SPSS_Logistic回归分析结果表中的英文字母意思

logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。

logistic回归的因变量可以是二分类的，也可以是多分类的，但是二分类的更为常用，也更加容易解释。所以实际中最为常用的就是二分类的logistic回归。

logistic回归的主要用途：一是寻找危险因素，正如上面所说的寻找某一疾病的危险因素等。二是预测，如果已经建立了logistic回归模型，则可以根据模型，预测在不同的自变量情况下，发生某病或某种情况的概率有多大。三是判别，实际上跟预测有些类似，也是根据logistic模型，判断某人属于某病或属于某种情况的概率有多大，也就是看一下这个人有多大的可能性是属于某病。

 

 

 

Variables in the Equation：
B S.E. Wald df Sig. Exp(B)
a .197 .687 .082 1 .774 1.218
b .445 .639 .484 1 .486 1.560
d -.134 .212 .401 1 .527 .874
a by b -.753 .942 .639 1 .424 .471
b by d .375 .302 1.545 1 .214 1.455
a by d .956 .350 7.455 1 .006 2.600
a by b by d-1.336 .464 8.290 1 .004 .263
Constant -.336 .452 .552 1 .457 .715

 

系数值（B） 标准误（S.E.） 卡方值（Wald） 自由度（df） P值（Sig.） OR值Exp(B)

常数（Constant）

 

 

 【 卡方】Chi-square 98.556    

【显著性】Sig.0.000 

【分类正确的百分比】Percentage Correct 76.8

【nagelkerkeR方】Nagelkerke R Square 0.154 

 

 

R表示的是拟合优度，它是用来衡量估计的模型对观测值的拟合程度。它的值越接近1说明模型越好。但是，你的R值太小了。

T的数值表示的是对回归参数的显著性检验值，它的绝对值大于等于ta/2(n-k)（这个值表示的是根据你的置信水平，自由度得出的数值）时，就拒绝原假设。即认为在其他解释变量不变的情况下，解释变量X对被解释变量Y的影响是显著的。

F的值是回归方程的显著性检验，表示的是模型中被解释变量与所有解释变量之间的线性关系在总体上是否显著做出推断。若F>Fa(k-1,n-k),则拒绝原假设。即认为列入模型的各个解释变量联合起来对被解释变量有显著影响，反之，则无显著影响。

线性回归的回归系数： 一般地，要求这个值大于5%。对大部分的行为研究者来讲，最重要的是回归系数。年龄增加1个单位，文档的质量就下降 -.1020986个单位，表明年长的人对文档质量的评价会更低。

这个变量相应的t值是 -2.10，绝对值大于2，p值也<0.05，所以是显著的。结论是，年长的人对文档质量的评价会更低，这个影响是显著的。

相反，领域知识越丰富的人，对文档的质量评估会更高，但是这个影响不是显著的。这种对回归系数的理解就是使用回归分析进行假设检验的过程。————————————————————————————————————————

首先来说明各个符号，B也就是beta，代表回归系数，标准化的回归系数代表自变量也就是预测变量和因变量的相关，为什么要标准化，因为标准化的时候各个自变量以及因变量的单位才能统一，使结果更精确，减少因为单位不同而造成的误差。T值就是对回归系数的t检验的结果，绝对值越大，sig就越小，sig代表t检验的显著性，在统计学上，sig<0.05一般被认为是系数检验显著，显著的意思就是你的回归系数的绝对值显著大于0，表明自变量可以有效预测因变量的变异，做出这个结论你有5%的可能会犯错误，即有95%的把握结论正确。
回归的检验首先看anova那个表，也就是F检验，那个表代表的是对你进行回归的所有自变量的回归系数的一个总体检验，如果sig<0.05,说明至少有一个自变量能够有效预测因变量，这个在写数据分析结果时一般可以不报告。
然后看系数表，看标准化的回归系数是否显著，每个自变量都有一个对应的回归系数以及显著性检验