能告诉你什么
Crosstabs 在你的设备上以伪最大似然法运行与 SPSS CSLOGISTIC 对应的过程，提供基于设计的（Binder）方差、基于设计自由度的 Wald 检验、三种伪 R² 以及加权分类表。
- 每个预测变量如何改变某响应类别相对参考类别的优势，以 Exp(B) 及基于设计的置信区间表示。
- 每个预测变量整体上是否有作用：基于设计自由度的 Wald F 与 Rao–Scott 调整 F 检验。
- 与简单随机抽样相比，抽样设计使每个系数的方差改变了多少（设计效应）。
- 模型拟合程度：伪 −2 对数似然以及 Cox-Snell、Nagelkerke 和 McFadden R²。
适用场景
适合使用
- 在带分层、聚类和权重的数据中，用预测变量分析是/否型调查结果（是否拥有住房、是否投票、是否患病）。
- 有三个及以上无序类别的结果（就业状态、偏好品牌）：模型变为以基线类别为参照的多项 Logistic。
- 从全国性调查报告调整后的优势比——未加权的 Logistic 回归会同时错估系数和误差。
改用其他方法
- 有序结果（如五级评分）：复杂抽样有序回归利用了顺序信息，所需参数更少。
- 不做调整的简单 2×2 比较：复杂抽样交叉表可直接给出优势比和风险。
- 需要逐步选择、交互项或基于 ROC 的诊断：本面板只拟合你指定的主效应模型。
在 Crosstabs 中如何操作
- 01
打开调查数据
在工作区打开 .sav、CSV 或 Excel 文件并切换到“统计”模式。文件只在浏览器中读取，不会上传。
- 02
选择过程
在“复杂抽样”组中选择“复杂抽样 Logistic 回归”（CSLOGISTIC）。
- 03
确认已保存的抽样计划
面板顶部的“抽样计划”一行会显示权重、分层、聚类和估计方法。若此数据集尚未保存计划，请先打开“抽样计划”（CSPLAN）。计划中的变量不会出现在变量选择框中，工作区权重也不会被使用：复杂抽样始终使用计划中的权重。
- 04
选择因变量和参考类别
选择“因变量（分类）”。在“参考类别”中保留“最后一个（SPSS 默认）”，或选择其他类别作为比较基准——例如选择 No，模型即描述 Yes 的优势。
- 05
添加预测变量并运行
勾选“因子（分类）”和“协变量（数值）”，设置“置信水平”后运行。模型始终包含截距；若估计未收敛，会显示警告。
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。
数据
一份 120 名受访者的模拟住户调查：3 个层（Metro、Town、Rural），每层 4 个初级抽样单元（PSU），每个 PSU 10 名受访者；抽样权重从 Metro 的约 35 增加到 Rural 的约 110。同一 PSU 内的受访者共享一个随机效应，因此同群个案彼此相似。抽样计划为“权重 + 分层 + 聚类”，采用有放回（WR）估计；所有数值均由固定随机种子生成。
| 项目 | 值 |
|---|---|
| 伪 −2 对数似然（初始） | 11207.3 |
| 伪 −2 对数似然（最终） | 10707.8 |
| Cox-Snell R² | 0.0584 |
| Nagelkerke R² | 0.0788 |
| McFadden R² | 0.0446 |
| 使用的未加权个案 | 120 |
| 估计的总体规模 | 8308.2 |
伪 −2 对数似然在加权（总体）尺度上计算。
| 参数 | B | 标准误 | 显著性 | Exp(B) | Exp(B) 95% 置信区间下限 | Exp(B) 95% 置信区间上限 |
|---|---|---|---|---|---|---|
| （截距） | −2.001 | 0.697 | .018 | 0.135 | 0.028 | 0.654 |
| [sex=Female] | −0.095 | 0.350 | .792 | 0.909 | 0.412 | 2.006 |
| [sex=Male]ᵃ | 0 | |||||
| age | 0.036 | 0.013 | .022 | 1.036 | 1.007 | 1.067 |
