文档介绍：SPSS二项Logistic回归
当被解释变量是0/1二值品质变量时，通常应采用Logistic回归；
Logistic回归模型：
.
1
案例分析：消费行为的logistic回归分析
背景：为研究和预测某商品消费特点和趋势，收集到以往的消费数据。数据项包括：是否购买(PURCHASE)、性别（Gender）、年龄（Age）和收入水平（Income）。
现依据性别（Gender）、年龄（Age）和收入水平（Income）预测判断消费者行为。
注意：
1、本例中性别属于品质型变量。品质型变量应将其转化虚拟变量后再参与回归分析。
2、虚拟变量的设置是将品质变量的各个类别分别以0/1二值变量的形式重新编码，1表示属于该类，0表示不属于该类；
3、对于n个分类的品质变量，当确定了参照类后，只需设置n-1个虚拟变量即可。如：性别可需只设置变量x1表示‘是否男’，取1表示男，取0表示非男即‘女’，此时‘女’类作为参照类。
.
2
基本操作：
选择分析（analyze）--回归（regression）--二元Logistic回归
被解释变量的选择
解释变量的选择
条件变量的选择，只有满足条件变量值的样本才参与回归分析
选择解释变量的筛选策略
.
3
选择解释变量的筛选策略
（1）进入（enter）：表示解释变量全部强行进入模型；
（2）向前：条件（forward: conditional）表示向前筛选变量且变量进入模型的依据是比分检验统计量，剔除出模型的依据是条件参数估计原则下的似然率卡方（首选选择使变化量变化最小的解释变量剔除出模型）；
（3）向前：LR（forward: LR）表示向前筛选变量且变量进入模型的依据是比分检验统计量，剔除出模型的依据是极大似然估计原则下的似然比卡方；
（4）向后：条件（backward: conditional）表示向后筛选变量且变量剔除出模型的依据是条件参数估计原则下的似然比卡方；
（5）向后：LR（ backward : LR）表示向后筛选变量且变量剔除出模型的依据是极大似然估计原则下的似然比卡方；
（6）向后：Wald（ backward : Wald）表示向后筛选变量且变量剔除出模型的依据是wald统计量；
.
4
解释变量是品质变量时，点击‘分类’按钮指定如何生成虚拟变量。
分类变量的选择。
‘更改对比（change contrast）’框中‘对比（contrast）’中选择参照类，并点击‘更改’。
其中：指示符（indicator）表示以某个特定的类为参照类；这个类可以是品质变量最大值对应的类（即：参考类别（reference）中的‘最后一个（last）’）;也可以是品质变量最小值对应的类（即：参考类别（reference）中的‘第一个（first）’）
.
5
绘制被解释变量实际值和预测分类值的关系图。
输出Hosmer-Lemeshow拟合优度指标。（当解释变量较多且多为定距型变量时使用）
输出各样本数据的非标准化残差和标准化残差等指标。
输出风险比默认95%的置信区间。
只输出最终的模型结果。
输出模型建立过程中每一步的结果。
指定解释变量进入或剔除出模型的显著性水平。
设置概率分界值。，。
设置极大似然估计的最大迭代次数。
.
6
保存被解释变量取值为1的概率值。
保存分类预测值。
保存残差。
对被解释变量y中异常值的探测。
标准化残差：根据3σ准则，认为标准化残差绝对值大于3对应的观察值为异常值。
学生化残差：适用于存在‘异方差’现象时的异常值判断。一般认为：学生化残差大于3对应的观察值为异常值。
一般库克距离大于1，就可认为对应的观察值为强影响点。
杠杆值是指反映了解释变量x的第i个值与x的平均值之间的差异；一般第i个样本的杠杆值较高（大于2倍或3倍的中心化杠杆值）意味着对应的x是一个强影响点。
剔除第i个样本后，观察标准化回归系数前后变化。标准化回归系数变化的绝对值大于2/ 时，可认为第i个样本可能是强影响点。
利用残差分析探测样本中的异常值和强影响点。通常异常值和强影响点是指那些远离均值的样本数据点，对回归方程的参数估计有较大影响，应尽量找出并加以剔除。
.
7
Omnibus Tests of Model Coefficients
Chi-square（似然比卡方）
Df（自由度）
Sig.（显著性水平）
Step 1
Step

4
.001
Block

4