二元logistic回归分析spss结果分析

线性回归是很重要的一种回归方法，但是线性回归只适用于因变量为连续型变量的情况，那如果因变量为分类变量呢？比方说我们想预测某个病人会不会痊愈，顾客会不会购买产品，等等，这时候我们就要用到logistic回归分析了。Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。 二值logistic回归：

选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。把你的自变量选到协变量的框框里边。

细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚

logistic模型方法的运用分析

一． 《基于logistic模型的失地农民土地征收意愿影响因素研究。》

1. 构建模型：，文中因变量的量化取值，当农户愿意土地被征收时，取值1，当农户不愿意

土地被征收时，取值0。

2. 变量描述及赋值：采用李克特5分量表法进行赋值，对与征地意愿有正向作用的因素从

非常同意到非常不同意分别赋值5、4、3、2、1，对负向作用的因素从非常同意到非常不同意分别赋值1、2、3、4、5；而家庭人口特征和区位特征则采取实际量化值。

3.结果分析： 3.1模型检验

模型系数检验：似然比卡方检验的观测值48.460，概率p值为0.000，小于0.05，说明模型整体显著。

-2对数似然值检验：-2倍的对数似然函数值为105.111，说明模型拟合度较理。 R Square检验：Ｒ方值越大模型越优。NagelkerkeR2值为0.384，说明模型拟合度较好。 Ｏverall Percentage : 观察Ｏverall Percentage值，如果为92.4%，说明回归后模型总预测正确率为92.4%，与步骤0的90.8%比，提高1.6%，说明模型预测效果较理想。 变量的显著性检验：显著性水平的值代表变量对模型显著影响的大小。

是x1

如何用spss17.0进行二元和多元logistic回归分析

一、二元logistic回归分析

二元logistic回归分析的前提为因变量是可以转化为0、1的二分变量，如：死亡或者生存，男性或者女性，有或无，Yes或No，是或否的情况。

下面以医学中不同类型脑梗塞与年龄和性别之间的相互关系来进行二元logistic回归分析。

（一）数据准备和SPSS选项设置

第一步，原始数据的转化：如图1-1所示，其中脑梗塞可以分为ICAS、ECAS和NCAS三种，但现在我们仅考虑性别和年龄与ICAS的关系，因此将分组数据ICAS、ECAS和NCAS转化为1、0分类，是ICAS赋值为1，否赋值为0。年龄为数值变量，可直接输入到spss中，而性别需要转化为（1、0）分类变量输入到spss当中，假设男性为1，女性为0，但在后续分析中系统会将1，0置换（下面还会介绍），因此为方便期间我们这里先将男女赋值置换，即男性为“0”，女性为“1”。

图 1-1

第二步：打开“二值Logistic 回归分析”对话框：

沿着主菜单的“分析（Analyze）→回归（Regression）→二元logistic（Binary Logistic）”的路径（图1-2）打开二值Logis

Logistic回归分析报告结果解读分析

Logistic回归常用于分析二分类因变量(如存活和死亡、患病和未患病等)与多个自变量的关系。比较常用的情形是分析危险因素与是否发生某疾病相关联。例如，若探讨胃癌的危险因素，可以选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群有不同的临床表现和生活方式等，因变量就为有或无胃癌，即“是”或“否”，为二分类变量，自变量包括年龄、性别、饮食习惯、是否幽门螺杆菌感染等。自变量既可以是连续变量，也可以为分类变量。通过Logistic回归分析，就可以大致了解胃癌的危险因素。

Logistic回归与多元线性回归有很多相同之处，但最大的区别就在于他们的因变量不同。多元线性回归的因变量为连续变量；Logistic回归的因变量为二分类变量或多分类变量，但二分类变量更常用，也更加容易解释。

1.Logistic回归的用法

一般而言，Logistic回归有两大用途，首先是寻找危险因素，如上文的例子，找出与胃癌相关的危险因素；其次是用于预测，我们可以根据建立的Logistic回归模型，预测在不同的自变量情况下，发生某病或某种情况的概率(包括风险评分的建立)。

2.用Logistic回归估计危险度

所谓相对危险度(risk

第 8 章 利用 SPSS 进行Logistic 回归分析

现实中的很多现象可以划分为两种可能，或者归结为两种状态，这两种状态分别用0

和1 表示。如果我们采用多个因素对0－1 表示的某种现象进行因果关系解释，就可能应用 到logistic 回归。Logistic 回归分为二值logistic 回归和多值logistic 回归两类。首先用实例讲

述二值logistic 回归，然后进一步说明多值logistic 回归。在阅读这部分内容之前，最好先看 看有关SPSS 软件操作技术的教科书。

§8.1 二值logistic 回归

8.1.1 数据准备和选项设置

我们研究 2005 年影响中国各地区城市化水平的经济地理因素。城市化水平用城镇人口 比重表征，影响因素包括人均GDP、第二产业产值比重、第三产业产值比重以及地理位置。 地理位置为名义变量，中国各地区被分别划分到三大地带：东部地带、中部地带和西部地带。 我们用各地区的地带分类代表地理位置。

第一步：整理原始数据。这些数据不妨录入Excel 中。数据整理内容包括两个方面：一 是对各地区按照三大地带的分类结果赋值，用0、1 表示，二是将城镇人口比重转换逻辑值， 变量名称为“城市化”。以各地区20

SPSS—回归—多元线性回归结果分析（二） 2011-10-27 14:44

，最近一直很忙，公司的潮起潮落，就好比人生的跌岩起伏，眼看着一步步走向衰弱，却无能为力，也许要学习“步步惊心”里面“四阿哥”的座右铭：“行到水穷处”，”坐看云起时“。

