一、二元Logit方法所属模块

二元Logit在SPSSAU中属于【进阶方法】模块。

二、方法概述

二元Logit主要用于分析某个结果发生或不发生的影响因素，适合因变量只有两个类别的场景。比如是否购买、是否流失、是否通过审核等问题，都可以用它来判断哪些因素在起作用，以及作用方向和影响强弱。

三、变量设置规则

二元Logit需要设置2类变量，分别是1个因变量和1组自变量，这两类变量都需要填写。

1. 因变量设置

（1）因变量只能放入1个变量。

（2）因变量必须是定类变量。

（3）该变量的编码必须是0和1两类，不能使用其它数字代替，否则分析无法按标准二元Logit方式展开。

2. 自变量设置

（1）自变量至少放入1个，最多可放入200个。

（2）自变量既可以是定量变量，也可以是定类变量。

（3）如果一次放入较多自变量，建议先结合研究目的筛选，再观察结果中的显著性、OR值区间和共线性情况。

四、参数设置及解释说明

1. 保存残差和预测值

（1）勾选后，系统会把残差和预测值单独保存下来，便于后续继续做诊断、筛选或衔接其它分析。

（2）如果后面还要做误差检查、异常样本查看，或者想保留每次分析结果，建议勾选。

2. 共线性诊断

（1）勾选后，会额外输出VIF值和容忍度，用来判断自变量之间是否存在较强重叠。

（2）当自变量较多、变量之间可能互相关联时，建议开启这一项。

3. 方法选择

（1）全进入（默认）：把设置好的自变量一次性全部放入模型，适合已有明确理论基础或研究框架的场景。

（2）逐步法：系统会结合显著性表现自动筛选变量，更适合前期探索影响因素。

（3）向前法：从少到多逐步加入变量，适合先看哪些变量能进入模型。

（4）向后法：先把变量全部放入，再逐步剔除不合适的变量，适合初始变量较多的情况。

（5）采用逐步、向前或向后方式时，进入模型的参考标准为显著性小于0.05，移出模型的参考标准为显著性大于0.1。

五、分析结果表格及其解读

二元Logit分析后，通常会输出模型样本情况、模型整体检验、回归结果、预测效果、拟合优度以及部分扩展诊断表格；其中部分表格会随参数选择或数据情况而出现。

1. 表1：二元Logit回归分析基本汇总

该表格用于查看因变量两个类别的样本分布，以及有效样本、缺失样本的整体情况，包含类别频数、百分比、有效样本数、缺失样本数等信息。

● 类别频数与百分比：用于判断两个类别是否过于失衡。如果某一类样本明显过少，模型稳定性和预测效果往往会受影响。一般来说，两类样本越均衡，结果越容易解释。

● 有效样本数：表示真正进入分析的数据量。样本量越充分，模型结果通常越稳。

● 缺失样本数：表示因为缺失信息被排除的数据量。如果缺失占比过高，需要先关注数据质量，否则模型结论可能偏差较大。

2. 表2：二元Logit回归模型似然比检验结果

该表格用于判断整体模型是否成立，同时给出模型优劣比较信息，包含-2倍对数似然值、卡方值、自由度、p值、AIC值、BIC值。

● p值：是判断模型整体是否显著的关键指标。通常小于0.05，说明加入自变量后的模型明显优于只有截距的模型，整体模型成立。

● -2倍对数似然值：用于反映模型拟合情况，通常最终模型这一数值越小，说明拟合表现越好。

● AIC值、BIC值：常用于模型之间比较，在比较多个备选模型时，数值越小通常说明模型更优。

3. 表3：二元Logit回归分析结果汇总

该表格是核心结果表，用于查看每个自变量是否显著、影响方向如何、影响强度多大，包含回归系数、标准误、z值、Wald检验、p值、OR值、OR值95%区间，以及模型的伪R方信息。

