考题题型举例
50例急性淋巴细胞白血病病人，在入院时白细胞数X1（×10/L），淋巴结浸润度X2（记为0、1、
2三级），缓解出院后巩固治疗X3（巩固治疗时赋值1，无巩固治疗时赋值0）。随访1年
取得每例病人是否死亡Y（死亡赋值1，存活赋值0）的资料。
（1）欲筛选哪些因素是影响急性淋巴细胞白血病病人一年内死亡的的主要因素，应选择何
种统计分析方法？
（2）经统计分析得如下结果，请列出其回归方程？
（3）解释X3对应的Exp(B)=0.062的含义。Variables in the Equation
.707.4282.7261.0992.028.8764.694-2.784.78012.7531.000.062.013.285
1.642.6386.6201.0105.165X2X3ConstantStep 1aBS.E.WalddfSig.Exp(B)LowerUpper95.0% C.I.for EXP(B)
Variable(s) entered on step 1: X1, X2, X3.a.
解析：
（1）欲筛选哪些因素是影响急性淋巴细胞白血病病人一年内死亡的的主要因素，应选择何
种统计分析方法？
答案：Logistic回归
考点：多因素分析统计方法的选择
（2）经统计分析得如下结果，请列出其回归方程？
ln（P/1-P）=1.642+0.707X2-2.781X3
考点：回归方程的建立
（3）解释X3对应的Exp(B)=0.062的含义。
巩固治疗比不巩固治疗危险因素下降0.062倍
考点：OR值的意义
内容精要
概念
非条件Logistic回归
logistic回归模型Logistic回归是一种适用于应变量为分类值多因素曲线模型。
非条件Logistic回归：成组设计，Y为二项分类。又称BinaryLogistic回归
条件Logistic回归：配对设计，Y为二项分类。
多分类Logistic回归：Y为多分类。
BinaryLogistic适用于应变量为二项分类的资料。应变量（Y）在一组自变量（X）的作用下所
二元logistic回归分析
1.理论Logistic回归模型：设因变量为Y，自变量为x1，x2，...，xn。事件发生与
不发生的概率比Pi/（1-pi）被称为事件发生比。后对事件发生比做对数变换，
能得到logistic回归的线性模式：
ln（pi/（1-pi））=β0+β1x1+...βnxn采用最大似然比法或者迭代法对参数的估计，参数通过似然比检验和Wold
检验。
二元logistic回归是指因变量为二分类变量时的回归分析。在建立回归模
型时，目标的取值范围在0-1之间。
常因变量为二分类数据自变量可以是连续型随机变量和分类数据
图1数据类型2.重新编码操作步骤首先将数据导入spss中，数据情况如下图所示，首先先对变量进行重新编码处理。
图2数据情况第一步、点击转换、重新编码为相同的变量。
图3数据编码第一步第二步：进入图中变量框后，将需要处理的变量放入变量放入框中，后点击旧值和新值，在旧值中输入原有值，后在新值中输入新值，点击添加、继续。
图4数据编码第二步
3.二元logistic回归分析操作步骤第一步：点击分析、回归、二元logistic。
图5二元logistic回归分析第一步第二步：进入图中对话框后将因变量、自变量放入对应变量框中，点击分类、
进入定义分类变量框后。将协变量框中的分类变量放入分类协变量框中（一般情
况除二分类或有序分类数据不需哑变量设置），并进行哑变量的设置，点击继续。
图6第二步
第三步：点击选项，勾选霍斯默-莱梅肖拟合优度、Exp(B)的置信区间、迭
代历史记录。点击继续、确定。
图7选项勾选4.二元logistic回归分析结果
二元logistic回归分析的个案摘要、因变量编码、分类变量编码结果。
