SPSS逻辑回归模型案例 逻辑回归和线性回归的区别

 品牌型号：联想

 系统：Win10

 软件版本：IBMSPSSStatistics

 关键词：SPSS数据分析，逻辑回归分析，线性回归分析

 逻辑回归适用于二分变量的模型，最显著的作用是可以预测模型中每个自变量的概率。也就是说，逻辑回归可以根据一组样本数据，得到预测值或者某种预测结果。下面，小编来介绍一下SPSS逻辑回归模型案例，逻辑回归和线性回归的区别的具体内容。

 一、SPSS逻辑回归模型案例

 1、案例背景

 癌变部位的淋巴结是否含有癌细胞，这跟年龄、肿瘤大小以及肿瘤扩散等级等因素有关。了解其中的关系，医生能根据病人的年龄以及肿瘤大小，判断癌变的几率，从而得到更优的治疗方法。

 具体操作如下：

 打开SPSS软件，单击“文件”-“打开”-“数据”，将需要进行分析的文件导入。

 单击“分析”，选择“回归”菜单下的“二元Logistic”，打开Logistic回归设置对话框。

 分别选择合适的因变量和协变量，这里因变量选择癌变部位的淋巴结是否含有癌细胞，协变量选择年龄、肿瘤大小和肿瘤扩散等级。

 单击右列的“分类”按钮，将肿瘤扩散等级设置为分类协变量，对比设置为指示符。设置完毕单击“确定”。

 单击右列的“保存”按钮，勾选预测值中的概率和组成员，影响设置为杠杆值，在残差中选择标准化，设置完毕单击“继续”。

 单击“选项”按钮，在统计和图中勾选分类图，设置步进概率，进入的α值要小于除去的α值。在统计和图中勾选分类图。设置完毕单击“继续”。

 结果解读：根据显著性是否小于0.05来判断是否对因变量起作用。图表中的P值均小于0.05，表示这些因素均在不同程度上影响着因变量。即年龄、肿瘤大小和肿瘤扩散等级在不同程度上都影响了癌变部位的淋巴结是否含有癌细胞。

 二、逻辑回归和线性回归的区别

 线性回归主要通过输入、步进、除去、后退、前进等方法来将自变量纳入到回归分析的模型之中，来勾践一个回归分析模型。以此来研究变量之间的因果关系，自变量和因变量之间的关系。

 逻辑回归是在线性回归的基础上有了分类功能。有二分类和多分类，对数据进行分类分析。

 以上内容，就是SPSS逻辑回归模型案例，逻辑回归和线性回归的区别。这两种方式的选择，主要看是否对数据进行分类分析。

 作者：小影