简介：SPSS软件中的逻辑回归分析操作讲解文档，面向需要研究二分类结果影响因素的科研人员、数据分析师及高校师生。内容围绕二值逻辑回归展开，以2005年中国各地区城市化水平影响因素为实例，完整且细致地演示数据整理、城镇人口比重逻辑值转换、回归对话框设置、分类变量与存储选项定义，以及样品处理摘要、因变量编码、分类变量编码等输出结果的解读。资源为单个doc格式文档，压缩包共1个文件，整体大小约6.3MB，截至目前已有431人学习。文档同时涉及多值逻辑回归的说明，并强调强迫回归、迭代次数、分类临界值等关键设置，配有清晰的界面截图与逐步操作路径，便于读者在软件中同步练习，可作为统计课程、论文实证分析及自学的参考材料。系统掌握该分析流程，能有效提升实证研究中对二分类结果影响因素的分析能力。
1. Logistic回归：为什么线性回归做不了二分类这件事
如果拿着一个连续型因变量去做预测，线性回归是天经地义的选择；可一旦因变量被压缩成 0 和 1 两种状态，比如城市人口比重高于平均水平记 Yes、低于记 No，再套最小二乘就完全失控了。Logistic 回归表面名字里带“回归”，骨子里干的却是分类决策的活——它不是去拟合一个数值，而是去拟合一个事件发生的概率，再拿概率去划界。很多人卡在 SPSS 的选项框里反复试参数，却说不清那些按钮背后发生了什么：为什么编码会被 SPSS 偷偷改写，为什么最大迭代次数不够会不收敛，为什么 Hosmer-Lemeshow 检验的卡方值反而是越小越好。这篇文章就从这些反直觉的细节切入，把 Logistic 回归从数学动机到 SPSS 的实现机制拆开讲清楚，最后回到那份文档里的完整案例，让你看完后能把“点按钮”变成“看得懂结果”。
2. 从 0/1 到概率：Sigmoid 映射与 logit 变换的底层动机
2.1 线性回归在二分类上的三个致命缺陷
把 0/1 因变量直接丢给线性回归，第一反应是让模型去拟合一条直线 y = b0 + b1·x。问题是这条直线在没有约束的情况下可以输出任何实数，比如预测出城市化概率 1.8 或者 -0.3，这在概率语境里是没有意义的。第二个缺陷隐藏在误差项里：当真实值是 0 时，残差要么是 0 要么是 1 附近的数，方差天然依赖于均值，同方差假设被彻底击穿，最小二乘估计的标准误全是错的。第三个缺陷更微妙——线性回归的似然函数在 0/1 目标下不是凸函数，迭代求解很容易掉进局部最优。
这三个缺陷指向同一个需求：把实数轴上的线性组合 z = b0 + b1·x1 + b2·x2 压缩到 (0,1) 区间内，而且压缩方式必须保证单调、可导、能还原概率含义。Logistic 回归用的就是那条经典的 S 型曲线，把 z 映射成 p = 1 / (1 + e^(-z))。这条曲线有一个关键的代数性质：对 p 做 logit 变换，得到 ln(p / (1-p)) = z，于是“概率的对数优势比”被还原成了线性表达式，这也是 Logistic 回归被称为 logit 模型的由来。
2.2 Sigmoid 函数与最大似然估计的等价性
把 p = 1 / (1 + e^(-z)) 转成优势比形式 p / (1-p) = e^z，就能看出系数 b 的直观含义：自变量每增加一个单位，事件发生的机会比变成原来的 e^b 倍。SPSS 结果表里的 Exp(B) 列就是这个 e^b，很多人只把它当作一个输出数字，其实它就是模型的可解释性来源。
参数估计用的不是最小二乘而是最大似然。对第 i 个样本，真实标签是 yi，模型给出概率 p(xi)，单个样本的似然贡献是 p(xi)^yi · (1-p(xi))^(1-yi)，取对数后变成 yi·ln(p) + (1-yi)·ln(1-p)。把所有样本的负对数似然加起来，目标是让这个值最小。SPSS 报告的 -2loglikelihood（-2LL）就是这个指标的翻倍版本，方便套用卡方分布做检验。为什么非要用最大似然而不用最小二乘？因为在线性回归里，正态误差假设下最小二乘恰好等价于最大似然，但二分类误差是伯努利分布而非正态分布，最小二乘的最优解并不对应概率意义上的最优决策边界。
2.3 决策边界：概率预测值如何还原成 0/1 判断
