如何运用spss进行逻辑回归分析？
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。
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操作如下：
第1个表格展示因变量各个类别的分布情况。如果因变量各类别分布非常分散，则需要对类别进行重新组合后再次进行分析。同时，如果因变量的类别个数非常多，也需要针对类别进行重新组合后才能进行分析。
第2个表格展示模型的平行性检验，检验的原假设为模型满足平行性，因而如果p 值大于0.05则说明模型接受原假设，即符合平行性检验。反之如果p 值小于0.05则说明模型拒绝原假设，模型不满足平行性检验。平行性是有序Logit回归的前提条件，如果不满足平行性，SPSSAU建议使用多分类Logit回归模型。
第3个表格展示模型的似然比检验结果，其原假设是模型的回归系数全部均为0，因此如果p 值小于0.05，则说明拒绝原假设，即说明模型有效；反之如果p 值大于0.05则说明接受原假设，即说明模型回归系数全部均应该为0，模型无意义。同时上表格还列出赤池信息准则AIC和BIC 值，如果进行过多次模型分析(比如模型的自变量个数变化时)，然后需要对比模型的优劣，则可通过此两个指标进行分析，此两个指标值越小越好，没有固定范围标准。
第4个表格展示模型的结果，包括回归系数的显著性，模型R 2值等。上表格中包括因变量阈值，其值基本无意义，仅从数学角度上看有此值输出而已。
第5个表格展示模型的预测准确率情况，包括各个类别和整体的预测准确率。如果模型用于预测分析，则预测准确率非常重要，如果模型用于研究影响关系，则不太关注预测准确率值。通常情况下样本量较小，预测准确率均非常低，但是多数实证研究的目的在于研究影响关系，因而预测准确率的关注度较小。
1、打开spss统计软件，然后单击“Analyze - Regression - Binary Logistic”。
2、出现“逻辑回归”窗口。将“高血压”放入“依赖变量”框，并将其他变量（如“性别”和“体重指数”）放入“分隔符”框中。
3、单击“分类”将分类变量的自变量放入右侧的“分类协变量”框中。在这种情况下，自变量“性别”，“饮食习惯，体育锻炼”是分类变量。在右侧的框中选择变量。 “参考类别”选择“最后”或“第一”，此处选择默认的“最后”。点击“继续”。
4、单击“保存”，选中“概率”，“组成员”，然后“继续”。
5、点击“选项”，勾选“Hosmer-Lymeshaw Fitting Goodness”和“95％Confidence Interval”，然后点击“Continue”。
6、方法“选择”输入“最后”确定“。
