ibm spss regression使用本信息及其支持的產(chǎn)品前先閱讀第通知中

1、目非線(xiàn)性回歸 參數(shù)約束. . . . . . . . . . . . . . . . . . . . . . . . 目非線(xiàn)性回歸 參數(shù)約束. . . . . . . . . . . . . . . . . . . . . . . . 選項(xiàng)新變量 . . . . . . . . .為二元 Logistic 回歸選擇過(guò)程 . . . . . . . .:非線(xiàn)性回歸123334556677899Logistic 回歸 . . . . . . . . . . . . . .解釋非線(xiàn)性回歸結(jié). . . . . . . . . . . . . . . . . . Logistic 回歸：設(shè)置規(guī). . .

2、 . . . . . NLR 命令的附加功能 . . . . . . . . . .Logistic 回歸：變量選擇方法 . . . . . . . .權(quán)重估Logistic 回歸：定義分類(lèi)變量 . . . . . . . . . 權(quán)重估計(jì)：選項(xiàng) . . . . . . . . . . . . . . . . . . . . . . Logistic 回歸：保存新變量. . . . . . . . .WLS 命令的附加功能 . . . . . . . . . .兩階段最小平方回Logistic 回歸：選項(xiàng) . . . . . . . . . . .命令的附加功. . . 二階最小平方回歸：選項(xiàng)

3、 . . . . . . . . . . . . . . . . LOGISTIC 多項(xiàng) Logistic 回歸 . . . . . . . . . . . .2SLS 命令的附加功能 . . . . . . . . . .多項(xiàng) Logistic 回歸模型 . . . . . . . . . .分類(lèi)變量編碼方案 . . . . . . . . . . . .多項(xiàng) Logistic 回歸：參考類(lèi). . . . . . 偏差. . . . . . . . . . . . . . . .多項(xiàng) Logistic 回歸：統(tǒng)計(jì) . . . . . . . . .簡(jiǎn)多項(xiàng) Logistic 回歸：標(biāo)準(zhǔn) . .

4、 . . . . . . .(S) . . . . . . . . . . . . . . 多項(xiàng) Logistic 回歸：選項(xiàng) . . . . . . . . . . . . . . . . . . . . . 差多項(xiàng) Logistic 回歸: 保存 . . . . . . . . .多項(xiàng). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . NOMREG 命令的附加功能

5、. . . . . . . .重概率回歸 . . . . . . . . . . . . . . .特概率回歸：定義范. . . . . . . . . .指示概率回歸選項(xiàng). . . . . . . . . . . . .PROBIT 命令的附加功能 . . . . . . . . .非線(xiàn)性回通知 . . . . . . . . . . . . . . . . . . . 條件邏輯（非線(xiàn)性回歸） . . . . . . . . . . . . . . . . 商標(biāo). . . . . . . . . . . . . . . . .索引 . . . . . . . . . . . . . . .

6、.非線(xiàn)性回歸常用模型. . . . . . . . . . . . . . . . . . 非線(xiàn)性回歸：損失函數(shù). . . . . . . . . .IBMIBM SPSS SPSS istics Standard Edition 或回歸選項(xiàng)中包含以下回歸功能為二元 Logistic 回歸SPSS istics Standard Edition 或回歸選項(xiàng)中包含以下回歸功能為二元 Logistic 回歸選擇過(guò)可以使用Logistic之間一多項(xiàng)Logistic，程擬合二元 Logistic 回歸模型。每個(gè)過(guò)程中都有另一 過(guò)程使用單個(gè)個(gè)案級(jí)別的數(shù)據(jù)生成所有測(cè)值、殘差、影響統(tǒng)計(jì)以及擬合優(yōu)度檢驗(yàn)，與數(shù)

