SPSS中逻辑回归实战:理解参数与建模过程

需积分: 12 1 下载量 11 浏览量 更新于2024-09-15 收藏 288KB DOC 举报
本资源主要介绍了如何在SPSS中实现逻辑回归(Logistic Regression)的具体步骤,并解释了相关参数的含义。首先,逻辑回归是一种用于二分类问题的统计学方法,它通过将线性回归模型的输出转换为概率形式来预测离散结果。在给出的社会调查例子中,研究者想要了解年龄、月收入和性别(X1, X2, X3)是否能预测人们选择乘坐公交车(Y=1)还是骑自行车(Y=0)上班。 1. 数据概述:提供的数据包含28个工薪族样本,其中无缺失值。表8-4展示了案例的分类和因变量编码,以及初始的-2对数似然值(-2LL),表示模型的拟合度。 2. 模型构建过程: - 第一步:建立了只包含常数项的模型,-2LL值为38.673,表示当前模型的拟合效果。 - 进入迭代过程:在后续步骤中,逐步加入了自变量X1(年龄)、X2(月收入),并在达到一定准则(参数估计变化小于0.001)后停止迭代。 - 最终模型在步骤5处终止,-2LL值进一步降低,显示模型加入了自变量后的拟合性增强。 3. 结果检验:表7展示了迭代历史记录,每次迭代的-2LL值和系数值变化。卡方检验(表8)用于评估模型整体的拟合优度,其显著性水平为0.005,表明模型与观测数据之间存在显著关联。 4. 分类表(表4)给出了预测结果,根据预测值和切割值(此处为0.500),可以判断每个观测值落入哪一类(0表示骑车,1表示乘车)。 5. 变量重要性:表5列出了模型中的变量及其得分,df(自由度)也一并列出,这些信息可用于判断每个自变量对结果的影响程度。 这个资源详细讲解了如何使用SPSS进行逻辑回归分析,包括数据预处理、模型建立、迭代过程和结果解释等关键步骤,对于理解和应用逻辑回归技术非常有帮助。在实际应用中,理解这些参数和表格有助于优化模型并确保其在预测上的有效性。