模型最终给出的是 p 值，还要靠一个临界值把它硬切成 0 或 1。SPSS 的 Classification cutoff 默认 0.5，意思是 p ≥ 0.5 判为 1，p < 0.5 判为 0。文档里特别提到可以把临界值改成 0.6，这背后是一个经常被忽略的取舍：调高临界值会让模型更“保守”，只有证据足够强时才判正类，代价是漏报率上升；调低临界值则相反，提高召回但增加误报。实际业务里如果两类样本比例悬殊，默认 0.5 往往不是最优界，应该用 ROC 曲线找最优点。
我一般会这么理解整个框架：Logistic 回归把“分类”问题拆成了两段——先用线性组合算出 logit 值，再用 Sigmoid 函数把它转成概率，最后用临界值截断。SPSS 的所有输出项，从 Wald 检验到 Hosmer-Lemeshow，全部是在为这三段过程中的不确定性做度量。
3. SPSS 的实现细节：编码、迭代与保存选项背后的隐藏逻辑
3.1 名义变量的编码陷阱：SPSS 为什么会“反着”编码
文档中一个很容易翻车的地方是变量编码被 SPSS 改写。原始数据里“中部地带”用 1 表示属于中部，0 表示非中部，用户心里想的是 1=是、0=否。但 SPSS 在 Categorical Variables Codings 表里会把 0 改成 1、1 改成 0，输出结果是“0 代表属于中部，1 代表不属于中部”。为什么 SPSS 要这么做？因为它在内部把名义变量重新做了一次哑变量编码，默认把第一个类别（按数值排序后是最小值）作为参照组，编码矩阵里参照组全为 0，而这里 0 原本代表“非中部”，于是语义发生了反转。
这个反转不是 bug，是参照组选择的必然结果。SPSS 里 Categorical 对话框默认把最后一个类别作为参照，但显示的时候会给出每个类别的编码值。如果不看这张表直接拿着系数去写预测公式，很容易把符号搞反。文档里的解决办法非常聪明：在 Excel 预测公式里把中部变量写成 (1-C2)，等于手动把 0/1 互换回去，让系数符号和 SPSS 内部口径一致。
3.2 强迫回归（Enter）与迭代次数：收敛背后的数值机制
Method 一栏有 Enter、Forward、Backward 等多个选项，文档用的是系统默认的 Enter，即把所有选中的自变量一次性塞进模型。Enter 的另一个名字叫强迫回归，它的逻辑是不做变量筛选，全部纳入再统一估计系数。这个方法在理论上有一个好处：每个系数的含义是在其他变量不变时的条件效应，不会被逐步算法中的变量进入顺序干扰。代价是如果自变量之间存在强相关，系数标准误会变大，显著性和可解释性一起受损。
最大迭代次数默认 20，文档建议改成 50。这个数字对应的是 Newton-Raphson 迭代的上限，每次迭代会更新一次系数向量。收敛判据是相邻两次迭代的参数变化足够小，或者对数似然函数增量小于阈值。如果迭代次数不够，SPSS 会输出“收敛失败”的警告，但很多时候它并不报错，只是给出一个尚未到达最优解的系数表，特征就是 -2LL 值还在明显下降，后续检验却已经停止。把迭代上限调到 50 不是玄学，而是给非线性优化留足余量。
3.3 Save 选项：Leverage、DfBeta 和 Deviance 各自的用途
Save 面板里有四个复选项：Leverage values、DfBeta(s)、Standardized、Deviance。初学者往往直接全部勾上，却不知道这些新增列怎么用。Leverage 描述的是每个样本对模型拟合的影响力，数值越高说明该样本的 x 值越极端，可能扭曲整条决策边界。DfBeta 是删除某个样本后系数估计的变化量，通常以 2/sqrt(n) 为阈值，超出这个范围的样本要重点审查。Deviance 是样本层面的残差度量，等于该样本对数似然贡献偏离理想值的两倍，数值骤增的样本往往是错分样本或离群点。
这三列放回 Data View 里，配合排序功能就是一套最朴素的异常值诊断流程：先看 Leverage 找影响点，再看 DfBeta 确认哪个变量被带偏，最后用 Deviance 定位拟合极差的样本。文档里四个全选的做法其实是 SPSS 建模的合理实践，因为没有任何一种统计量能单独覆盖所有诊断需求。
4. 结果输出怎么读：从初始分类到最终模型的完整证据链
4.1 初始分类表与 Score 检验：建模前的基线证据
输出报告第一屏是 Case Processing Summary 和 Dependent Variable Encoding。前者告诉你实际参与分析的样本量，后者揭示 SPSS 对你的因变量做了什么手脚——原文档里 Yes 被编码为 0、No 被编码为 1，正好和用户最初的赋值相反。很多人不看这张表，直接跳到系数表，最后预测时方向全反，回头排查半天才发现问题出在编码上。
