系数的迭代计算变化情况”。

“模型系数的综合检验”：“给出模型系数的Omnibus Tests结果”。

“模型汇总”：“给出-2对数似然值、Cox和Snell的R方、Nagelkerke的R方的检验统计结果，其中R方的意义与线性回归模型中的R方的意义差不多，越大越好”。

“Hosmer和Lemeshow的检验”：“概率P值大于显著性水平，不拒绝原假设，在可接受的水平上的模型估计拟合了数据”。

“Hosmer和Lemeshow检验的随机性表”：“在总计那栏中的总数为28，结合原始数据观察得知，数据共有28个，这是一样的，在公共汽车上班中已观测的共有13，也是如此，图中展示了计算过程”。

“分类表”：“展示了第一次迭代拟合的结果，总计百分比0.821=（13+10）/（13+2+3+10）”。

4、“方程中的变量”：“给出方程中变量的系数、统计量等，Wals统计量越大，或者相伴概率越小，则表示该变量更加重要”。

“相关矩阵”:“给出方程中变量的相关性，道理同线性回归分析一样，相关性越小越好”。

“案例列表”：“列出学生化残差大于2的个案，被列出的个案表示逻辑回归是错误的”。