SPSS实验8二项Logistic回归分析报告Word文档下载推荐.docx
《SPSS实验8二项Logistic回归分析报告Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《SPSS实验8二项Logistic回归分析报告Word文档下载推荐.docx（31页珍藏版）》请在冰豆网上搜索。
消费的二项Logistic分析结果
（二）（强制进入策略）
Block0:
BeginningBlock
ClassificationTable
a,b
Predicted
是否购买
Percentage
Observed
不购买
购买
Correct
Step0是否购买
269
100.0
162
.0
OverallPercentage
62.4
a.Constantisincludedinthemodel.
b.Thecutvalueis.500
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）
VariablesintheEquation
B
S.E.
Wald
df
Sig.
Exp（B）
Step0
Constant
-.507
.099
26.002
1
.602
上表显示了方程中只有常数项时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）
VariablesnotintheEquation
Score
Variables
age
1.268
.260
gender
（1）
4.667
.031
income
10.640
2
.005
income
（1）
2.935
.087
income
（2）
.001
OverallStatistics
18.273
4
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
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
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。
p值。
可以看到，如果下一步Agep值大于显著性水平a，所以是不能
消费的二项Logistic分析结果（五）（强制进入策略）
Block1:
Method=Enter
OmnibusTestsofModelCoefficients
Chi-square
Step1
Step
18.441
Block
Model
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，由于没有设置解释变量块，且解释变量是一次性强制进入模型，所以三行结果都相同。
消费的二项Logistic分析结果（六）（强制进入策略）
ModelSummary
Cox&
SnellRNagelkerkeR
Step-2LoglikelihoodSquareSquare
1552.208a.042.057
a.Estimationterminatedatiterationnumber4because
parameterestimateschangedbylessthan.001.
上表显示了当前模型拟合优度方面的指标，各数据项的含义依次为-2倍的对数似然函数值，Cox&
SnellR^2。
-2倍的对数似然函数值越小则模型的
拟合优度越高。
这里该值较大，所以模型的拟合优度并不理想。
从NagelkerkeR^2也可以看到其值接近零，因此拟合优度比较低。
消费的二项Logistic分析结果（七）（强制进入策略）
a
ObservedPredicted
Step1是否购买
236
33
87.7
131
31
19.1
61.9
a.Thecutvalueis.500
上表显示了当前所得模型的错判矩阵。
可以看到，脚注中的TheCutvalueis.500意味着：
如果预测概率值大于0.5，则认为被解释变量的分类预
测值为1，如果小于0.5，则认为被解释变量的分类预测值为0.；
在实际没购买的269人中，模型正确识别了236人，识别错误了131人，正确率为
19.1%。
模型总的预测正确率为61.9%。
与前一步相比，对未购买的预测准确度下降了，对购买的预测准确度上升了，但总体预测精度仍下降了。
因此
模型预测效果并不十分理想。
消费的二项Logistic分析结果（八）（强制进入策略）
Step1a
.025
.018
1.974
.160
1.026
.511
.209
5.954
.015
1.667
12.305
.002
.101
.263
.146
.703
1.106
.787
.253
9.676
2.196
-2.112
.754
7.843
.121
a.Variable（s）enteredonstep1:
age,gender,income.
