spsslogistic回归

### 如何在SPSS中执行Logistic回归分析

#### 准备数据集
为了进行Logistic回归，在准备阶段需确保数据集中含有一个二分的因变量（即只有两个可能的结果），以及若干个自变量。这些自变量可以是连续型也可以是分类型。

#### 数据导入与预处理
启动SPSS并加载所需的数据文件。如果数据来自外部源，则可通过`File -> Open`命令打开相应的文件格式，如Excel、CSV等。对于缺失值和异常值应提前做好清理工作，保证后续建模过程顺利进行[^1]。

#### 执行Logistic回归操作
进入菜单栏选择 `Analyze -> Regression -> Binary Logistic...` 来开启Binary Logistic对话框。在此处指定要使用的因变量和协变量（即自变量）。可以通过点击右侧箭头按钮将左侧列表中的变量移动至对应的输入框内[^4]。

- **设置选项**
- 在主窗口下方可以选择是否保存预测的概率值和其他诊断统计量。
- 可以设定逐步筛选法来自动挑选显著性的解释变量。

- **定义范围**
- 如果存在分类性质的自变量，记得将其转换成哑变量形式以便更好地参与计算；这一步骤通常是在Variable View里调整Measure属性实现。

#### 解读输出结果
运行完成后会弹出Output Viewer展示一系列表格信息：

- **Model Summary表** 提供了整体拟合优度指标，比如Cox & Snell R Square, Nagelkerke R Square等。
- **Variables in the Equation表** 列出了各个参数估计及其标准误、Wald卡方检验值还有Exp(B)，后者代表了对应特征每增加一单位时事件发生的几率变化倍数[^2]。

import pandas as pd
from sklearn.linear_model import LogisticRegression
# 示例Python代码仅作对比说明用途，并非实际SPSS操作流程
data = {'feature': [1, 2], 'label': [0, 1]}
df = pd.DataFrame(data)
model = LogisticRegression()
X = df[['feature']]
y = df['label']
model.fit(X, y)
print(model.coef_)