7、據(jù)的輸入方式以及協(xié)變量模式數(shù)是否小于個(gè)案總數(shù)無(wú)關(guān)；而gistic 回歸有相同協(xié)變量模式的子群體，而后基于這殘差，而單個(gè)案級(jí)方法則不能。因而會(huì)有多個(gè)個(gè)案），那么子群體方法可生成有效的擬合優(yōu)度檢驗(yàn)和有意義 v 模型的 Hosmer-Lemeshow 擬合優(yōu)度檢v 逐步分v 用于定義模型參數(shù)化的對(duì)v 用于分類(lèi)的替代分割v 分類(lèi)圖v 將已在一組個(gè)案上擬合的模型應(yīng)用到提供的一組個(gè)v 保存預(yù)測(cè)值、殘差及影響統(tǒng)多項(xiàng) Logistic 回歸提供以下獨(dú)特的功能v 模型擬合度優(yōu)度 Pearson 和偏差卡方檢v 用于對(duì)進(jìn)行擬合優(yōu)度檢驗(yàn)的數(shù)據(jù)進(jìn)行分組的子群體指v 按子群體列出的計(jì)數(shù)、預(yù)測(cè)計(jì)數(shù)和殘v 對(duì)過(guò)度離散的方差

8、估計(jì)值的修v 參數(shù)估計(jì)的協(xié)方差矩v 參數(shù)線(xiàn)性組合的檢v 嵌套模型的顯式指v 使用差分變量擬合 1-1 匹配的條件 Logistic 回歸模如這兩個(gè)過(guò)程都擬合用于二分類(lèi)數(shù)據(jù)的模型，該模型是使用二項(xiàng)式分布和 logit 關(guān)聯(lián)函數(shù)的廣義線(xiàn)性模型廣義線(xiàn)性模型過(guò)程注：如果您具有二分類(lèi)數(shù)據(jù)的重復(fù)測(cè)量或者以其他方式相關(guān)聯(lián)的記錄，那么應(yīng)該考廣義線(xiàn)性混合?；驈V義估計(jì)方程過(guò)程1 Copyright IBM Corporation 1989, Logistic 回如果希望根據(jù)一組預(yù)測(cè)變量的值預(yù)測(cè)某種特征或結(jié)果是否存在Logistic 回歸可以提供幫助。Logistic 回歸似于線(xiàn)性回歸Logistic 回如果希望根

9、據(jù)一組預(yù)測(cè)變量的值預(yù)測(cè)某種特征或結(jié)果是否存在Logistic 回歸可以提供幫助。Logistic 回歸似于線(xiàn)性回歸型，但更適用于因變量為二分變量的模型。Logistic 回歸系數(shù)可用于估計(jì)模型中每個(gè)自變量幾率比。與判別分析相比Logistic 回歸適用于更為廣泛的研究場(chǎng)合示例。什么樣的生活方式特征是引發(fā)冠心病 (CHD) 的危險(xiǎn)因素？給定具有吸煙狀態(tài)、飲食、鍛煉、飲酒CHD 狀態(tài)度量的患者樣本，可以使用這四個(gè)生活方式變量建立一個(gè)模型，用于預(yù)測(cè)患者樣本中 CHD 的存在上更易患 CHD個(gè)步數(shù)和有效個(gè)案數(shù)。對(duì)于每個(gè)分類(lèi)變量，統(tǒng)計(jì)參數(shù)編碼。對(duì)于2 對(duì)數(shù)似然、擬合優(yōu)度、Hosmer-Lemeshow

10、擬合優(yōu)度、觀(guān)察組和預(yù)測(cè)概率圖表以及殘差卡方。對(duì)于公式中的-計(jì)、模型卡方、改進(jìn)卡方、分類(lèi)表、變量間的相關(guān)個(gè)變量，統(tǒng)計(jì)系數(shù)(B)。對(duì)于公式以外ld(exp(B)exp(B) 的置信區(qū)間和對(duì)數(shù)似率、預(yù)測(cè)組、殘差和標(biāo)準(zhǔn)化殘差方法?？梢允褂米兞繅K輸入或下列任一步進(jìn)法來(lái)估算模型：向前條件、向前 LR、向前 Wald、向后條件、向LR 或向后 WaldLogistic 回歸數(shù)據(jù)注意事量。因變量應(yīng)為二分變量。自變量以是區(qū)間級(jí)別變量或分類(lèi)變量；如果是分類(lèi)變量，則它們應(yīng)經(jīng)過(guò)啞元穩(wěn)定。與判析一樣，ogistic 回歸不依賴(lài)于分布假設(shè)。但是，如果預(yù)測(cè)變量呈多變量正態(tài)分布，則解會(huì)員為真正的分類(lèi)變量時(shí)，該過(guò)程最為有效；如

