如何用SPSS做logistic回归分析解读

如何用spss17.0进行二元和多元logistic回归分析

一、二元logistic回归分析

二元logistic回归分析的前提为因变量是可以转化为0、1的二分变量，如：死亡或者生存，男性或者女性，有或无，Yes或No，是或否的情况。

下面以医学中不同类型脑梗塞与年龄和性别之间的相互关系来进行二元logistic回归分析。

（一）数据准备和SPSS选项设置

第一步，原始数据的转化：如图1-1所示，其中脑梗塞可以分为ICAS、ECAS和NCAS三种，但现在我们仅考虑性别和年龄与ICAS的关系，因此将分组数据ICAS、ECAS和NCAS转化为1、0分类，是ICAS赋值为1，否赋值为0。年龄为数值变量，可直接输入到spss中，而性别需要转化为（1、0）分类变量输入到spss当中，假设男性为1，女性为0，但在后续分析中系统会将1，0置换（下面还会介绍），因此为方便期间我们这里先将男女赋值置换，即男性为“0”，女性为“1”。

图1-1

第二步：打开“二值Logistic 回归分析”对话框：

沿着主菜单的“分析（Analyze）→回归（Regression）→二元logistic （Binary Logistic）”的路径（图1-2）打开二值Logistic 回归分析选项框（图1-3）。

如图1-3左侧对话框中有许多变量，但在单因素方差分析中与ICAS 显著相关的为性别、年龄、有无高血压，有无糖尿病等（P<0.05），因此我们这里选择以性别和年龄为例进行分析。

在图1-3中，因为我们要分析性别和年龄与ICAS的相关程度，因此将ICAS选入因变量（Dependent）中，而将性别和年龄选入协变量（Covariates）框中，在协变量下方的“方法（Method）”一栏中，共有七个选项。采用第一种方法，即系统默认的强迫回归方法（进入“Enter”）。

接下来我们将对分类（Categorical），保存（Save），选项（Options）按照如图1-4、1-5、1-6中所示进行设置。在“分类”对话框中，因为性别为二分类变量，因此将其选入分类协变量中，参考类别为在分析中是以最小数值“0（第一个）”作为参考，还是将最大数值“1（最后一个）”作为参考，这里我们选择第一个“0”作为参考。在“存放”选项框中是指将不将数据输出到编辑显示区中。在“选项”对话框中要勾选如图几项，其中“exp(B)的CI(X)”一定要勾选，这个就是输出的OR和CI值，后面的95%为系统默认，不需要更改。

另外在“选项”对话框中，“输出”一栏中，系统默认为“在每个步骤中”，这里更改为“在最后一个步骤中”，即：输出结果将仅仅给出最终结果，而省略每一步的计算过程。由于我们采用强迫回归，逐步回归概率选项可以不管

此外还有一个选项需要说明。一是分类临界值（Classification cutoff），默认值为0.5，即按四舍五入的原则将概率预测值化为0 或者1。如果

将数值改为0.6，则大于等于0.6 的概率值才表示为1，否则为0。其情况余依此类推。二是最大迭代值（Maximum Iterations），规定系统运算的迭代次数，默认值为20 次，为安全起见，我们将迭代次数增加到50。原因是，有时迭代次数太少，计算结果不能真正收敛。三是模型中包括常数项（Include constant in model），即模型中保留截距。除了迭代次数之外，其余两个选项均采用系统默认值。

完成后，点击各项中“继续（Continue）”按钮。返回图1-3，单击“确定”按钮。

（二）结果解读

其他结果参照文章《利用SPSS进行Logistic回归分析》中解读，这里重点将两点：第一，分类变量编码（图1-7），由于这里包括性别分类变量，而我们对性别赋值为1和0，但在spss中系统会默认把我们的数值进行置换，即1→参数编码0，0→参数编码1，而最终输出结果是以1来计算的，而0为参考数据。所以这也就是为什么我么之前要对研究组男性的赋值进行置换了。如果男性为1那么spss中最终输出的将是女性的分析结果。

图1-7

第二，最终输出数据（图1-8）在该结果中，Exp(B)即为文献中提及的OR值，而EXP(B)的95%C.I.即为文献中提及的CI值。其中Exp(B)表示某因素（自变量）内该类别是其相应参考类别具有某种倾向性的倍数。而有的文献中提到的Crode OR和Adjust OR则分别为单因素优势率（Crode odds ratio）和多因素优势率（Adjust odds ratio），即仅对性

