如何用spss17.0进行二元和多二元logistic回归分析析

来源：蜘蛛抓取(WebSpider) 时间：2016-10-28 04:13 标签： 二元logistic回归模型
因变量是二分类变量,自变量是二分类变量和连续型定量变量,用logistic回归分析在spss17.0中如何操作
使用二分类的logistic回归分析因变量移入相应对话框自变量中的分类变量移入相应的类别对话框,连续性自变量移入协变量对话框 其他默认 就可以了其实操作是很简单的,但是结果解释就比较难
为您推荐：
其他类似问题
扫描下载二维码对于分类变量，我们知道通常使用卡方检验，但卡方检验仅能分析因素的作用，无法继续分析其作用大小和方向，并且当因素水平过多时，单元格被划分的越来越细，频数有可能为0，导致结果不准确，最重要的是卡方检验不能对连续变量进行分析。使用线性回归模型可以解决上述的部分问题，但是传统的线性模型默认因变量为连续变量，当因变量为分类变量时，传统线性回归模型的拟合方法会出现问题，因此人们继续发展出了专门针对分类变量的回归模型。此类模型采用的基本方法是采用变量变换，使其符合传统回归模型的要求。根据变换的方法不同也就衍生出不同的回归模型，例如采用Logit变换的Logistic回归模型，采用Probit变换的Probit回归模型等，相比之下，Logistic是使用最为广泛的针对分类数据的回归模型。Logistic回归模型的适用条件1.因变量为二分类变量或是某事件的发生率2.自变量与Logit变换后的因变量呈线性关系3.残差合计为0，且服从二项分布4.各观测值之间独立由于Logistic回归模型的残差项服从二项分布而不是正态分布，因此不能使用最小二乘法进行参数估计，而是要使用最大似然法。和其他回归分析一样，Logistic回归也放在分析&回归过程下面，下面我们通过一个例子来说明具体操作收集了一组数据，希望通过这些数据分析出低出生体重儿的影响因素，数据如下
可见，数据集中变量比较多，且数据类型丰富，因变量为二分类变量Low，有两个水平：0-正常体重，1-低出生体重，我们先做一个最简单的单变量Logistic回归，只考虑smoke这个因素分析&回归&二元Logistic回归前面我们只引入了一个自变量，可以看到模型的效果并不理想，而且Logistic回归和传统回归模型一样，也可以引入多个自变量并且可以对自变量进行筛选，尽量引入对因变量存在强影响的自变量，下面我们继续加入自变量并进行筛选
阅读(...) 评论()

我要回帖

更多关于 二元logistic回归模型 的文章

 

随机推荐