在浏览器中做多项 Logistic 回归

Crosstabs 在你的设备上运行与 SPSS NOMREG 对应的过程，输出模型拟合信息与似然比检验、含 Exp(B) 的参数估计值、拟合优度、三种伪 R 方以及分类表。

• 预测变量整体是否优于仅含截距的模型（模型拟合信息：-2 对数似然、AIC、BIC 与似然比卡方）。
• 哪些预测变量在所有 logit 上整体起作用：似然比检验逐一去掉某个效应后重新拟合模型。
• 每个预测变量如何改变各类别相对参考类别的优势（B、Wald 检验以及 Exp(B) 及其置信区间）。
• 模型对观察结果的再现程度：基于协变量模式的 Pearson 与偏差拟合优度，Cox 和 Snell、Nagelkerke、McFadden 伪 R 方，以及正确分类百分比。

1. 01

   打开数据

   在工作区打开 .sav、CSV 或 Excel 文件并切换到“统计”模式；文件不会上传。

2. 02

   选择多项 Logistic 回归

   在“回归”组中选择“多项 Logistic 回归”（NOMREG）。

3. 03

   设置因变量和参考类别

   选择一个分类“因变量”，再把“参考类别”设为“最后一个类别”（SPSS 默认）或“第一个类别”。

4. 04

   添加因子和协变量

   在“因子”中勾选分类预测变量，在“协变量”中勾选数值预测变量（各最多 12 个）。

5. 05

   可选：逐步选择预测变量

   在“选项”中选择“逐步方法”（向前输入、向前逐步、向后剔除或向后逐步）、“输入检验”（似然比或得分）与“剔除检验”（似然比或 Wald）及其概率，并勾选需要“强制纳入模型”的预测变量。

6. 06

   设置选项并运行

   在“选项”中保持勾选“包含截距”，按需调整“置信水平（%）”，然后点击“运行”。若工作区设置了权重，需先声明其为频率权重。

个案处理摘要

各结果类别与因子水平的个案数及边际百分比、有效与缺失个案数，以及子总体（不同预测变量模式）的个数。

步骤摘要

使用逐步方法时：先列出起始模型，再列出每一步输入或剔除的效应，以及模型的 AIC、BIC、-2 对数似然和输入或剔除检验的卡方、自由度与显著性。

模型拟合信息

仅截距模型与最终模型的 AIC、BIC 和 -2 对数似然，以及同时检验全部预测变量的似然比卡方。

拟合优度

基于子总体的 Pearson 卡方与偏差卡方。若大多数子总体只有一个个案，会提示卡方近似不可靠。

伪 R 方

Cox 和 Snell、Nagelkerke 与 McFadden 三种指标，衡量相对零模型的改进，并非被解释方差的比例。

似然比检验

每个效应被去掉后的简化模型 -2 对数似然及卡方变化量，是该因子在所有类别上的整体检验。

参数估计值

每个非参考类别一组：B、标准误、Wald、自由度、显著性、Exp(B) 及其置信区间。各因子的最后一个水平为冗余参数，固定为零。

分类

按最高预测概率分类后的观察类别 × 预测类别交叉表，含各行及总体的正确百分比。