● 回归系数：用于判断影响方向。为正，通常表示变量增加时更容易出现目标结果；为负，则表示出现目标结果的可能性降低。

● p值：用于判断某个自变量是否真的有统计意义。通常小于0.05，说明该变量对因变量有显著影响。

● OR值：用于理解影响强弱。OR值大于1，说明该变量会提高目标结果发生的可能性；小于1，说明会降低可能性；等于或接近1，说明影响较弱。

4. 表4：二元Logit回归预测准确率汇总

该表格用于判断模型在分类预测上的表现，包含真实值、预测值、预测准确率和预测错误率。

● 各类别预测准确率：用于分别查看类别0和类别1的识别效果。某一类准确率明显偏低时，说明模型对该类识别较弱。

● 总准确率：用于整体判断分类效果，数值越高通常越好。

● 预测错误率：用于观察分类失误情况，数值越低越理想。

5. 表5：Hosmer-Lemeshow拟合度检验

该表格用于判断模型拟合是否合理，包含卡方值、自由度和p值。

● p值：是这个表最关键的指标。通常大于0.05，说明模型拟合情况较好，预测概率与实际情况差异不大；如果小于0.05，说明模型拟合可能存在问题。

● 卡方值：用于配合p值判断拟合情况，本身通常不单独解读。

6. 表6：Hosmer和Lemeshow检验过程表格

该表格用于展示拟合优度检验的分组过程，包含各预测概率分位组下的观测值、期望值和汇总情况。

● 观测值与期望值：用于比较模型预测和实际数据之间的差距。二者越接近，通常说明模型拟合越自然。

● 分位数组别：用于把样本按预测概率分组，便于观察模型在哪些区间拟合较好或较差。

7. 表7：二元Logit回归分析结果—简化格式

该表格用于快速汇总核心结论，适合写报告、论文或对外展示，包含各变量回归结果、似然比检验、Hosmer-Lemeshow检验和模型解释力信息。

● 简化回归结果：适合快速判断哪些变量显著以及方向如何。

● 模型检验汇总：适合一眼看清模型是否成立、拟合是否合适。

8. 表8：边际效应结果

该表格在输出时，可用于进一步说明自变量变化对目标结果发生概率的实际影响幅度，包含边际效应、标准误、z值、p值和95%区间。

● 边际效应：用于把影响解释得更直观，方便说明某个变量变化后，目标结果的发生概率会朝什么方向变化。绝对值越大，说明影响越明显。

● p值与95%区间：用于判断边际效应是否稳定可信。通常p值小于0.05、区间不跨0时，更说明该影响可靠。

9. 表9：样本缺失情况汇总

该表格用于查看原始样本中有多少数据被纳入分析、有多少因为缺失被剔除，包含有效样本、排除无效样本和总计。

● 有效样本占比：占比越高，说明可用于建模的数据越充分。

● 排除无效样本占比：占比过高时，需要先检查缺失机制和数据采集质量。

10. 表10：迭代中间过程

该表格在使用逐步法、向前法或向后法时出现，用于展示变量进入或移出模型的过程，包含迭代次数、项、未标准化系数、标准误、t值和p值。

● 迭代次数：用于查看模型筛选变量经历了多少步。

● 各步p值变化：用于判断某个变量为什么被保留或被剔除。显著性更稳定的变量更容易留在最终模型中。

11. 表11：共线性诊断

该表格在勾选共线性诊断后出现，用于检查自变量之间是否存在明显重叠，包含VIF值和容忍度。

● VIF值：是判断共线性的核心指标。通常小于5说明问题不大；介于5到10之间说明需要关注；大于10往往提示共线性较强。

● 容忍度：与VIF搭配看更稳妥。通常大于0.2较常见，低于0.1往往提示共线性偏强。

六、分析结果图表及其解读

二元Logit在结果页中还会输出模型关系图和OR值区间图，便于更直观地理解变量影响方向和影响强弱。

1. 模型结果图

该图会把各个自变量与因变量之间的关系直观连接起来，并展示对应结果值。

（1）用途：适合快速查看哪些变量进入了模型，以及它们对结果变量的影响方向。

（2）解读思路：如果某个变量对应结果为正，通常表示会提高目标事件发生的可能性；如果为负，则表示可能性下降。

2. OR值95%CI图

该图以可视化方式展示各自变量的OR值及其区间范围。

（1）用途：适合快速比较不同变量影响强弱，也便于判断结果是否稳定。

（2）解读思路：点位越偏离1，通常说明影响越明显；区间如果没有跨过1，通常说明该变量结果更稳定；如果区间跨过1，则说明结论需要谨慎。

以上就是SPSSAU二元Logit方法的相关内容，更深入教程可查看SPSSAU帮助手册、教学视频、疑难解惑等资料。