能告诉你什么
Crosstabs 在你的设备上运行与 SPSS CSORDINAL 对应的过程，提供 logit、probit、互补双对数、负双对数和 Cauchit 关联函数、伪似然估计、基于设计的标准误以及基于设计自由度的 Wald 检验。
- 预测变量是使个案偏向更高还是更低的类别：位置系数为正表示更高类别更可能出现。
- 相邻类别之间在潜变量尺度上的阈值（切点）。
- 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 调整检验。
- 抽样设计使每个参数的方差改变了多少（设计效应），以及模型拟合程度（伪 R²）。
适用场景
适合使用
- 在加权整群调查中，以李克特评分、满意度量表或有序分档（收入档、严重程度）为结果变量。
- 希望每个预测变量只有一个系数，而不是像多项 Logistic 那样每个类别各有一组系数。
- 比较不同关联函数：潜变量近似正态时用 probit；高类别更常见时用互补双对数；低类别更常见时用负双对数。
改用其他方法
- 类别没有自然顺序：使用复杂抽样 Logistic 回归（多项）。
- 需要平行线（比例优势）检验：此处不提供；可改为比较多项模型中各类别的系数。
- 分点很多、近似连续的评分：复杂抽样一般线性模型可能更易解释。
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“复杂抽样有序回归”（CSORDINAL）。
- 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
选择因变量和关联函数
选择“因变量（有序）”，类别按取值排序。在“关联函数”中选择“Logit（SPSS 默认）”“Probit”“互补双对数”“负双对数”或“Cauchit”。
- 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。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。
| 源 | Wald F | df1 | df2 | 显著性 | 调整的 F | 显著性（调整 F） |
|---|---|---|---|---|---|---|
| sex | 9.986 | 1 | 9 | .012 | 9.986 | .012 |
| age | 8.545 | 1 | 9 | .017 | 8.545 | .017 |
Wald F 为 Fellegi 调整 Wald F，自由度为 (r, ν − r + 1)；调整的 F 为相对 SRS 协方差的 Rao–Scott 二阶校正。
| 项目 | 参数 | B | 标准误 | t | 显著性 | 设计效应 |
|---|---|---|---|---|---|---|
| 阈值 | [satisfaction=1] | −0.097 | 0.803 | −0.121 | .907 | 2.406 |
| 阈值 | [satisfaction=2] | 1.107 | 0.664 | 1.668 | .130 | 1.781 |
| 阈值 | [satisfaction=3] | 2.248 | 0.543 | 4.136 | .003 | 1.141 |
| 阈值 | [satisfaction=4] | 3.494 | 0.737 | 4.742 | .001 | 1.627 |
| 位置 | [sex=Female] | 0.741 | 0.235 | 3.160 | .012 | 0.408 |
| 位置 | [sex=Male]ᵃ | 0 | ||||
| 位置 | age | 0.034 | 0.012 | 2.923 | .017 | 1.124 |
a. 此参数冗余，因此设为零（最后一个类别为参考）。关联函数：Logit。
结果解读
在累积 logit 模型 P(Y ≤ k) = F(阈值_k − xβ) 中，正系数使个案偏向更高的满意度类别。女性的位置系数为 0.741（p = .012），即女性处于更高类别的优势约为男性的 2.10 倍；年龄每增加一岁，系数增加 0.034（p = .017）。四个阈值是五个类别之间的切点。标准误来自基于设计的三明治估计，Nagelkerke R² 为 0.125。
输出表格说明
- 模型摘要
- 仅含阈值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
- 每个预测变量的 Wald F、Wald 卡方和 Rao–Scott 调整 F，基于设计自由度。
- 参数估计值
- 阈值行（比类别数少一个）和预测变量的位置行，各附 B、标准误、置信区间、t、自由度、显著性和设计效应；脚注注明关联函数。
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。
- 每个预测变量在所有阈值处效应相同（平行线假设；logit 关联下即比例优势）。模型为 P(Y ≤ k) = F(阈值_k − xβ)。
- 推断基于设计自由度（PSU 数减层数）上的 t 和 F 分布。每层 PSU 很少时自由度很小、区间较宽；只有一个 PSU 的层对方差没有贡献。
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，全部五种关联函数都与独立编写的全精度 NumPy/SciPy 累积关联拟合及三明治方差对照：系数相对误差在 1e-7 以内，标准误和设计效应在 1e-6 以内，−2 对数似然在 1e-10 以内。其中三种关联函数还与 R survey 包的 svyolr 比较：估计值误差在 1e-7 以内；由于 svyolr 使用数值 Hessian，标准误的偏差在 2e-3 以内。 验证证据（英文）
常见问题
如何理解系数的符号？
模型为 P(Y ≤ k) = F(阈值_k − xβ)，因此正系数会降低处于各类别及以下的概率——即使个案偏向更高的类别。在 logit 关联下，Exp(B) 是处于更高类别的累积优势比。
应选择哪种关联函数？
Logit 是默认选项，可解释为优势比。Probit 假定潜变量服从正态分布；互补双对数适合集中于高类别的结果，负双对数适合集中于低类别的结果，Cauchit 对极端值更稳健。不确定时可比较各关联函数的伪 R²。
为什么没有截距行？
在累积关联模型中，阈值承担截距的作用，每个切点一个。因此每个因子都以最后一个水平作为冗余参考。
有平行线检验吗？
没有。面板只拟合比例（平行线）模型。若怀疑效应在不同阈值处不同，可拟合多项复杂抽样 Logistic 回归，并比较各类别的系数。
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 CSORDINAL，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
用你自己的数据运行复杂抽样有序回归
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。