a. 此参数冗余，因此设为零（最后一个类别为参考）。参考类别：No。伪似然估计；基于设计的方差由得分函数的泰勒线性化得到（Binder 1983）。
| 观测 | 预测为 No | 预测为 Yes | 正确百分比 |
|---|---|---|---|
| No | 4108.1 | 846.3 | 82.9 |
| Yes | 1824.7 | 1529.1 | 45.6 |
计数为抽样权重之和（估计总体）。
结果解读
以 No 为参考类别，年龄每增加一岁，拥有住房的优势乘以 Exp(B) = 1.036（95% 置信区间 1.007 至 1.067，p = .022）。区间和 t 检验使用 9 个设计自由度；设计效应 0.85 表示与简单随机抽样相比，整群抽样对该系数方差的影响。Nagelkerke R² 为 0.079；分类表以估计的总体人数表示，总体正确分类率为 67.9%。
输出表格说明
- 模型摘要
- 仅含截距模型和最终模型的伪 −2 对数似然、Cox-Snell、Nagelkerke 与 McFadden R²、使用的未加权个案数以及估计的总体规模。
- 模型效应检验
- 截距和每个预测变量的 Wald F、Wald 卡方和 Rao–Scott 调整 F；在多项模型中，每个检验涵盖该预测变量在所有非参考类别上的参数。
- 参数估计值
- B、标准误、置信区间、t、自由度、显著性和设计效应，以及 Exp(B)（即优势比）及其区间；多项模型按响应类别分组。
- 分类
- 观测类别与预测类别的对照及正确百分比，其中计数为抽样权重之和——即估计的总体人数，而非个案数。
前提假设与注意事项
- 已保存的计划真实反映了样本的抽取方式：正确的抽样权重、第 1 阶段分层和初级抽样单元（PSU）。计划有误，无论模型多好，标准误都是错的。
- 模型仅包含主效应（不含交互项）。因子采用 SPSS 式编码，以最后一个类别为冗余参考；任一模型变量缺失的个案按成列方式剔除，但仍以零贡献保留在设计中。
- 对数优势与协变量呈线性关系。因变量至少需要两个、最多 20 个类别，且每个类别都有加权个案。
- 完全或准完全分离会使估计不稳定；面板会提示未收敛，而不会隐瞒。
结果如何验证
在一个模拟的两阶段分层调查（235 个个案）上，针对三种设计，二元模型的系数、标准误和优势比与 R survey 包的 svyglm（quasibinomial）相对误差在 1e-8 以内，其伪 −2 对数似然和伪 R² 与按 SPSS 公式的独立实现一致。多项模型则与独立编写的 NumPy/SciPy 伪似然拟合及三明治方差对照：系数误差在 1e-8 以内，标准误、设计效应和 Wald 检验在 1e-7 以内。 验证证据（英文）
常见问题
什么是伪最大似然？
模型最大化加权对数似然，以此估计总体似然。由于权重不是频数，该似然并非真正的似然，因此不使用似然比检验，推断来自基于设计的 Wald 检验。
为什么 −2 对数似然这么大？
它在加权尺度上计算，因此会随估计总体规模增大。应比较初始值与最终值，或查看伪 R²，而不是看绝对数值。
哪个类别是参考类别？
默认为排序后的最后一个类别，与 SPSS 一致。可在“参考类别”中改选；此后每个系数都将某响应类别与之比较。对于因子，最后一个水平是参考水平。
为什么分类表中的计数不是整数？
它们是抽样权重之和，估计的是总体中有多少人会被这样分类，而不是受访者人数。
我的调查文件会被上传吗？
不会。工作区在浏览器中读取文件并运行 CSLOGISTIC，抽样计划也只保存在当前浏览器中。数据不会发送到 Crosstabs 服务器，也无需注册账号。
相关过程
- 复杂抽样计划CSPLAN
- 复杂抽样交叉表CSTABULATE
- 复杂抽样有序回归CSORDINAL
- 二元 Logistic 回归LOGISTIC REGRESSION
- 多项 Logistic 回归NOMREG
- 免费的 SPSS 替代工具：支持范围
用你自己的数据运行复杂抽样 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。
SPSS 是 IBM Corp. 的商标。Crosstabs 与 IBM 无关联，也未获得 IBM 认可。