步骤#
卡方检验：首先可以进行卡方检验，以分析各变量之间是否具有显著关系。
选择分析方法：点击菜单栏中的
分析->回归->二元Logistic...，打开二元逻辑回归对话框。设置变量：
- 因变量（Dependent）：将二分类因变量拖入此框。
- 协变量（Covariates）：将自变量拖入此框。
设置哑变量（分类变量）（如有）：
- 点击
分类按钮，将分类自变量添加到分类协变量框中。 - 在
参考类别中选择“第一个”或“最后一个”作为参考类别，然后点击变化量。
- 点击
设置选项：
- 点击
选项按钮，勾选霍斯默-莱梅肖拟合优度（H）、Exp（B）的置信区间：95%，这些选项有助于评估模型的拟合情况。
- 点击
解释#
模型摘要#
模型摘要包括多个用于估计模型拟合优度的指标，值越大表示拟合效果越好。考克斯-斯奈尔 R 方值提供了一个估计模型拟合优度的方法，然而，由于其上限通常小于 1，因此内戈尔科 R 方值对其进行了调整，使得范围更加直观（从 0 到 1）。这一调整使得 R 方的解释更为简洁明了。
霍斯默-莱梅肖检验#
显著性＞ 0.05：此次检验结果显示数据拟合状况良好，表明模型能够真实有效地反映原始变量之间的关系。也就是说，模型的假设并未被数据拒绝，因此可以认为模型结果具有较高的可信度。
分类表#
分类表显示了模型的预测准确性，通常通过“总体百分比”来评估，代表模型对数据分类的准确性。例如，如果总体百分比高，说明该模型在预测时表现较好。
方程中的变量#
在回归分析中，显著性水平（p 值）是衡量变量对因变量影响的一个重要指标。如果某个自变量的 p 值大于 0.05，意味着该变量在统计上不显著，可能对因变量没有显著影响，这时可以考虑将该变量从模型中移除。
Exp(B)，这个值反映了自变量对因变量的影响大小和方向。
但是构建回归方程的话，还是以B为准。
回归方程#
在回归分析中，常用的回归方程有两种形式：标准对数几率模型和几率模型。
标准对数几率：#
$$ \ln \left( \frac{p}{1 - p} \right) = \beta_0 + \beta_1 \cdot X_1 + \beta_2 \cdot X_2 + \dots + \beta_n \cdot X_n $$
几率模型：#
$$ \frac{p_i}{1 - p_i} = e^{\beta_0 + \beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_n X_n} $$
示例：#
假设回归方程如下：
$$ \begin{array}{l} \ln\left( \frac{p}{1 - p} \right) = 0.860 - 0.121 \cdot \text{女生} - 0.486 \cdot \text{年级1} - 0.184 \cdot \text{年级2} \
- 0.446 \cdot \text{年级3} + 0.043 \cdot \text{年级4} + 21.053 \cdot \text{年级5} - 0.309 \cdot \text{享乐动机} \
- 0.305 \cdot \text{价格价值} + 0.458 \cdot \text{个体创新} - 0.612 \cdot \text{使用意愿} \end{array} $$
$$ \frac{p}{1 - p} = $$
$$ \begin{array}{l} e^{0.860 - 0.121 \cdot \text{性别} - 0.486 \cdot \text{年级1} - 0.184 \cdot \text{年级2} \
- 0.446 \cdot \text{年级3} + 0.043 \cdot \text{年级4} + 21.053 \cdot \text{年级5} - 0.309 \cdot \text{享乐动机} \
- 0.305 \cdot \text{价格价值} + 0.458 \cdot \text{个体创新} - 0.612 \cdot \text{使用意愿}} \end{array} $$
结果解读#
1. 表格解析：#
- R 方：高 R 方值表明模型拟合较好，反映了自变量对因变量的解释力。
- 霍斯默-莱梅肖检验：若显著性值大于 0.05，表示模型的拟合优度较好，数据与模型的拟合关系真实可信。
- 回归方程：模型中的 Exp(B)值可以帮助我们判断每个自变量对因变量的影响强度及方向。如果 Exp(B)大于 1，则说明该变量正向影响因变量；如果小于 1，则为负向影响。
2. 回归方程解释：#
回归方程提供了自变量与因变量之间的定量关系，进一步通过 Exp(B)判断每个变量对预测结果的具体影响。例如，性别、年级和享乐动机等变量的系数和 Exp(B)值反映了这些因素在预测因变量时的重要性和作用方向。
