目录
在进行数据分析时，经常会遇到需要预测 “是/否” 类型（二分类）的结果：
✔ 这个客户购买产品的概率是多少？（购买 是/否）
✔ 学生是否有可能通过考试？（合格/不合格）
✔ 某人是否有患病风险？（发病 有/无）
这种需要预测 0 或 1 的分类结果时，就需要使用 逻辑回归分析（Logistic Regression）！
虽然逻辑回归与线性回归相似，但逻辑回归的因变量是分类变量（如 Yes/No），而不是连续变量（如分数、销售额）。
🔹 1. 什么是逻辑回归分析？
逻辑回归用于分析自变量（X）对因变量（Y, 是/否）产生的影响。
✔ 自变量示例：年龄、学习时间、营销费用等
✔ 因变量示例：合格/不合格（0/1）、购买/未购买（0/1）
| 比较项目 | 线性回归 | 逻辑回归 |
| 因变量类型 | 连续型（如分数、销售额） | 分类型（如 Yes/No） |
| 输出结果 | 实际值（例如 0~100） | 概率值（0~1） |
| 使用场景 | 广告费用 → 销售额预测 | 市场活动 → 购买概率预测 |
逻辑回归分析中使用 比值比（Odds Ratio, Exp(B)） 来解释变量的影响力！
🔹 2. 如何在 SPSS 中进行逻辑回归分析？
[示例]
我们来分析“学生的学习时间和性别是否会影响考试通过与否”。
📌 1）数据输入
在 SPSS 中如下输入数据：
| ID | 学习时间 (study_hours) | 性别 (gender) | 是否通过 (pass) |
| 1 | 5 | 男(1) | 合格(1) |
| 2 | 3 | 女(2) | 不合格(0) |
| 3 | 6 | 男(1) | 合格(1) |
| 4 | 2 | 女(2) | 不合格(0) |
| 5 | 7 | 男(1) | 合格(1) |
💡 小贴士：
- 类别变量（如性别）需转为数值：男=1，女=2
- 因变量也要使用 0/1 格式表示
📌 2）执行逻辑回归分析
- 点击菜单：[分析] → [回归] → [二项逻辑回归分析（Binary Logistic Regression）]
- 因变量（Y）选择“是否通过（pass）”
- 自变量（X）添加“学习时间（study_hours）”和“性别（gender）”
- 点击[统计] → 勾选“Exp(B)”（比值比）
- 点击[确定]，运行分析！
📌 3）结果解读
分析完成后，重点查看 p-value（显著性） 和 Exp(B)（比值比）。
📊 逻辑回归结果示例：
| 变量 | B | S.E | Wald | df | p-value | Exp(B) |
| 学习时间 | 0.8 | 0.2 | 12.5 | 1 | 0.01 | 2.22 |
| 性别（女） | -0.5 | 0.3 | 2.8 | 1 | 0.09 | 0.61 |
💡 解读说明：
- ✅ p < 0.05：表示该变量具有统计显著性（影响显著）
- ✅ Exp(B) > 1：该变量增加时，成功（通过）的概率增加
- ✅ Exp(B) < 1：该变量增加时，成功（通过）的概率降低
✔ 例子中“学习时间”的 p=0.01，Exp(B)=2.22
→ 说明：学习时间每增加1小时，考试通过的概率是原来的 2.22 倍！🎯
🔹 3. 逻辑回归分析小结
| 分析类型 | 适用场景 | 判断标准 | 变量影响解释方式 |
| 线性回归 | 预测连续变量（如成绩） | p < 0.05 | 回归系数B |
| 逻辑回归 | 预测分类变量（如合格） | p < 0.05 | Exp(B)：比值比 |
| Exp(B) 解读 | Exp(B) > 1：概率上升 | Exp(B) < 1：概率下降 |
📢 重点总结！
✅ 当因变量是“是/否”时，使用逻辑回归分析
✅ p < 0.05 时，变量影响是显著的
✅ Exp(B) > 1 表示概率增加，Exp(B) < 1 表示概率降低
现在你是不是也觉得逻辑回归分析其实没那么难了呢？😊
请在 SPSS 中亲自操作一次，边实践边学习吧！