11、果組成量的值（例如，高智商與低智商關(guān)過(guò)程。使用散點(diǎn)圖過(guò)程過(guò)濾數(shù)據(jù)以獲得多重共線(xiàn)性。如果符合多變量正態(tài)性和相等方差-協(xié)方差矩陣判別分析過(guò)程可以更快獲得解。如果所有預(yù)測(cè)變量都是分類(lèi)變量，則還可以使對(duì)數(shù)線(xiàn)程。如果因變量是連續(xù)的，請(qǐng)使用線(xiàn)性回歸過(guò)程?？梢允褂肦OC 曲線(xiàn)過(guò)程繪制通過(guò)Logistic 分析過(guò)程保的概率獲取 Logistic 回歸分1. 從菜單中選擇分析 回歸 二元 2. 選擇一個(gè)二分因變量。該變量可以是數(shù)值或字符串3. 選擇一個(gè)或多個(gè)協(xié)變量。要包含交互項(xiàng)，請(qǐng)選擇交互中所涉及的所有變量，然后選擇 a*bIBM SPSS Logistic 回歸：設(shè)置規(guī)模型估計(jì)中包含由選擇規(guī)則定Logisti

12、c 回歸：設(shè)置規(guī)模型估計(jì)中包含由選擇規(guī)則定義的個(gè)案。例如，如果選擇了一個(gè)變量和等于并指定值 5，則估計(jì)此模型時(shí)只5 的值的個(gè)案分類(lèi)，或是將數(shù)據(jù)劃分成訓(xùn)練子集和檢驗(yàn)子集，從而對(duì)生成的模型執(zhí)行驗(yàn)證。于以前存在的數(shù)據(jù)對(duì)新個(gè)案進(jìn)Logistic 回歸：變量選擇方歸模型。允許您指定自變量將如何進(jìn)入到分析中。通過(guò)使用不同的方法，您可以根據(jù)相同的變量組構(gòu)造多個(gè)方輸入 一種變量選擇過(guò)程，其中一個(gè)塊中的所有變量在一個(gè)步驟中輸入orwa(o礎(chǔ)上的似然比統(tǒng)計(jì)的概率向前選(orardSelection(Likelihood Ratio)顯著性，移去檢驗(yàn)是基于在最大局部似然計(jì)的似然比統(tǒng)計(jì)的概率 orwa 向后去除（條件

13、(Backward Elimination 逐步向后選擇。移去檢驗(yàn)基于在條件參數(shù)估計(jì)的似然比統(tǒng)計(jì)的概率 向后去除 (Wald) (Backward Elimination (逐步向后選擇。移去檢驗(yàn)基于 Wald 統(tǒng)計(jì)的概率輸出中的顯著性值基于與單個(gè)模型的擬合。因此，當(dāng)使用步進(jìn)法時(shí)，顯著性值通常無(wú)效可以使用逐步式選擇將一個(gè)變量塊輸入到回歸模型中，而使用向前選擇輸入第二個(gè)變量塊。要將第二個(gè)變量添加到回歸模型中，請(qǐng)單擊添加 (+)控件Logistic 回歸：定義分類(lèi)變您可以詳細(xì)指定Logistic 回歸過(guò)程處理分類(lèi)變量的方式協(xié)變量 含一個(gè)列表，列出量）。如果其中部分協(xié)變量是字符串變量或分類(lèi)變量，則能

14、將它們用類(lèi)協(xié)變量分類(lèi)協(xié)出標(biāo)識(shí)為分類(lèi)變量的變量。每個(gè)變量都在括號(hào)中包含一個(gè)表示法，指示要使用的對(duì)比編碼。字符類(lèi)協(xié)變量并將它們移到符號(hào) 回歸 多項(xiàng) Logistic 回歸2. 選擇一個(gè)因變量3. 因子是可選的，可以是數(shù)值或類(lèi)別4. 協(xié)變量是可選的，但必須是數(shù)值（如果指定）多項(xiàng) Logistic 回歸?；蛘?qǐng)求進(jìn)行逐ogistic會(huì)生成含因子和協(xié)變量主效應(yīng)的模型，但您可以使用此對(duì)話(huà)框指定定制模型指定模主效應(yīng)模型包含協(xié)變量和因子的主效應(yīng)，但不包含交互效應(yīng)。全因子模型包含所有主效應(yīng)和所有因因子的交互效應(yīng)含協(xié)變量交互。可以創(chuàng)建自定義模型以指定因子交互或協(xié)變量交互的因子和因子與協(xié)變量強(qiáng)制進(jìn)加到強(qiáng)制進(jìn)入列表的項(xiàng)

