品牌型号：联想ThinkBook

系统：windows10 64位旗舰版

软件版本：IBM SPSS Statistics 29.0

在数据分析领域，如果需要分析二分类因变量与多个自变量的关系，推荐使用SPSS二元Logistic回归的方法进行操作。为了使数据呈现更简洁易读，二元分类变量通常取值为0和1来代表不同的分类定义。今天，我们以SPSS二元Logistic回归是什么，SPSS二元Logistic回归怎么建模这两个问题为例，带大家了解一下SPSS二元回归的相关知识。

一、SPSS二元Logistic回归是什么

在研究多因素对某一变量的影响时，我们可以采用多重线性回归，但如果因变量为分类变量，例如阳性和阴性，而且因变量和自变量并不是线性关系，那么应当使用回归分析来研究，我们就在这里展示一下SPSS二元Logistic回归的操作过程。

1、下图为某医院探究成年男性吸烟、饮酒与冠心病关系的研究数据，分别是285例冠心病病例和705例健康人对照，0表示对照、不吸烟、不喝酒，1表示病例、吸烟、饮酒，接下来展示一下怎么对案例数据进行SPSS二元回归分析。

2、首先找到SPSS编辑栏【数据】模块的【个案加权】选项，我们需要对之后回归分析的依据进行确认，点击【个案加权依据】，将频数移动到【频率变量】栏，点击【确定】按键。

3、在编辑页面【分析】模块找到【回归】的【二元Logistic】选项，由此进入对案例数据进行二元回归分析的题项设置。

4、将病例对照Y移动到【因变量】，吸烟X1和饮酒X2移动到【块】，在下方的【方法】模块选择输入，这样就完成了对变量的设置操作，由此可以分析吸烟和饮酒情况对病例的非线性影响。

5、然后点击页面的【分类】模块，将吸烟X1和饮酒X2移动到【分类协变量】栏，在【更改对比】栏勾选【参考类别】的【第一个】，再点击【继续】按键。

6、再点击【保存】模块，勾选【预测值】的【概率】和【组成员】，这样就能够后续查看回归分析的数据概率统计等相关信息。

7、最后找到【选项】的【统计和图】模块，勾选【霍斯默莱梅肖拟合优度】，并且在置信区间填写95%，完成回归拟合优度和置信区间的设置。

二、SPSS二元Logistic回归怎么建模

根据上述操作，我们可以评估数据模型的拟合程度进而了解相关回归模型情况，接下来展示一下如何解读SPSS二元Logistic回归的模型信息。

1、首先我们来看SPSS结果输出页面的模型系数检验，它是将纳入模型的所有自变量作为一个整体，通过下图数据，我们看到显著性p＜0.05，表示至少有一个自变量可以解释因变量分类结果。

2、然后我们再看霍斯默相关检验情况，这用于评估二元回归模型的拟合优度，下图显著性p值为0.993大于0.05，表明观测值和预测值适配。在列联表，我们可以清晰看到病例和健康人对照数据在实测和期望方面的数值，总体上案例数据模型拟合好。

3、最后在方程变量结果图，B表示回归模型系数，瓦尔德用于检验回归系数是否显著，从表中可以看到，吸烟回归系数为0.465，wald值为7.951，显著性p＜0.05，证明吸烟与患冠心病之间存在关联，而饮酒p值大于0.05，无足够证据表示饮酒和患冠心病之间存在关联。

三、小结

以上就是SPSS二元Logistic回归是什么，SPSS二元Logistic回归怎么建模的解答。如果我们想要检测庞杂数据集的模型拟合度，推荐使用SPSS二元回归分析的方法进行观测，便于后续对观测值的准确判断。最后，也欢迎大家前往SPSS的中文网站，学习更多关于数据分析的操作技巧。