别单个变量的单因素分析或者对性别和年龄等多个变量进行多因素分

析后所得到的不同结果。CI则为可信区间（Confidence interval）。Sig.即我们常说的P值，P<0.05为显著（无效假说不成立，具有统计学意义），P>0.05为不显著（无效假说成立，不具有统计学意义）。

二、多项（多元、多分类、Multinomial）logistic回归分析

前面讲的二元logistic回归分析仅适合因变量Y只有两种取值（二分类）的情况，当Y具有两种以上的取值时，就要用多项logistic回归（M utinomial Logistic Regression）分析了。这种分析不仅可以用于医疗领域，也可以用于社会学、经济学、农业研究等多个领域。如不同阶段（初一、初二、初三）学生视力下降程度，不同龋齿情况（轻度、中度、重度）下与刷牙、饮食、年龄的关系等。

下面我们以图1-2中，对apoba1（ApoB/AI）项中数值做四分位数后，将病人的ApoB/AI的比值划分为低、较低、中、高四个分位后利用多项logistic回归分析其与ICAS之间的相互关系。

首先来做四分位数，很多人在做四分位数的时候都是自己算出来的，其实在SPSS里面给出了做四分位数的程度即分析（Aanlyze）→描述统计（Descriptive Statistics）→频率（Frequencies）。打如图2-1开频率对话框。将我们要分析的数值变量Apoba1选入到变量对话框中。

选择统计量，按照图2-2中勾选四分位数选项，其他选项按照自己需要勾选，然后点击图2-1中的确定按钮，开始运算。在图2-3中可以读取我们的四分位数

第4/7页

值。图中百分数表示的是对该变量做的四分位数的百分比，25表示前2 5%的，50表示前50%的，75表示前75%的。每一项对应的后面数值即为相应的四分位数，如0.5904，即为前25%的个体与后75%个体的分位数。

按照如上方法得出ApoB/AI的比率后我们可以把该比值划分为四个

区间，即当ApoB/AI的比率<0.5904为低、当0.5904≤ApoB/AI的比率

≤0.88时为较低、当0.89≤ApoB/AI的比率≤1.0886时为中，当ApoB/AI

的比率>1.0886时为高。然后将这一划分如图1-1中“四分位数”一项用

分类数值表示即1代表低，2代表较低，3代表中，4代表高。这里还要强调的是我们要研究其与ICAS之间的相互关系，那么我们需要将其设为二分类变量，即是ICAS的情况为1，否则为0，但多项logistic回归分析也会将1，0置换，所以我们需要在这里将我们需要研究的情况置

换为0，然后将其他置换为1。下面就可以进行多项logistic回归分析了。如图2-4打开多项logistic回归分析对话框（图2-5）。

如图2-5所示，在”因变量”中选入刚才我们输入的四分位数分类变量，在因子中输入分类变量ICAS（这里一定是分类变量，可以是一个也可

以是多个），在“协变量”中输入数值变量如年龄（这里一定是数值变量，

可以是一个也可以是多个），但因本次没有对年龄进行分析，仅对ICAS 进行了单因素分析，所以我们把年龄移出协变量选项。

在SPSS中对因变量的定义是，如果因变量Y有J个值（即Y有J 类），以其中一个类别作为参考类别，其他类别都同他相比较生成J-1个冗余的Logit变换模型，而作为参考类别的其模型中所有系数均为0。在SPSS中可以对所选因变量的参考类别进行设置，如图2-5在因变量对话框下有一“参考类别”选项。点击后会弹出图2-6对话框。在该对话框中我们选中设定，输入数值1，这代表我们以分类数值1所代表的类别作为参考类别，即最低数值作为参考类别。

单击继续。当然也可以选择“第一类别”和“最后类别”，入选中分别表示以最低数值或最高数值作为参考类别。其他设置与二元Logistic分析相似，将我们要输出的项勾选即可，点击图2-5中确定，输出数据。

输出数据基本与二元Logistic分析相似，我们重点讲下最后一项“参考估计”，如图2-7所示，其中参考类别为ICAS=1的分类情况，而其中的ICAS=0分为2、3、4三种，分别给出了ICAS=0时的数值。而其中Exp(B)（即OR值）表示某因素（自变量）内该类别是其相应参考类别具有某种倾向性的倍数。如Exp(B)=2.235时，即表示在较轻这一类别下ICAS患者数为其他类别（ECAS和NCAS）的2.235倍。这里面的显著水平即为P值。