15、始終包括在模型中步進(jìn)項(xiàng) 添加到步進(jìn)列表的項(xiàng)會(huì)根據(jù)用戶(hù)選擇的下列其中一種步進(jìn)法包括在模型中IBM SPSS 向前進(jìn)此方法在開(kāi)始時(shí)，模型中沒(méi)有步進(jìn)向前進(jìn)此方法在開(kāi)始時(shí)，模型中沒(méi)有步進(jìn)項(xiàng)。在每一步中將最顯著的項(xiàng)添加到模型中，直留在模型之外的任何步進(jìn)項(xiàng)在添加到模型中之后都不會(huì)具有顯著的統(tǒng)計(jì)作用向后去此方法在開(kāi)始時(shí)，將步進(jìn)列表中指定的所有項(xiàng)輸入到模型中。每一步從模型中移去不顯著的步進(jìn)項(xiàng)，直到剩余所有步進(jìn)項(xiàng)都對(duì)模型具有顯著的統(tǒng)計(jì)作用向前步此方法從向前進(jìn)入法所選擇的模型開(kāi)始。在此模型的基礎(chǔ)上，算法交替執(zhí)行模型中項(xiàng)的向后去除和模型外剩余項(xiàng)的向前進(jìn)入。此操作持續(xù)執(zhí)行，直到不再有項(xiàng)滿(mǎn)足向后步此方法從向后去除法所選

16、擇的模型開(kāi)始。在此模型的基礎(chǔ)上，算法交替執(zhí)行模型外項(xiàng)的向前進(jìn)入和模型中步進(jìn)項(xiàng)的向后去除。此操作持續(xù)執(zhí)行，直到不再有項(xiàng)滿(mǎn)足在模型型中包括或排除截距項(xiàng)建立對(duì)于選定因子和協(xié)變量主效應(yīng)。為每個(gè)選定的變量創(chuàng)建主效應(yīng)項(xiàng)所有五階。創(chuàng)建選定變量的所有可能的五階交互多項(xiàng) Logistic 回歸：參考類(lèi)缺省情況下，式ogistic。回歸過(guò)程將最后一個(gè)類(lèi)別作為參考類(lèi)別。變量對(duì)話(huà)框提供對(duì)參考類(lèi)別的控制參考類(lèi)指定第一個(gè)、最后一個(gè)或定制類(lèi)別類(lèi)別順在升序方式中，最低值定義第一個(gè)類(lèi)別，最高值定義最后一個(gè)類(lèi)別。在降序方式中，最高值定義第個(gè)類(lèi)別，最低值定義最后一個(gè)類(lèi)別項(xiàng) Logistic 回歸：統(tǒng)多項(xiàng) Logistic 回歸指定

17、下列統(tǒng)計(jì)個(gè)案處包含有關(guān)所指定分類(lèi)變量的信息?？傮w模型的統(tǒng)計(jì)7偽 方打印 Cox 和 Snell、Nagelkerke 以及 McFadden 統(tǒng)計(jì)2步驟摘偽 方打印 Cox 和 Snell、Nagelkerke 以及 McFadden 統(tǒng)計(jì)2步驟摘表匯總步進(jìn)法的每一步中進(jìn)入或移去的效應(yīng)。除非在模型對(duì)話(huà)框中指定步進(jìn)模型，否則模型擬擬合模型與僅截距模型或空模型進(jìn)行比較信息準(zhǔn)此表打Akaike 信息準(zhǔn)則 (AIC) 和 Schwarz Bayesian 信息準(zhǔn)則 (BIC)分類(lèi)表 打印觀(guān)察響應(yīng)和預(yù)測(cè)響應(yīng)的表。擬合優(yōu)打Pearson 和似然比卡方統(tǒng)計(jì)。將為由所有因子和協(xié)變量，或由用戶(hù)定義的因子和協(xié)變量