上表显示了当前所得模型中各个回归系数方面的指标。
可以看出，如果显著性水平a为0.05，由于Age的Wald检验概率p值大于显著性水平a，
不应拒绝零假设，认为该回归系数与0无显著差异，它与LogitP的线性关系是不显著的，不应保留在方程中。
由于方程中包含了不显著的解释变量，因
此该模型是不可用的，应重新建模。
下面是对模型做进一步分析，解释变量的筛选采用基于极大似然估计的逐步筛选策略（Forward：
LR），分析的具体操作以及结果如下：
（二）基本操作：
（2）选择是否购买作为被解释变量到Dependent框中，选其余各变量为解释变量到Covariates框中，采用Forward:
LR方法，在Option框中对模型做
近一步分析，结果如下：
消费的二项Logistic分析结果
（一）（逐步筛选策略）
Method=ForwardStepwise（LikelihoodRatio）
10.543
Step2
5.917
16.459
3
消费的二项Logistic
分析结果
（二）（逐步筛选策略）
ModelifTermRemoved
ModelLog
Changein-2
Sig.ofthe
Variable
Likelihood
LogLikelihood
Change
-285.325
gender
-280.053
-282.976
11.761
.003
上面第一个表显示了变量逐步筛选过程中对数似然比卡方检验的结果，用于回归方程的显著性检验。
这里略去了第零步分析的结果。
结果上面的
两个表共同分析。
在Step1中，模型中包含常数项和INCOME。
如果此时剔除INCOME将使-2LL减少10.543，即10.543是INCOME进入模型引起的，
-285.325即为零模型的对数似然比；
在Step2中，模型中包含常数项，INCOME，GENDER。
此时剔除GENDER，即-2LL将减少5.917，即5.917是在
Step1基础上GENDER所引起的，-280.053即为Step1模型的对数似然比，此时-2*285.325+2*280.053=10.543，即INCOME引起的。
其他同理。
可以
看到，如果显著性水平a为0.05，由于各步的概率p值均小于显著性水平a，因此此时模型中的解释变量全体与LogitP的线性关系是显著，模型合理。
消费的二项Logistic分析结果（三）（逐步筛选策略）
95.0%C.I.forEXP（B）
Lower
Upper
10.512
.006
.259
.982
1.006
.606
1.670
.672
.247
7.424
1.958
1.208
3.174
-.762
.187
16.634
.467
Step2b
.504
5.824
.016
1.656
1.099
2.493
11.669
.096
.134
.714
1.101
.658
1.843
.761
.251
9.147
2.139
1.307
3.502
-1.113
.240
21.432
.329
income.
b.Variable（s）enteredonstep2:
gender.
上表显示了解释变量筛选的过程和各解释变量的回归系数检验结果。
可以看到，最终的模型（第二步）中包含了性别和收入变量，各自回归系数
显著性检验的Wald观测值对应的概率p值都小于显著性水平a，因此均拒绝零假设，意味它们与LogitP的线性关系是显著，应保留在方程中。
表中的
第七，第八列分别是发生比的95%的置信区间。
最终年龄变量没有引入方程，因为如果引入则相应的Score检验的概率p值大于显著性水平a，不应拒绝零假设，它与LogitP的线性关系不显著，
不应进入方程。
具体结果如下：
消费的二项Logistic分析结果（四）（逐步筛选策略）
1.848
.174
5.865
7.824
.020
1.984
.159
消费的二项Logistic分析结果（五）（逐步筛选策略）
SnellR
NagelkerkeR
-2Loglikelihood
Square
560.107a
.024
.033
554.190b
.037
.051
a.Estimationterminatedatiterationnumber3because
b.Estimationterminatedatiterationnumber4because
上表显示了模型拟合优度方面的测度指标。
最终模型的-2倍的对数似然函数值为554.190，仍然较高，说明模型的拟合优度不甚理想。
同时，
NagelkerkeR^2距1较远，也说明了模型的拟合优度不高。
消费的二项Logistic分析结果（六）（逐步筛选策略）
HosmerandLemeshowTest
8.943
.063
消费的二项Logistic分析结果（七）（逐步筛选策略）
ContingencyTableforHosmerandLemeshowTest
是否购买=不购买是否购买=购买
Expected
Total
90
90.000
42
42.000
98
98.000
46
46.000
81
81.000
74
74.000
35
32.363
8
10.637
43
58
53.602
15
19.398
73
55
57.637
34
31.363
89
40
44.398
26.602
71
5
37
44.035
38
30.965
75
6
44
36.965
36
43.035
80
上面是Hosmer-Lemeshow检验的结果。
最终模型中，Hosmer-Lemeshow统计量的观测值为8.943，概率p值为0.063，大于显著性水平a，因
此不应拒绝零假设，认为该组的划分与被解释变量的取值不相关，说明模型的拟合优度较低。
它与NagelkerkeR^2分析的结果是一致的。
消费的二项Logistic分析结果（八）（逐步筛选策略）
225
83.6
126
22.2
60.6
Stepnumber:
2
ObservedGroupsandPredictedProbabilities
160┼┼
││
F││
R120┼┼
E
│
Q
U
E80
┼
N
11
C
01
Y
00
升级会员 