怎么根据spss的logistics回归输出结果分析

Question

数据集为心脏病，怎么根据spss的logistics回归输出结果来进行数据分析

Answer 1

引自免费微信小程序：皆我百晓生

从SPSS的Logistic回归输出结果进行数据分析，主要关注以下几个方面：

分类表

• 预测与实测：观察预测结果与实际结果的对比，了解模型的预测准确率。
• 正确百分比：步骤1中，针对target=0的预测准确率为76.8%，对于target=1的预测准确率为92.1%，总体预测准确率为85.1%。

方程中的变量

• B（系数）：每个变量的系数表示在其他变量不变的情况下，该变量每增加一个单位时，对logit值的影响。
• 标准误差：用来评估系数估计的精确度。
• 瓦尔德：用于检验系数是否显著不等于零。
• 显著性：小于0.05通常认为变量对模型有显著贡献。
• Exp(B)：即odds ratio，表示当自变量增加一个单位时，事件发生的几率变化的比例。
• 95%置信区间：表示exp(B)的置信范围。

例如，age的系数为-.005，意味着年龄每增加一岁，患心脏病的几率轻微下降。sex的系数为-1.758，假设男性编码为1，女性为0，则男性患心脏病的几率大约是女性的0.172倍，显著性为0.000，表明性别对患病几率有显著影响。

模型系数的Omnibus检验

• 卡方检验：检验模型整体是否比空模型（只包含截距项）有显著改善。
• 自由度：模型中变量的数量。
• 显著性：小于0.05表示模型整体上显著优于空模型。

模型摘要

• Cox & Snell R方 和 Nagelkerke R方：类似线性回归中的R方，衡量模型解释变异性的比例，但Logistic回归中没有完美的对应物。
• -2对数似然：模型的对数似然函数的两倍负值，用于比较模型拟合优劣。

霍斯默-莱梅肖检验

• 卡方检验：检验模型的预测概率与实际结果之间的匹配程度，值越小、p值越大表示模型拟合越好。

方程中的变量（步骤0）

• 步骤0的输出显示了模型在没有变量时的情况，常量的系数为.179，显著性为0.121，表示仅考虑截距项时模型效果不佳。

未包括在方程中的变量

• 图3显示了如果将这些变量逐一加入模型时的得分情况，所有变量的得分均大于1且显著性小于0.05，表明所有变量都对模型有显著贡献，应被纳入模型中。

个案处理摘要

• 显示了数据集中个案的总数，以及是否有缺失值。此数据集共包含303个样本，无缺失值。

通过以上分析，我们可以得出模型的整体表现、各变量对模型的贡献以及模型的拟合程度。在实际应用中，还需要结合业务知识对模型结果进行解读，并可能需要进一步调整模型参数或选择变量以优化模型性能。