18、集確定的協(xié)變量模式計(jì)算統(tǒng)計(jì)示 的 和 Kruskal 的伽瑪、Kendall 的 tau-a 以及協(xié)調(diào)索引 C參與模型參數(shù)相關(guān)的統(tǒng)計(jì)估計(jì)值 使用用戶(hù)指定的置信度打印模型參數(shù)的估計(jì)值漸進(jìn)協(xié)印參數(shù)估計(jì)協(xié)方差的矩陣定義子許您選擇因子和協(xié)變量的子集，以便定義單元格概率和擬合度檢驗(yàn)所用的協(xié)變量模式項(xiàng) Logistic 回歸：標(biāo)多項(xiàng) Logistic 回歸指定下列標(biāo)準(zhǔn)迭斂性容差、打印迭代算法然估計(jì)變化和參數(shù)變化的離對(duì)數(shù)似對(duì)數(shù)似然函數(shù)中的絕對(duì)變更小于指定值，則假定收斂性。如果值為 0，則不使用此準(zhǔn)則請(qǐng)指定一個(gè)非負(fù)值參數(shù)收如果參數(shù)估計(jì)值的絕對(duì)變化小于此值，那么假定收斂。如果值為 0，則不使用該標(biāo)準(zhǔn)IBM SP

19、SS 這有助于穩(wěn)定算法1這有助于穩(wěn)定算法1值將按協(xié)變量模式添加到響應(yīng)類(lèi)別交叉制表的每個(gè)空單元格中奇異性許您指定檢查奇異性時(shí)所用的容差項(xiàng) Logistic 回歸：選多項(xiàng) Logistic 回歸指定下列選項(xiàng)離差刻允許您指定用于修正參數(shù)協(xié)方差矩陣估計(jì)的離差刻度值。偏差使用偏差函數(shù)（似然比卡方）統(tǒng)計(jì)估 步進(jìn)選在使用步進(jìn)法建立模型時(shí)，此選項(xiàng)可為您提供對(duì)統(tǒng)計(jì)標(biāo)準(zhǔn)的控制。除非在模型對(duì)話(huà)框中指定步進(jìn)型，否則將忽略這些選項(xiàng)進(jìn)入概這是用于變量輸入的似然比統(tǒng)計(jì)的概率。指定的概率越大，變量就越容易進(jìn)入模型。除非擇向前進(jìn)入、向前步進(jìn)或向后步進(jìn)法，否則此準(zhǔn)則將被忽略進(jìn)入檢這是用于在步進(jìn)法中輸入項(xiàng)的方法。請(qǐng)?jiān)谒迫槐葯z驗(yàn)和得

20、分檢驗(yàn)間選擇。除非選擇向前入、向前步進(jìn)或向后步進(jìn)法，否則此準(zhǔn)則將被忽略移除概這是用于變量剔除的似然比統(tǒng)計(jì)的概率。指定的概率越大，變量就越容易保留在模型中。非選擇向后去除、向前步進(jìn)或向后步進(jìn)法，否則此準(zhǔn)則將被忽略移除檢這是用于在步進(jìn)法中移除項(xiàng)的方法。請(qǐng)?jiān)谒迫槐葯z驗(yàn)和 Wald 檢驗(yàn)間選擇。除非選擇向后除、向前步進(jìn)或向后步進(jìn)法，否則此準(zhǔn)則將被忽略模型中步效果(向后步進(jìn))，此選項(xiàng)指定將包含在模型中的最小項(xiàng)數(shù)。截距不算作模項(xiàng)模型中步效果(向前步進(jìn))，此選項(xiàng)指定將包含在模型中的最大項(xiàng)數(shù)。截距不算作模項(xiàng)分級(jí)強(qiáng)擇是否對(duì)模型項(xiàng)的包含方式進(jìn)行限制。對(duì)于要包含的任何項(xiàng)，層次要求屬*變量在確定層次過(guò)程中的角色多項(xiàng)

21、Logistic 回歸: 保保存對(duì)話(huà)框允許您將變量保存到工作文件，以及將模型信息導(dǎo)出到外部文件保存的保存以下變量9估計(jì)響概率是將因子/協(xié)變量模式分估計(jì)響概率是將因子/協(xié)變量模式分類(lèi)為響應(yīng)類(lèi)別的估計(jì)概率。估計(jì)概率的數(shù)目與響應(yīng)變量的別數(shù)目相當(dāng)；最多保存 25 個(gè)概率實(shí)際類(lèi)率是將因子/協(xié)變量模式分類(lèi)為觀(guān)察類(lèi)別的估計(jì)概率將模型計(jì)L可選）協(xié)方差導(dǎo)出到指定格式的文件。您可以使用該模型文XML 以應(yīng)用模型信息到其他數(shù)據(jù)文件用于評(píng)分目的NOMREG 命令的附加功使用命令語(yǔ)法語(yǔ)言還可以v 指定因變量的參考類(lèi)別v 包含具有用戶(hù)缺失值的個(gè)案v 通過(guò)將原假設(shè)指定為參數(shù)的線(xiàn)性組合來(lái)自定義假設(shè)檢驗(yàn)。程刺激的強(qiáng)度與對(duì)刺激顯