接着上一期的“多元线性回归解析”里面的内容，上一次，没有写结果分析，这次补上，结果分析如下所示： 结果分析1：

由于开始选择的是“逐步”法，逐步法是“向前”和“向后”的结合体，从结果可以看出，最先进入“线性回归模型”的是“price in thousands\ 建立了模型1，紧随其后的是“Wheelbase\ 建立了模型2，所以，模型中有此方法有个概率值，当小于等于0.05时，进入“线性回归模型”（最先进入模型的，相关性最强，关系最为密切）当大于等 0.1时，从“线性模型中”剔除

结果分析：

1：从“模型汇总”中可以看出，有两个模型，（模型1和模型2）从R2 拟合优度来看，模型2的拟合优度明显比模型1要好一些 （0.422>0.300）

2：从“Anova\可以看出“模型2”中的“回归平方和”为115.311，“残差平方和”为153.072，由于总平方和= 回归平方和+残差平方和，由于

SPSS与社会统计学逻辑回归分析Logistic课程作业二

[1]陈昱,陈银蓉,马文博. 基于Logistic模型的水库移民安置区居民土地流转意愿分析——四川、湖南、湖北移民安置区的调查[J]. 资源科学,2011,06:1178-1185. 一、变量赋值

1.被解释变量用0表示不愿意流转，1表示愿意流转，有意愿上的状态表示效果。

2.性别分别用1和2表示男女，男女不存在有没有状态的表征，所以用1、2赋值非常合适；它的预计影响方向为负，是基于学者张林秀、刘承芳等认为：由于农村男性外出打工的几率高于女性，女性更愿意在家耕种土地，这就可能导致女性不愿意转出土地的基础上设定的。 3.教育程度越高赋值越高，且预测影响为正，这个也是在文章前面定量分析的时候引用学者李实的观点说明赋值的理由。

4.职业类型中，兼业化程度越高赋值越高，且为正向。从家庭收入对农业收入的依赖性原理角度来看这个不难理解。

5.其它变量的赋值依据实际情况初步判断也不能理解其赋值的缘由。然而对于“是否为村干部”这一变量来看，预测的趋向是：是村干部则不愿意流转，前面的分析并没有说明为什么会是这样。虽然这知识一种预判，但是若能够给出预判的一丁点理由就更好了。 二、系数解读

1. 标准

用下面的数据做相关分析和一元线性回归分析：

选用普通高等学校毕业生数和高等学校发表科技论文数量做相关分析和一元线性回归分析。

一、相关分析

1.作散点图

普通高等学校毕业生数和高等学校发表科技论文数量的相关图

从散点图可以看出：普通高等学校毕业生数和高等学校发表科技论文数量的相关性很大。

2.求普通高等学校毕业生数和高等学校发表科技论文数量的相关系数

把要求的两个相关变量移至变量中，因为都是定距数据，选择相关系数中的Pearson，点击确定，可以得到下面的结果：

Correlations

普通高等学校毕业生数(万人) 高等学校发表科技论文数量(篇)

普通高等学校毕业生数(万人) Pearson Correlation 1 .998**

Sig. (2-tailed) .000

N 14 14

高等学校发表科技论文数量(篇) Pearson Correlation .998** 1 Sig. (2-tailed) .000

N 14 14

**. Correlation is significant at the 0.01 level (2-tailed).

两相关变量的Pearson相关系数=0.0998，表示呈高度正相关；相关系数检验对应的概率P 值=0.000

非条Lo件gisti 回c归分

2014析4-10-

前言

Log itsic回归型模适是用于反应变量(变量为因

分类量变回的归分析 按设 计类：型 条件Lgosiit回归c配对：计设(pocr hrpge) 非件条oLigstc回归：未配对ip(oc rolgsitic

) 变量类型按 : 两分类反应变(p量roclog itic) 多s类有序分应变反量p(roc oglitsi)c 多类分序反应无量( pro变c actomd

)原

理Y 1 x 1 x2 2 .. . n n x X 多元 性回线模型归： 是参数向量 ，X是自量向变。量 其是中 距，截表示 个n变自x与量反变应量间Y的关，系为Y 意实数 ，属于任续连变量

反应变量当离为散型量变时，研如不究治疗同方对某病治疗的法果，效反应变量效Y疗的值为 (治1愈)0和未愈)(,要研究的某种事是 件如治(愈)发生可能的自变与量治(方疗)法的 系，关反变应量事件发生的为率P (概=Y1。)

概率对进行换转，建立线性回归可型模 P l n 1x 12 x2 .. . xn n

回归分析习题

1通常用来评价商业中心经营好坏的一个综合指标是单位面积的营业额，它是单位时间内(通常为一年)的营业额与经营面积的比值。对单位面积营业额的影响因素的指标有单位小时车流量、日人流量、居民年平均消费额、消费者对商场的环境、设施及商品的丰富程度的满意度评分。这几个指标中车流量和人流量是通过同时对几个商业中心进行实地观测而得到的。而居民年平均消费额、消费者对商场的环境、设施及商品的丰富程度的满意度评分是通过随机采访顾客而得到的平均值数据。（数据集wyzl4_2中存放了从某市随机抽取的20个商业中心有关指标的数据，利用该数据完成下列工作 （1）研究变量间的相关程度。（其余6个变量与“单位面积年营业额”间的相关程度，其余6个变量之间的相关程度）；

（2）由（1）的结论建立“单位面积年营业额”与和其线性相关程度最高的变量的一元线性回归方程；

（3）采用逐步回归方法建立“单位面积年营业额”的预测公式。

表 20个商业中心有关指标的数据

商业中单位面积年每小时机日人流居民年消对商场环对商场对商场商心编号 营业额(万动车流量量 (万费额(万境满意度设施满品丰富程x4 元/平方(万辆)x1 人)x2 元