这里要强调的是，一些文献中在输出数据的时候经常会给出“Referen t（参考）”项，这里的Referent，即为我们这里所选的参考类别1，因为

1作为参考类别，所以其所有数值为0，即无数据输出。因此在文中需标注其为Referent。

读书的好处

1、行万里路，读万卷书。

2、书山有路勤为径，学海无涯苦作舟。

3、读书破万卷，下笔如有神。

4、我所学到的任何有价值的知识都是由自学中得来的。——达尔文

5、少壮不努力，老大徒悲伤。

6、黑发不知勤学早，白首方悔读书迟。——颜真卿

7、宝剑锋从磨砺出，梅花香自苦寒来。

8、读书要三到：心到、眼到、口到

9、玉不琢、不成器，人不学、不知义。

10、一日无书，百事荒废。——陈寿

11、书是人类进步的阶梯。

12、一日不读口生，一日不写手生。

13、我扑在书上，就像饥饿的人扑在面包上。——高尔基

14、书到用时方恨少、事非经过不知难。——陆游

15、读一本好书，就如同和一个高尚的人在交谈——歌德

16、读一切好书，就是和许多高尚的人谈话。——笛卡儿

17、学习永远不晚。——高尔基

18、少而好学，如日出之阳；壮而好学，如日中之光；志而好学，如炳烛之光。——刘向

19、学而不思则惘，思而不学则殆。——孔子

20、读书给人以快乐、给人以光彩、给人以才干。——培根

实验7相关及回归分析SPSS应用

实验7 相关与回归分析 7.1实验目的 熟练掌握一元线性回归分析的SPSS应用技能，掌握一元非线性回归分析的SPSS应用技能，对实验结果做出解释。 7.2相关知识（略） 7.3实验内容 7.3.1一元线性回归分析的SPSS实验 7.3.2一元非线性回归分析的SPSS实验 7.4实验要求 7.4.1准备实验数据 1.线性回归分析数据 （The Wall 美国各航空公司业绩的统计数据公布在《华尔街日报1999年年鉴》 Street Journal Almanac 1999）上。航班正点到达的比率和每10万名乘客投诉 的次数的数据，见表7-1所示。 表7-1 美国航空公司航空正点率与乘客投诉次数资料 2.非线性回归分析数据 1992～2013年某国保费收入与国内生产总值的数据，试研究保费收入与国内生产

总值的关系的数据，见表7-2所示。 表7-2 1992～2013年某国保费收入与国内生产总值数据 单位：万元 7.4.2完成一元线性回归分析的SPSS 实验，对实验结果作出简要分析。 7.4.3完成一元非线性回归分析的SPSS 实验，对实验结果作出简要分析。 7.5实验步骤 7.5.1 完成一元线性回归分析的SPSS 实验步骤 1.运用SPSS 绘制散点图散点图。 第一步：在excel 中输入数据 图7-1 第二步：将excel 数据导入spss 单击打开数据文档按钮（或选择菜单文件→打开）→选择文件航空公司航班

正点率与投诉率.xls 图7-2 第三步：选择菜单图形→旧对话框→散点/点状，在散点图/点图对话框中， 选择简单分布按钮 图7-3 第三步：在简单散点图对话框中，将候选变量框中的投诉率添加到Y轴，航班正点率添加到X轴，点击确定：

相关分析与回归分析SPSS实现

相关分析与回归分析 一、试验目标与要求 本试验项目的目的是学习并使用SPSS 软件进行相关分析和回归分析，具体包括： (1) 皮尔逊pearson 简单相关系数的计算与分析 (2) 学会在SPSS 上实现一元及多元回归模型的计算与检验。 (3) 学会回归模型的散点图与样本方程图形。 (4) 学会对所计算结果进行统计分析说明。 (5) 要求试验前，了解回归分析的如下内容。 ? 参数α、β的估计 ? 回归模型的检验方法：回归系数β的显著性检验（t －检验）；回归 方程显著性检验（F －检验）。 二、试验原理 1．相关分析的统计学原理 相关分析使用某个指标来表明现象之间相互依存关系的密切程度。用来测度简单线性相关关系的系数是Pearson 简单相关系数。 2．回归分析的统计学原理 相关关系不等于因果关系，要明确因果关系必须借助于回归分析。回归分析是研究两个变量或多个变量之间因果关系的统计方法。其基本思想是，在相关分析的基础上，对具有相关关系的两个或多个变量之间数量变化的一般关系进行测定，确立一个合适的数据模型，以便从一个已知量推断另一个未知量。回归分析的主要任务就是根据样本数据估计参数，建立回归模型，对参数和模型进行检验和判断，并进行预测等。 线性回归数学模型如下： i ik k i i i x x x y εββββ+++++= 22110 在模型中，回归系数是未知的，可以在已有样本的基础上，使用最小二乘法对回归系数进行估计，得到如下的样本回归函数： i ik k i i i e x x x y +++++=ββββ????22110 回归模型中的参数估计出来之后，还必须对其进行检验。如果通过检验发现模型有缺陷，则必须回到模型的设定阶段或参数估计阶段，重新选择被解释变量