22、示出特定響應(yīng)的個(gè)案比例之間的關(guān)系。如果您具有二分輸出，并認(rèn)為該輸引致特定比例的響應(yīng)所需的刺激強(qiáng)度，例如中位效應(yīng)劑量。驗(yàn)數(shù)據(jù)，則此分析非常有用。使用此過(guò)程可以估的。新型殺蟲(chóng)劑對(duì)于殺滅螞蟻的有效性如何，適用濃度多大？可以執(zhí)行一項(xiàng)實(shí)驗(yàn)，對(duì)螞蟻樣本施用不同濃濃度。殺滅效力之間的關(guān)系緊密度，并可以確定您希望確保殺滅一定比例（例如 95%）的螞蟻時(shí)殺蟲(chóng)劑的適 此過(guò)程使用 Gill、Murray、Saunders 和 Wright 提出并由其在 NPSOL 中實(shí)現(xiàn)的算法來(lái)估計(jì)模型參數(shù)。觀(guān)。對(duì)于量的每個(gè)值（或多個(gè)自變量每個(gè)值組合），響應(yīng)變量應(yīng)為具有顯示相應(yīng)響應(yīng)的值的個(gè)案數(shù)情況。觀(guān)察是獨(dú)立的。如果自變量值的數(shù)量

23、與觀(guān)察值的數(shù)量相比過(guò)多（在某項(xiàng)觀(guān)察研究中可能遇到這樣相關(guān)過(guò)程。Probit 分析與 Logistic 回歸緊密相關(guān)；實(shí)際上，如果選擇 Logit 轉(zhuǎn)換，則此過(guò)程最終計(jì)算的 ，而 IBM SPSS 反映了這些不同的側(cè)重方面。Probit 分析過(guò)程報(bào)告不同響應(yīng)頻率下有效值的反映了這些不同的側(cè)重方面。Probit 分析過(guò)程報(bào)告不同響應(yīng)頻率下有效值的估計(jì)值（包括中位效應(yīng)劑量），Logistic 回歸過(guò)程報(bào)告自變量幾率比的估計(jì)值獲取概率回歸分1. 從菜單中選擇分析 回歸 概率2. 選擇一個(gè)響應(yīng)頻率變量。此變量表示對(duì)檢驗(yàn)刺激表現(xiàn)出響應(yīng)的個(gè)案數(shù)。此變量的值不能為負(fù)根據(jù)需要，可以選擇因子變量。如果執(zhí)行此操作，

24、那么使用定義范圍來(lái)定義組的范圍5. 選擇 Probit 或 Logit 模型 用 probit 轉(zhuǎn)換（累積標(biāo)準(zhǔn)正態(tài)分布函數(shù)的逆函數(shù)） logit（對(duì)數(shù)幾率）轉(zhuǎn)換對(duì)可定析的因子變量的水平。因子級(jí)別必須編碼為連續(xù)整數(shù)，過(guò)程將對(duì)指定范圍中的所水平進(jìn)行分析概率回歸選PROBIT 命令的附加功使用命令語(yǔ)法語(yǔ)言還可以v 對(duì) Probit 和 Logit 模型請(qǐng)求分析v 控制對(duì)缺失值的處理v 通過(guò) 10 和自然對(duì)數(shù)底數(shù)之外的底數(shù)轉(zhuǎn)換協(xié)變量請(qǐng)參閱命令語(yǔ)法參考以獲取完整的語(yǔ)法信息性尋找因變量和一組自變量之間關(guān)系的非線(xiàn)性模型的方法。與限制為估計(jì)線(xiàn)性模型的傳統(tǒng)線(xiàn)性回意，對(duì)于形式為歸可估計(jì)自變量和的簡(jiǎn)單多項(xiàng)式模型，此