接下来是 Classification Table 和 Variables in the Equation 的初始版本。初始表展示的是“只带常数项”的预测效果：全部样本被塞进占比最大的那个类别，在本例里就是 No 这一类。常量 B=0.597837，标准误 0.375379，Wald 值算出来约 2.54，对应的 Sig.=0.111，说明只靠常数项对解释城市化水平没有显著性意义。这时候看 Variables not in the Equation 里的 Score 检验，它评估的是把人均 GDP 和中部地带加进来能不能带来额外信息。人均 GDP 的 Score 值通过了阈值，中部地带则弱一些，这也符合前面的经验判断——单靠地理分区不足以解释城市化差异。
4.2 模型系数混合检验与 -2LL 的卡方判定
Omnibus Tests of Model Coefficients 给出模型整体显著性。自由度 df=2 时，卡方临界值可以用 Excel 的=CHIINV(0.05,2)查出来，约为 5.991；本例卡方值 31.187，显著大于临界值，Sig. 也远小于 0.05，说明至少有一个自变量的系数不等于零。这里的逻辑是：加入变量后 -2LL 下降了多少，下降的幅度是否大到不可能是偶然。
文档还演示了一个“特殊回归”来验证 Cox-Snell 拟合优度的数学来源：把协变量全部剔除、只留常数项，得到 -2LL=40.324；再和完整模型的 -2LL=9.137 做差，算出的 1 - exp((9.137-40.324)/31) ≈ 0.634332 就是 Cox-Snell。Nagelkerke 再把这个值除以它自己的理论上限，得到 0.872。这两个拟合优度本质上是把模型对数似然改进量换算成了类似线性回归 R² 的指标，只是 Cox-Snell 的最大值达不到 1，Nagelkerke 是校正后的版本。理解这一步就不容易被“伪 R² 怎么这么低”误导。
4.3 Hosmer-Lemeshow 检验：方向与常规相反的那次检验
Hosmer-Lemeshow 检验是 -2LL 检验的补充，因为对数似然对样本量非常敏感，大样本下几乎什么差异都能检验出来。它的做法是把预测概率分为约 10 组（本例输出 8 组的原因是有几组合并了），对比每组观测频数与期望频数的差异，计算卡方值。这个检验最迷惑人的地方在于取舍方向：常规检验要求卡方值大于临界值才算显著，H-L 却是要求卡方值越小越好。本例卡方值 4.730，临界值=CHIINV(0.05,8)≈ 15.507，4.730 < 15.507，所以模型通过检验，Sig.=0.786 大于 0.05，两者结论一致。
判断 H-L 检验是否通过，永远先看 Sig. 是否大于 0.05，再看卡方值是否小于临界值，这个方向对初学者来说几乎必错。文档里的 Contingency Table 进一步展示了每组观测值与期望值逐渐趋于接近的过程，本质上就是把这个统计量拆成明细给用户看。
4.4 最终模型：系数表怎么解释，预测正确率怎么算
迭代收敛后 SPSS 输出最终系数：常数 16.364888，中部系数 6.917073，人均 GDP 系数 -0.001251。人均 GDP 的系数是负的且绝对值很小，看起来有点反直觉，但结合数据分布看是合理的——样本量只有 31，单个变量的边际效应本来就不容易被精确估计。Wald 值的计算方式是把系数除以标准误再平方，比如中部变量的 Wald = (6.917073/S.E.)²，Sig. 值提示中部系数的置信度只达到 80% 以上，低于另外两个变量的 90% 以上。
最终预测分类表给出了建模效果的硬指标：观测值 Yes 有 11 个，全部预测正确，正确率 100%；No 有 20 个，19 个预测正确，1 个误判为 Yes，正确率 95%；整体 31 个样本只有 1 个错判。把系数代入 z = 16.364888 + 6.917073×中部 - 0.001×人均GDP，再套回 p = 1/(1+e^(-z))，就能在 Excel 里复现 SPSS 的预测值，四舍五入后与 Classification Table 完全一致。这种“用原始数据加系数手算一遍”的验证方式看起来笨，却是唯一能让你确认模型没有黑匣子的办法。