SPSS软件应用于相关分析与回归分析

实验五 SPSS软件应用于 相关分析与回归分析 学院：动物科技学院 班级：动科101 姓名：李貌 学号：2010020407

实验五SPSS软件应用于相关分析与回归分析 一、实验目的： 1、理解线性相关分析和回归分析的意义及应用并对有关数据进行分析。 2、熟悉SPSS软件应用于相关分析和回归分析的操作和步骤。 3、进一步掌握运用SPSS软件处理数据和分析数据的能力。 二、实验内容： 玉米在盐胁迫后的萎焉程度(R)与根中蛋白（R）、叶中蛋白（L）、脯氨酸（pro）之间关系如下，试进行变量间的相关分析、回归分析。 萎焉度（Y）/% 根中蛋白（R）/% 叶中蛋白（L）/% 脯氨酸（pro）/% 0.9300 0.79 0.98 0.093 0.9547 0.99 1.02 0.105 0.9661 0.91 1.58 0.119 0.9678 1.01 1.47 0.155 0.9725 1.14 1.89 0.234 0.9735 1.36 1.32 0.251 0.9856 1.36 1.76 0.217 1.0032 1.19 2.61 0.271 1.0045 1.21 2.33 0.227 1.0075 1.06 2.88 0.270 1.0186 1.58 2.40 0.282 1.0201 1.30 2.40 0.557 1.0245 1.81 2.37 0.650 1.0260 1.88 2.59 0.622 1.0283 1.46 3.10 0.611 1.0364 1.68 3.36 0.657 三、实验步骤： (一、线性回归分析） 1、启动SPSS，进行变量定义和数据录入，如（图1、2）。

相关分析和一元线性回归分析SPSS报告

用下面的数据做相关分析和一元线性回归分析： 选用普通高等学校毕业生数和高等学校发表科技论文数量做相关分析和一元线性回归分析。 一、相关分析 1.作散点图

普通高等学校毕业生数和高等学校发表科技论文数量的相关图 从散点图可以看出：普通高等学校毕业生数和高等学校发表科技论文数量的相关性很大。 2.求普通高等学校毕业生数和高等学校发表科技论文数量的相关系 数

把要求的两个相关变量移至变量中，因为都是定距数据，选择相关系数中的Pearson，点击确定，可以得到下面的结果：

Correlations 普通高等学校毕业生数(万人)高等学校发表科技论文数量(篇) 普通高等学校毕业生数(万人)Pearson Correlation1.998** Sig. (2-tailed).000 N1414 高等学校发表科技论文数量(篇)Pearson Correlation.998**1 Sig. (2-tailed).000 N1414 **. Correlation is significant at the 0.01 level (2-tailed). 两相关变量的Pearson相关系数=0.0998，表示呈高度正相关；相关系数检验对应的概率P值=0.000，小于显著性水平0.05，应拒绝原假设（两变量之间不具有相关性），即毕业生人数好发表科技论文数之间的相关性显著。 3.求两变量之间的相关性 选择相关系数中的全部，点击确定：

Correlations (万人)(篇) Kendall's tau_b(万人)Correlation Coefficient 1.000 1.000** Sig. (2-tailed).. N1414 (篇)Correlation Coefficient 1.000** 1.000 Sig. (2-tailed).. N1414 Spearman's rho(万人)Correlation Coefficient 1.000 1.000** Sig. (2-tailed).. N1414 (篇)Correlation Coefficient 1.000** 1.000 Sig. (2-tailed).. N1414 **. Correlation is significant at the 0.01 level (2-tailed). 注解：两相关变量（毕业生数和发表论文数）的Kendall相关系数=1.000，呈正相关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性），即毕业生数与发表论文数之间相关性不显著。 两相关变量（毕业生数和发表论文数）的Spearman相关系数=1.000，呈正相关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性），即毕业生数与发表论文数之间相关性不显著。 4.普通高等学校毕业生数和高等学校发表科技论文数量的相关系数

