spssau多分类Logistic回归操作步骤.docxVIP

多分类Logit分析 Contents TOC \o 1-3 \h \z \u 1 背景 3 2 理论 3 3 操作 4 4 SPSSAU输出结果 4 5文字分析 4 6 剖析 6 在研究X对于Y的影响关系时，如果Y为定类数据，比如是否愿意购买，是否愿意推荐，出行方式偏好，总统候选人选择偏好等。当Y为定类数据时，则应该使用Logistic回归分析，而具体来看，logistic回归可以划分为二元logistic回归分析，或者多分类logistic回归分析。二者即有相同之处，也有不同的地方。主要区别在于Y的选项个数。 项 特征 举例 其它 二元Logistic回归 Y为定类且选项仅2个 是否愿意购买（愿意用1表示，不愿意用0表示） Y的数字个数仅2个，且数字只能为0和1 多分类Logistic回归 Y为定类且选项大于2个 总统候选人偏好（特朗普、希拉里、卢比奥） 需要特别注意的地方在于： Logistic回归时，因变量Y值为定类数据，因而需要有对照参考项。如果是二元Logistic回归，默认以数字0作为参考项【通常数字0表示不愿意，不喜欢，不会等】；如果是多分类logistic回归，则SPSSAU默认以第一项【即数字最小的那项】作为参考项。 如果希望改变对照项，可使用数据编码功能先编码后再分析。同时针对定类数据，SPSSAU建议先进行数据标签设置，便于系统输出带“标签”的智能文字分析。 多分类logistic回归（也称作多元logistic回归，多项Logit等），对于多分类logistic回归建模，通常需要分析信息包括：基本信息描述，模型检验判断或者对比，模型结果汇总。SPSSAU分别输出三个表格。 SPSSAU分析结果表格示例如下： 多分类Logistic回归分析基本汇总 名称 选项 频数 百分比 总统候选人选择 特朗普 661 35.79% 希拉里 278 15.05% 卢比奥 908 49.16% 总计 1847 100.0 上表格对于模型的因变量进行基本统计。 多分类Logistic回归模型检验 卡方值 df p AIC值 BIC值 -2LLNULL值 -2LLF值 91.573 6 0.000 3625.256 3669.427 3700.829 3609.256 上表格是模型检验判断或者相关模型对比指标等，其中P值用于验证模型是否有意义；AIC或BIC值用于对比不同模型的优劣。 多分类Logistic回归分析结果汇总 希拉里 回归系数 标准误 Z值 P值 OR值 OR值95%CI(L) OR值95%CI(U) 性别(男) 0.309 0.145 2.127 0.033 1.362 1.025 1.810 年龄 -0.437 0.072 -6.076 0.000 0.646 0.561 0.744 学历 -0.065 0.062 -1.053 0.292 0.937 0.829 1.058 截距 0.081 0.224 0.364 0.716 1.085 0.700 1.682 卢比奥 回归系数 标准误 Z值 P值 OR值 OR值95%CI(L) OR值95%CI(U) 性别(男) -0.436 0.104 -4.192 0.000 0.647 0.527 0.793 年龄 0.076 0.050 1.516 0.130 1.079 0.978 1.191 学历 -0.002 0.043 -0.054 0.957 0.998 0.917 1.085 截距 0.312 0.171 1.826 0.068 1.366 0.977 1.910 McFadden R方：0.025 上表格是模型结果汇总表格，也是最核心的表格。具体关于多分类Logistic回归的剖析，请参考下面的案例解析。  多分类Logit回归案例 Contents TOC \o 1-3 \h \z \u 1 背景 3 2 理论 3 3 操作 4 4 SPSSAU输出结果 4 5文字分析 5 6 剖析 7 1 背景 在2016年美国总统选举时，共有三名候选人，分别是特朗普、希拉里、卢比奥。有一市场研究公司想预测最终谁会胜出，因此收集到共1847名民众信息，包括选择偏好，性别，年龄，学历等信息进行研究，研究性别，年龄和学历对于总统候选人选择的影响情况，最终做出科学预测。 2 理论 多分类Logistic回归分析用于研究X对于Y的影响关系，其中X可为定量数据，也可以是定类数据（如果X为定类数据，需要做虚拟(哑)变量设置），Y为多分类定类数据。针对多分类Logistic回归分析时，可分为三个步骤。 第一：模型的基本背景情况说明；比如模型研究X对于Y的影响，X分别是那些，Y具体情况如