SPSS实验8-二项Logistic回归分析.doc

《SPSS实验8-二项Logistic回归分析.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、SPSS作业8：二项Logistic回归分析为研究和预测某商品消费特点和趋势，收集到以往胡消费数据。数据项包括是否购买，性别，年龄和收入水平。这里采用Logistic回归的方法，是否购买作为被解释变量（0/1二值变量），其余各变量为解释变量，且其中性别和收入水平为品质变量，年龄为定距变量。变量选择采用Enter方法，性别以男为参照类，收入以低收入为参照类。（一）基本操作：（1）选择菜单Analyze－Regression－BinaryLogistic;（2）选择是否购买作为被解释变量到Dependent框中，选其余各变量

2、为解释变量到Covariates框中，采用Enter方法，结果如下：消费的二项Logistic分析结果（一）（强制进入策略）CategoricalVariablesCodingsFrequencyParametercoding(1)(2)收入低收入132.000.000中收入1441.000.000高收入155.0001.000性别男191.000女2401.000分析：上表显示了对品质变量产生虚拟变量的情况，产生的虚拟变量命名为原变量名（编码）。可以看到，对收入生成了两个虚拟变量名为Income（1）和Income（2

3、），分别表示是否中收入和是否高收入，两变量均为0时表示低收入；对性别生成了一个虚拟变量名为Gedder（1），表示是否女，取值为0时表示为男。消费的二项Logistic分析结果（二）（强制进入策略）Block0:BeginningBlockClassificationTablea,bObservedPredicted是否购买PercentageCorrect不购买购买Step0是否购买不购买2690100.0购买1620.0OverallPercentage62.4a.Constantisincludedinthemod

4、el.b.Thecutvalueis.500分析：上表显示了Logistic分析初始阶段（第零步）方程中只有常数项时的错判矩阵。可以看到：269人中实际没购买且模型预测正确，正确率为100％；162人中实际购买了但模型均预测错误，正确率为0%。模型总的预测正确率为62.4％。消费的二项Logistic分析结果（三）（强制进入策略）VariablesintheEquationBS.E.WalddfSig.Exp(B)Step0Constant-.507.09926.0021.000.602分析：上表显示了方程中只有常数项时

5、的回归系数方面的指标，各数据项的含义依次为回归系数，回归系数标准误差，Wald检验统计量的观测值，自由度，Wald检验统计量的概率p值，发生比。由于此时模型中未包含任何解释变量，因此该表没有实际意义。消费的二项Logistic分析结果（四）（强制进入策略）VariablesnotintheEquationScoredfSig.Step0Variablesage1.2681.260gender(1)4.6671.031income10.6402.005income(1)2.9351.087income(2)10.6401.

6、001OverallStatistics18.2734.001分析：上表显示了待进入方程的各个变量的情况，各数据项的含义依次为Score检验统计量的观测值，自由度和概率p值。可以看到，如果下一步Age进入方程，则Score检验统计量的观测值为1.268，概率p值为0.26。如果显著性水平a为0.05，由于Age的概率p值大于显著性水平a，所以是不能进入方程的。但在这里，由于解释变量的筛选策略为Enter，所以这些变量也被强行进入方程。消费的二项Logistic分析结果（五）（强制进入策略）Block1:Method=En

7、terOmnibusTestsofModelCoefficientsChi-squaredfSig.Step1Step18.4414.001Block18.4414.001Model18.4414.001分析：上表显示了Logistic分析第一步时回归方程显著性检验的总体情况，各数据项的含义依次为似然比卡方的观测值，自由度和概率p值。可以看到，在本步所选变量均进入方程（Method=Enter）。与前一步相比，似然比卡方检验的观测值18.441，概率p值为0.001。如果显著性水平a为0.05，由于概率p值小于显著性水平

8、a，应拒绝零假设，认为所有回归系数不同时为0，解释变量的全体与LogitP之间的线性关系显著，采用该模型是合理的。在这里分别输出了三行似然比卡方值。其中，Step行是本步与前一步相比的似然卡方比；Block行是本块（Block）与前一块相比的似然卡方比；Model行是本模型与前一模型相比的似然卡方比。在本例中，由于没