相关分析和回归分析SPSS实现

相关分析和回归分析 S P S S实现 TYYGROUP system office room 【TYYUA16H-TYY-TYYYUA8Q8-

相关分析与回归分析 一、试验目标与要求 本试验项目的目的是学习并使用SPSS软件进行相关分析与回归分析，具体包括： (1)皮尔逊pearson简单相关系数的计算与分析 (2)学会在SPSS上实现一元及多元回归模型的计算与检验。 (3)学会回归模型的散点图与样本方程图形。 (4)学会对所计算结果进行统计分析说明。 (5)要求试验前，了解回归分析的如下内容。 参数α、β的估计 回归模型的检验方法：回归系数β的显着性检验（t－检验）；回归 方程显着性检验（F－检验）。 二、试验原理 1．相关分析的统计学原理 相关分析使用某个指标来表明现象之间相互依存关系的密切程度。用来测度简单线性相关关系的系数是Pearson简单相关系数。 2．回归分析的统计学原理 相关关系不等于因果关系，要明确因果关系必须借助于回归分析。回归分析是研究两个变量或多个变量之间因果关系的统计方法。其基本思想是，在相关分析的基础上，对具有相关关系的两个或多个变量之间数量变化的一般关系进行测定，确立一个合适的数据模型，以便从一个已知量推断另一个未知量。回归分析的主要任务就是根据样本数据估计参数，建立回归模型，对参数与模型进行检验与判断，并进行预测等。 线性回归数学模型如下： 在模型中，回归系数是未知的，可以在已有样本的基础上，使用最小二乘法对回归系数进行估计，得到如下的样本回归函数： 回归模型中的参数估计出来之后，还必须对其进行检验。如果通过检验发现模型有缺陷，则必须回到模型的设定阶段或参数估计阶段，重新选择被解释变量与解释变量及其函数形式，或者对数据进行加工整理之后再次估计参数。回归模型的检验包括一级检验与二级检验。一级检验又叫统计学检验，它是利用统计学的抽样理论来检验样本回归方程的可靠性，具体又可以分为拟与优度

第六章 spss相关分析和回归分析

第六章 SPSS相关分析与回归分析 6.1 相关分析和回归分析概述 客观事物之间的关系大致可归纳为两大类，即 ●函数关系：指两事物之间的一种一一对应的关系，如商品的销售额和销售量之间的 关系。 ●相关关系（统计关系）：指两事物之间的一种非一一对应的关系，例如家庭收入和 支出、子女身高和父母身高之间的关系等。相关关系又分为线性相关和非线性相关。 相关分析和回归分析都是分析客观事物之间相关关系的数量分析方法。 6.2 相关分析 相关分析通过图形和数值两种方式，有效地揭示事物之间相关关系的强弱程度和形式。 6.2.1 散点图 它将数据以点的的形式画在直角坐标系上，通过观察散点图能够直观的发现变量间的相关关系及他们的强弱程度和方向。 6.2.2 相关系数 利用相关系数进行变量间线性关系的分析通常需要完成以下两个步骤： 第一，计算样本相关系数r； ●相关系数r的取值在-1～+1之间 ●R>0表示两变量存在正的线性相关关系；r<0表示两变量存在负的线性相关关 系 ●R＝1表示两变量存在完全正相关；r＝-1表示两变量存在完全负相关；r＝0表 示两变量不相关 ●|r|>0.8表示两变量有较强的线性关系；|r|<0.3表示两变量之间的线性关系较 弱 第二，对样本来自的两总体是否存在显著的线性关系进行推断。 对不同类型的变量应采用不同的相关系数来度量，常用的相关系数主要有Pearson简单相关系数、Spearman等级相关系数和Kendall τ相关系数等。 6.2.2.1 Pearson简单相关系数（适用于两个变量都是数值型的数据） Pearson简单相关系数的检验统计量为： 6.2.2.2 Spearman等级相关系数 Spearman等级相关系数用来度量定序变量间的线性相关关系，设计思想与Pearson简 x y，而是利单相关系数相同，只是数据为非定距的，故计算时并不直接采用原始数据(,) i i