5. 避坑指南：SPSS 里做 Logistic 回归最常见的 4 个坑
5.1 编码反转导致预测公式符号错乱
现象：用最终系数表手写预测公式，算出的概率和 SPSS 的预测分类表对不上，甚至高低方向完全相反。
原因：SPSS 对因变量和名义自变量的编码都做了重排，文档中因变量 Yes 原本代表 1，被 SPSS 改成 0；中部变量原本 1=是，被 SPSS 改成 0=是。直接拿原始 0/1 代入 z 的计算公式，系数符号和截距口径全部错位。
解决：回到 Dependent Variable Encoding 和 Categorical Variables Codings 两张表，确认 SPSS 内部编码。手工预测时先做一次“码值互换”，比如文档中用 (1-C2) 代替 C2，确保进入公式的编码与模型估计时一致。之后用一个已知样本人工验算，最好能复现分类表里的数字。
5.2 迭代次数不够导致“假收敛”
现象：模型能跑完，系数表也不报错，但 -2LL 值明显偏高，后续 Hosmer-Lemeshow 检验怎么都不通过，或者同一个数据改一下变量顺序结果就大变。
原因：SPSS 默认最大迭代 20 次，遇到数据量小但变量间关联强的场景，Newton-Raphson 迭代在 20 次内还没走到最小值附近，评分函数已经提前触顶退出。
解决：在 Options 面板把 Maximum Iterations 调到 50 或 100，重跑后对比两次的 -2LL 和各系数数值。如果第二次迭代系数变化很大，说明第一次确实没收敛。养成习惯：每次都看输出开头是否有“convergence”相关警告，不要只看 Sig.
5.3 Hosmer-Lemeshow 检验方向搞反
现象：把 H-L 检验当成普通卡方检验，看到 Sig.<0.05 就认为模型显著，实际上这个结果意味着拟合差到不可接受。
原因：H-L 检验的原假设是“模型预测值与观测值一致”，卡方统计量越大说明偏差越大，所以拒绝原假设反而是坏事。普通回归的 F 检验拒绝原假设代表模型有效，H-L 恰好相反。
解决：记住判定口诀：Sig. 大于 0.05 才是通过，卡方值小于临界值才是通过。关键看最终分类预测表的实际正确率，不要只看 H-L 一个指标，它只是模型整体拟合的参考项。
5.4 分类变量一次性全部引入导致完全分离
现象：模型的系数出现特别大的正负值（比如上千），标准误也异常巨大，Hosmer-Lemeshow 检验却莫名完美。
原因：名义变量如果类别太多且每个类别里的样本量很小，模型可能遇到完全分离现象——决策边界能把训练集百分百分开，最大似然估计不存在有限解，迭代过程系数会一直膨胀下去。文档中特意提到“不宜一次性全部引入，至多引入两个”，就是这个原因。
解决：把多分类名义变量拆开，控制进入模型的哑变量数量，或改用惩罚化的稀疏模型。出现超大系数时不要高兴，先检查是否有分组样本量过小的情况。
6. 设计取舍：强迫回归、分类临界值与可解释性之间的平衡
Logistic 回归在 SPSS 里看起来是一连串设置和表格，但它的设计取舍其实非常经典：用最大似然替代最小二乘，换来概率意义上的最优；用 Enter 强迫回归，换来条件效应的稳定解释；用 Sigmoid 做非线性压缩，换来自变量的线性可加性。
这三组取舍都不是免费的。最大似然在小样本下的偏差不可忽视，本例只有 31 个样本，系数置信度普遍不高，这就是为什么文档中中部地带的 Sig. 只能到 80% 多——不是操作失误，是样本量上限。Enter 方法把所有变量同时纳入，好处是效应独立，坏处是变量相关时标准误被放大，数值上与逐步回归会有明显出入。
分类临界值也一样，0.5 只是一个默认起点，不是理论最优解。真实业务里应该画出 ROC 曲线，计算灵敏度与特异度的权衡，再决定把界划在哪里。如果误判成本高，比如医学筛查里的漏诊比误诊危险得多，临界值就该往低处调；如果误判代价平均，就选约登指数最大的点。
从那以后，我每次拿到 SPSS 结果，都会强迫自己按三个步骤走一遍：先查编码表确认 SPSS 到底把我的变量看成了什么，再对比初始分类表和最终分类表确认模型确实学到了东西，最后用 Excel 手算三五个样本的概率，验证系数表不是摆设。这套流程不花几分钟，但能挡住一半的返工。希望帮到你。
本文还有配套的精品资源，点击获取