图8分类变量编码迭代历史记录、分类表、方程中的变量、未包括在方程中的变量结果。
图9块0：起始块
迭代历史记录、模型中的Omnibus检验、模型摘要、霍斯默-莱梅肖检验。
图10块1：方法=输入分类表、方差中的变量结果。
SPSS有话说：⼆元logistic回归
线性回归的因变量Y必须为连续变量，但当我们研究的因变量为分类变量时，因为不再是随机变量，不符合正态分布，因此不能采⽤线性回归，此时应该使⽤Logistic回归。
SPSS有话说
概述
Logistic回归分析也⽤于研究变量之间的影响关系，即X对Y的影响情况，此处涉及的Y是分类数据。结合Y的具体情况，Logistic回归分析可以分为三种，分别是⼆元Logistic回归、多元⽆序Logistic回归和多元有序Logistic回归。Logistic回归分析的分类情况如下图：
如果因变量Y仅有两个类别，分别是有⽆之类的分类数据，则属于⼆元Logistic回归分析。如果因变量Y有两个以上的类别，并且类别之间没有⾼低、顺序关系，⽐如⾎型“A型、B型、AB型和O型”，则可以使⽤多元⽆序Logistic回归分析。如果因变量Y的类别有两个以上的类别，并且类别之间有⾼低、顺序关系，如伤痛级别“轻度、中度、重度”，则可以使⽤多元有序Logistic回归分析
问卷研究中，⼆元Logistic回归使⽤频率最⾼，该⽅法简单易懂，多元⽆序Logistic回归和多元有序Logistic回归则相对复杂。本次仅对⼆元Logistic回归进⾏说明。
特别提⽰
在进⾏⼆元Logistic回归（包括其他Logistic回归）分析前，建议先通过单因素分析（t检验、卡⽅检验等）考察所有⾃变量与因变量之间的关系，筛掉⼀些可能⽆意义的变量，再进⾏多因素分析，这样可以保证结果更加可靠。同时为了防⽌⼀些有意义的⾃变量被单因素分析剔除，单因素分析时将检验⽔准设为P<0.01，只要⼩于0.01，就认为有意义，然后进⾏多因素分析。
操作步骤
问题：性别、学历、独⽣⼦⼥对去新疆就业意愿的影响？
性别：1=男，2=⼥；
学历：1=研究⽣，2=本科⽣；
独⽣⼦⼥：1=是，2=否；
就业意愿：1=愿意，0=不愿意。
（⼀）单击“分析” “回归” “⼆元logistic”（⼆）选⼊相应的因变量和⾃变量，如图所⽰。（三）单击“分类”，将各分类变量选⼊“分类协变量”框中，将参考类别选中“第⼀个”，单击“更改”。
多元logistic回归是一种用于研究多个自变量对因变量影响的统计方法。通过多元logistic回归分析，我们可以了解自变量对因变量的贡献程度，并确定哪些自变量对因变量有显著影响。
在解读多元logistic回归结果时，需要注意以下几点：
系数解读：在多元logistic回归模型中，每个自变量的系数表示该变量对因变量的贡献程度。系数的符号表示了影响的方向，正号表示正相关，负号表示负相关。系数的绝对值表示影响的大小，绝对值越大，影响越大。
OR值解读：在多元logistic回归模型中，每个自变量的OR值表示该变量对因变量发生概率的影响程度。OR值的范围在0到无穷大之间，值越大表示该自变量对因变量的影响越大。
显著性检验：在多元logistic回归模型中，每个自变量都需要进行显著性检验。如果某个自变量的p值小于预设的显著性水平（如0.05），则认为该自变量对因变量有显著影响。
模型评估：在多元logistic回归分析结束后，需要对模型进行评估。常用的评价指标包括模型的拟合优度、预测准确率等。如果模型的评估结果良好，则认为模型可用于预测或解释实际问题。
总之，多元logistic回归结果解读需要综合考虑系数的符号、绝对值、OR值、显著性检验和模型评估等多个方面。通过深入了解自变量对因变量的贡献程度和影响方式，可以帮助我们更好地理解数据，并进行科学决策。