25、過(guò)程是不必要的。通過(guò)定義代估計(jì)算法，可得到一Y = A + W = 簡(jiǎn)單的線(xiàn)性模型 Y = A + BW，使用傳統(tǒng)方法如線(xiàn)性回歸過(guò)程便可以估計(jì)這一模型例。是否可根據(jù)時(shí)間來(lái)預(yù)測(cè)人口？散點(diǎn)圖顯示在人口和時(shí)間之間似乎有很緊密的關(guān)系，但是此關(guān)系是非線(xiàn)非線(xiàn)性回歸過(guò)程的特殊估算方法。通過(guò)建立適當(dāng)?shù)姆匠?，?Logistic 人口增長(zhǎng)模型，我們修修方和。對(duì)于每個(gè)模型，統(tǒng)計(jì)回歸的平方和、殘差、未修正總注：受約束的非線(xiàn)性回歸使用由 Gill、Murray、Saunders 和 Wright 提出并在 NPSOL 中實(shí)現(xiàn)的算法來(lái)計(jì)模型參數(shù)非線(xiàn)性回歸數(shù)據(jù)注意事變。因變自變量必須是定量的。分類(lèi)變量（例如宗教、專(zhuān)業(yè)或居

26、住地）需要重新編碼為二分類(lèi)（啞元起。只有定的函數(shù)能夠準(zhǔn)確描述因變量和自變量的關(guān)系的情況下，結(jié)果才是有效的。此外，選擇合適者可能得到局部最優(yōu)的解，而不是全局最優(yōu)的解相關(guān)過(guò)程。很多在一開(kāi)始呈現(xiàn)為非線(xiàn)性的模型都可以轉(zhuǎn)換為線(xiàn)性模型，從而使線(xiàn)性回過(guò)程進(jìn)行分析。果不確定什么樣的模型合適，可以使用曲線(xiàn)估計(jì)過(guò)程幫助確定數(shù)據(jù)中有用的函數(shù)關(guān)系獲取非線(xiàn)性回歸分1. 從菜單中選擇分析 回歸 非線(xiàn)性2. 從活動(dòng)數(shù)據(jù)集中的變量列表中選擇一個(gè)數(shù)值因變量3.要構(gòu)建模型表達(dá)式，請(qǐng)?jiān)谀Ｐ捅磉_(dá)式字段中輸入表達(dá)式，或?qū)⒊煞郑ㄗ兞?、參?shù)和函數(shù)）粘貼到此字段4. 單擊參數(shù)標(biāo)識(shí)模型中的參數(shù)必須在單個(gè)模型語(yǔ)句中使用條件邏輯指定分段模型（在域

27、的不同部分采用不同形式的模型）使邏定型。要在模型表達(dá)式或損失函數(shù)中使用條件邏輯，需要形成一系列項(xiàng)的總和，達(dá)式構(gòu)成。一個(gè)項(xiàng)。每個(gè)項(xiàng)由一個(gè)邏輯表達(dá)式（放在括號(hào)中）例如，考慮一個(gè)分段模型，它在X=0時(shí)等于0，在0X=1時(shí)等于1。該表達(dá)式為： (X0&X=1)*1.括號(hào)中的邏輯表達(dá)式都計(jì)算為 1（真）或 0（假）。因此如果 X=0，則上面的表達(dá)式簡(jiǎn)化為 1*0 + 0*X + 0*1 = 0。如果 0X=1，則簡(jiǎn)化為 0*0 + 0*X + 1*1 = 1通過(guò)替換不同的邏輯表達(dá)式和結(jié)果表達(dá)式，可以很容易地建立更為復(fù)雜的示例。請(qǐng)記住，雙向不等式（0X0 & X1）。(city=New York)*cos

28、tliv + (city=Des IBM SPSS 對(duì)于 New York 的居民，將生成一個(gè)表達(dá)式（變量 costliv 的值），而對(duì)對(duì)于 New York 的居民，將生成一個(gè)表達(dá)式（變量 costliv 的值），而對(duì) Des Moines 的居民生成另一個(gè)達(dá)式（前面的值的 59%）。字符串常量必須包含在引號(hào)或撇號(hào)中，如此處所示是非歸所估計(jì)的模型的一部分。參數(shù)可以是可加常數(shù)、可乘系數(shù)、指數(shù)或函數(shù)計(jì)算中使用值。所有已定義的參數(shù)都會(huì)隨同其初始值一起，顯示在變量對(duì)話(huà)框中的參數(shù)列表中名用須為每個(gè)參數(shù)指定名稱(chēng)。此名稱(chēng)必須是有效的變量名，而且必須是變量對(duì)話(huà)框的模型表達(dá)式中 使用上對(duì)話(huà)框運(yùn)行非線(xiàn)性回歸，您

