crosstabs.
打开导航
打开分析工作区

SPSS 命令: SPSS LOGISTIC REGRESSION

在浏览器中做二元 Logistic 回归

二元 Logistic 回归用连续和分类预测变量为二分类结果（例如是否转化）的概率建模，并以比值比表示各效应。

用示例数据试一试用自己的文件运行

免费 · 无需注册 · 文件留在本机 · 更新于 2026年10月18日

能告诉你什么

Crosstabs 在你的设备上运行与 SPSS LOGISTIC REGRESSION 对应的过程，支持输入、向前：LR 和向后：LR 方法，输出起始块、模型拟合统计量以及按你设定的分界值生成的分类表。

  • 预测变量整体是否优于只含常量的模型（步骤、块与模型的 Omnibus 卡方检验）。
  • 模型拟合优劣：-2 对数似然、Cox & Snell 与 Nagelkerke R²，以及按风险分组检验校准度的 Hosmer–Lemeshow 检验。
  • 每个预测变量如何改变事件发生的优势：B、Wald 检验以及 Exp(B) 及其 95% 置信区间。
  • 在分界值下模型正确分类的个案比例，按事件与非事件分别列出。

适用场景

适合使用

  • 用多个预测变量预测“是/否”结果，例如流失、购买、回复或通过/未通过。
  • 在控制其他变量的同时估计某个暴露因素的调整比值比。
  • 用“向前：LR”或“向后：LR”方法从众多候选变量中筛选重要的预测变量。

改用其他方法

  • 结果有三个及以上无序类别：使用多项 Logistic 回归。
  • 结果类别有序（低/中/高）：有序回归能保留顺序信息。
  • 关注事件发生前的时间且存在删失个案：使用 Cox 回归。
  • 某预测变量能完全区分结果：估计值会发散；输出会提示分离问题，但需要减少或合并类别。

在 Crosstabs 中如何操作

  1. 01

    选择“二元 Logistic 回归”

    在“统计”模式中打开“回归”→“二元 Logistic 回归”（LOGISTIC REGRESSION），选择“因变量（两个类别）”。

  2. 02

    设置事件与方法

    在“事件（编码为 1）”中选择要建模的结果值，默认与 SPSS 相同取较大的值。“方法”可选“输入”“向前：LR”或“向后：LR”。

  3. 03

    添加协变量

    通过“添加协变量”逐个加入预测变量。分类变量勾选“分类（指示符）”（字符串变量始终按分类处理），并把“参考类别”设为“最后一个”或“第一个”。

  4. 04

    设置选项

    在“选项”中可修改“分类分界值”（默认 .5）；若需要每次迭代的 -2 对数似然和系数，勾选“迭代历史记录”。

  5. 05

    声明权重并运行

    若工作区设置了权重，选择“频数权重”“抽样权重”或“不加权运行”，然后点击“运行 Logistic 回归”。

在浏览器中运行二元 Logistic 回归

计算示例

以下结果由 Crosstabs 引擎在构建本页时根据模拟数据实际计算得出，并非手工填写。

用示例数据试一试

数据

150 名模拟免费试用用户。结果变量为是否转为付费（yes/no）；预测变量为试用期内的会话次数，以及注册类型是团队还是个人。转化结果由已知的 logistic 模型按固定随机种子生成。

模型系数的 Omnibus 检验
项目卡方df显著性
步骤18.4642<.001
块18.4642<.001
模型18.4642<.001
模型摘要与霍斯默-莱梅肖检验
-2 对数似然考克斯-斯奈尔 R 方内戈尔科 R 方H-L 卡方dfH-L 显著性
161.2780.1160.1663.4007.846

估算在第 4 次迭代时终止。

分类表
实测预测 no预测 yes正确百分比
no103496.3
yes331023.3
总体百分比75.3

分界值为 .500。

方程中的变量
项目BS.E.Walddf显著性Exp(B)EXP(B) 的 95% 置信区间
sessions0.2350.06712.1471<.0011.2651.108 to 1.444
plan——5.4501.020—
plan(1)0.9230.3955.4501.0202.5161.160 to 5.458
常量−2.8070.54726.3771<.0010.060

plan 采用指示符编码，以 solo 为参考类别；plan(1) 表示 team 与参考类别的比较。

结果解读

两个预测变量使模型明显优于仅含常量的模型：χ²(2) = 18.46，p < .001，内戈尔科 R² = 0.166。试用会话每多一次，转化的优势（odds）乘以 1.27（95% 置信区间 1.11 至 1.44）。Hosmer–Lemeshow 检验 p = .846，没有拟合不佳的证据；在 .5 分界值下，模型正确分类了 75.3% 的用户，但实际转化者中只有 23.3% 被预测为转化；如果更看重识别转化者，可调低分类分界值。

