SPSS操作方法：逻辑回归

SPSS操作方法之五

SPSS操作方法：逻辑回归

例证8.3: 在一次关于公共交通的社会调查中,一个调查项目是“乘公交车上下班,还是骑自行车上下班”因变量Y=1表示乘车，Y=0表示骑车。自变量X1表示年龄；X2表示表示月收入；X3表示性别，取1时为男性，取0时为女性。调查对象为工薪族群体。数据见下表：试建立Y与自变量之间的Logistic回归。

逻辑回归SPSS操作方法的具体步骤：

1．选择Analyze→Regreessin→Binary Logistic,打开对话框如图1所示：

图1 主对话框Logistic回归。

2．选择因变量Y进入Dependent框内，将自变量选择进入Convariates框。也可以将不同的自变量组放在不同的块（block）中，可以分析不同的自变量组对因变量的贡献。

3．在Mothed框内选择自变量的筛选策略：

Enter表示强行进入法；（本例选择）

Forword和Bacword都表示逐步筛选策略；Forword 为自变量逐步进入，Bacword是自变量逐步剔出。Conditional ;LR; Wald分别表示不同的检验统计量，如Forword Wald表示自变量进入方程的依据是Wald统计量。

4．在Selection中选择一个变量作为条件变量，只有满足条件的变量数据才能参与回归分析。

5．单击Categorical打开Categorical对话框如图2所示：对定性变量的自变量选择参照类。常用的方法是Indicator，即以某个特定的类为参照类，Last表示以最大值对应的类为参照类（系统默认），First表示以最小值对应的类为参照类。选择后点击Continue按钮返回主对话框。（本例不作选择性）

图2 Categorical对话框

6．单击Option按钮，打开Option对话框如图3所示

图3：Option对话框

（1）从Statistics and Plots框中选择输出图和分析结果。

Classification Plots：表示绘制因变量实际值与预测分类值的关系图（本例选择）。

Hosmer-lemeshow goodness-of-fit：表示拟合优度指标（本例选择）。

Casewise Listing of residuals：表示输出各样本数据残差列表，有因变量的观察值，预测值，相应的预测概率，残差（非标准化残差，标准化残差）等。

Correlations of estimations：表示输出估计参数的相关矩阵（本例选择）。

Iteration history：表示输出估计参数迭代过程中的参数与对数似然值（本例选择）。

CI for exp(B)：表示输出发生比N%的置信区间（默认95%）。

（2）从Display框中选择输出方式。

At each step 表示输出模型建立过程中的每一步结果（系统默认），At last step 表示只输出最终结果。

（3）从Propbability for Stepwise框中指定自变量进入方程或剔除方程的显著性水平α。Entry表示回归系数Score检验的概率p值小于0.05时相应变量可进入方程；Removal 表示回归系数Score检验的概率p值大于0.1时相应变量应当剔除出回归方程.。

（4）Classification Cutoff设置概率分界值，预测概率大于分界值（默认0.5）时,分类预测值为1, 否则为预测值为0。（本例选择系统默认项）

（5）从Maximum Iterations框内指定极大似然估计的最大迭代次数（默认值是20）

7．单击Save按钮，打开Save对话框如图4所示：从中选择需要保存预测结果到数据窗口。

图4：Save对话框

（1）从Predieted V alues框中，Probalities 表示保存因变量取1 的预测概率值，Croup membership 表示保存分类预测值。（本例选择）

（2）Residuals和Influence表示保存残差及影响点，具体含义与线性回归相同。

选择结束，后可以从输出窗口观看输出结果如下：

以上两个表是数据个数，分类，及因变量的概况。

注意：表3至表6表示只有常数项的模型，没有实际意义，可以不考虑。

表7表示的是迭代历史，表示每一次迭代中-2LL 值和系数值。

表8模型综合检验是模型拟合优度检验的，用-2LL 度量。最好的模型有-2LL=0，步骤1中的“步骤”中的卡方值是当前-2LL 与下一步-2LL 的差值，“块”中的卡方值为当前值-2LL 与后一组变量进入模型后的-2LL 的差值，“模型”中的卡方统计量是当前模型中的-2LL 与只含常数项模型的-2LL 的差值，因所有自变量是强行进入，只有一个步骤，一个块和一个模型，所以三者的卡方值相等。本例中假设检验的P 值等于0.005，小于0.05，故模型中至少有一个回归系数不为0。 从表9中看出-22LN 值不算太大，模型拟合程度一般。

Cox & Snell R 2和 Nagelkerke R 2类似于线性模型中的拟合优度检验。其中： Cox & Snell R 2

=n L

L 2

01)(

Nagelkerke R 2

=

n

L R

Snell Cox 2

02

1)(&

从表中得出Cox & Snell R 2和 Nagelkerke R 2

类不是太高，似合优度一般。

表10 和表11是逻辑方程的拟合程度的检验，由于观察值和理论频数的差异不大，检验通过。但是理论频数都小于5，原因是数据个数太少造成的，所以检验结果有待进一步检验。 表12也称错判矩阵。从表10中看出，如出行方式为坐公交车15人中，预测值为13人，正确率为86.7%。