输出表格说明

个案处理摘要
纳入分析与缺失的未加权个案数，其后为“因变量编码”，有分类协变量时还有“分类变量编码”。
块 0：起始块
仅含常量的模型：其分类表、“方程中的变量”中的常量，以及“未包括在方程中的变量”中的得分检验。
模型系数的 Omnibus 检验
步骤、块与模型的似然比卡方、自由度与显著性。在逐步方法中，步骤卡方为负表示有项被移除。
模型摘要
-2 对数似然、考克斯-斯奈尔 R 方和内戈尔科 R 方，并注明估计在第几次迭代终止。
霍斯默-莱梅肖检验
卡方、自由度（组数 − 2）与显著性，并附“Hosmer-Lemeshow 检验的列联表”。分组方式与 SPSS 一致：约 10 组，且不拆分协变量模式相同的个案。
分类表
按分界值列出实测与预测结果，并给出每个结果类别及总体的正确百分比。
方程中的变量
每个协变量和指示变量的 B、标准误、Wald、自由度、显著性、Exp(B) 及其 95% 置信区间，每个分类项另有一行总体 Wald 检验；逐步方法还会输出“除去项后的模型”和“未包括在方程中的变量”。

前提假设与注意事项

  • 观测相互独立，事件的对数优势与每个连续协变量呈线性关系。
  • 每个预测变量需要足够的事件数：经验上，每个估计参数至少对应 10 个较少见结果类别的个案。
  • 不存在完全或准完全分离；若估计出现完美拟合或在 20 次迭代内未收敛，输出会给出警告。
  • 缺失值按成列删除。频数权重必须为整数；抽样权重只给出 B 和 Exp(B)，不报告检验和 Hosmer–Lemeshow 结果。

结果如何验证

LOGISTIC REGRESSION 引擎以独立的 Python 参考实现（Python 3.13.13、NumPy 2.5.4、SciPy 1.18.1、statsmodels 0.15.0、pandas 2.3.3）生成的参考值进行测试。“输入”法下，B、标准误、Wald、显著性、Exp(B) 及其 95% 置信区间、-2LL、Omnibus 卡方、Cox & Snell 与 Nagelkerke R²、分界值 .5 时的分类表，以及按 SPSS 分组方式计算的 Hosmer–Lemeshow 检验，与 statsmodels Logit 的误差在 1e-8 以内（相对于 1 与参考值中较大者），块 0 得分检验在 1e-7 以内。在拟合值无结的数据上与 R 4.6.1 的 glm 和 ResourceSelection 0.3.6 的 hoslem.test 对照：B 误差在 1e-6 以内，标准误在 1e-5 以内，-2LL 在 1e-8 以内，Hosmer–Lemeshow 在 1e-6 以内。“向前：LR”与“向后：LR”对照手工执行的得分/似然比选择序列（1e-7），其他测试覆盖频数权重、抽样权重与分离检测。 验证证据（英文）

常见问题

如何解读 Exp(B)？

Exp(B) 即比值比：连续协变量每增加一个单位，或某指示类别相对于参考类别，事件发生的优势乘以该倍数。大于 1 表示优势上升，小于 1 表示下降。

哪个结果值是“事件”？

默认与 SPSS 相同取两个值中较大者，可通过“事件（编码为 1）”修改。“因变量编码”表会确认哪个值被编码为 1。

为什么 Nagelkerke R² 远低于线性回归的 R²？

伪 R² 衡量的是似然的改善而非解释方差，通常较低。应结合 Omnibus 检验、分类表和 Hosmer–Lemeshow 检验综合评价模型。

模型大多数个案分类正确，却漏掉了大部分事件，为什么？

事件少见时，.5 的分界值会倾向于预测常见结果。可把“分类分界值”调低到接近实测事件率，以牺牲部分总体准确率换取敏感度，或用 ROC 曲线过程选择分界值。

分类协变量应选择哪个参考类别？

选择希望其他类别与之比较的类别，通常是基线类别或样本最多的组。SPSS 默认使用“最后一个”，也可在“参考类别”菜单中选择“第一个”。

相关过程

用你自己的数据运行二元 Logistic 回归

打开 .sav、CSV 或 Excel 文件。所有计算都在浏览器中完成，文件不会离开你的设备。

打开分析工作区

SPSS 是 IBM Corp. 的商标。Crosstabs 与 IBM 无关联，也未获得 IBM 认可。