29、可以選擇此選項(xiàng)，從上一次運(yùn)行中使用的參數(shù)值獲取參數(shù)中值。這允許您在算法緩慢收斂性時(shí)繼續(xù)搜索。（這些起始值仍會(huì)顯示在變量對(duì)話(huà)框的參數(shù)列注：在會(huì)話(huà)的余下過(guò)程中，此項(xiàng)選擇會(huì)一直顯示在此對(duì)話(huà)框中。如果更改模型，請(qǐng)確保取消選擇該選項(xiàng)提多布線(xiàn)性回歸模型的示例模型語(yǔ)法。隨機(jī)選擇的模型不太可能很好地?cái)M合數(shù)據(jù)。參數(shù)適當(dāng)起始值是必要的，有些模型還要求使用約束才能實(shí)現(xiàn)收斂性表 1. 示例模型語(yǔ)名模型表達(dá)漸近回 + b2 * exp(b3 * (b2 * (b3 * + b2 * x) * (1 / * (1 b3 * exp(b2 * x * * exp(b2 * exp(b3 * * exp(b2 / (x +

30、+ b3 * x) * ln(1 + b2 * exp(b3 * + b2 * exp(b3 * * x / (x + * b2 + b3 * x * b4) / (b2 + x * / (1+ b2 * exp(b3 * x + b4 * x *2 + b5 * x * + b2 * x + b3 * x * 2 + b4 * x * 3) / (b5 * x * + b2 * x + b3 * x * 2) / (b4 * x * / (1 + b3 * exp(b2 * x) * (1 / / (1 + b3 * exp(b2 * * (1 b4) b2 * exp(b3 * x) *

31、(1 / (1 b2 * exp(b3 * x * 漸近回Johnson-對(duì)數(shù)修對(duì)數(shù) Metcherlich 的收益遞減規(guī)Michaelis Man-Mercer-Peal-三次Von 韋產(chǎn)量密(b1 + b2 * x + b3 * x * 2) * 性函算法最小化的函數(shù)。請(qǐng)選擇性函算法最小化的函數(shù)。請(qǐng)選擇殘差的平方和以最小化殘差的平方和，或選擇用戶(hù)義的損失函數(shù)以最小化不同的函數(shù)如果選擇用戶(hù)定義的損失函數(shù)，則必須定義其總和（針對(duì)所有個(gè)案）應(yīng)由所選參數(shù)值最小化的損失函數(shù)多數(shù)損失函數(shù)都涉及到特殊變量 RESID_，它代表殘差。（缺省殘差平方和損失函數(shù)可顯式輸入為RESID_*2。）如果需要在損失函

32、數(shù)中使用預(yù)測(cè)值，則它等于因變量減去殘差v 可以使用條件邏輯指定條件損失函數(shù)號(hào)或撇號(hào)損失表達(dá)必須以美式格式鍵入，并用句點(diǎn)作為小數(shù)分隔符。該字段中。字符串常量必須包含在是的搜中對(duì)參數(shù)所允許的值的限制。線(xiàn)性表達(dá)式是在步驟執(zhí)行前計(jì)算的，因此可使用性約束來(lái)避免可能導(dǎo)致溢出的步驟。非線(xiàn)性表達(dá)式則是在步驟執(zhí)行后計(jì)算的每個(gè)等式或不等式都要求使用下列元素參數(shù)列表中進(jìn)粘貼。不能在約束中使用一般變量v 下列三個(gè)邏輯運(yùn)算符中的一個(gè)，=v數(shù)字常數(shù)，使用邏輯運(yùn)算符與表達(dá)式相比較。鍵入常數(shù)。數(shù)字常數(shù)必須以美式格式鍵入，并使用句點(diǎn)作為小數(shù)分隔符非線(xiàn)性回歸: 保存新變續(xù)以將若干新變量保存到活動(dòng)數(shù)據(jù)文件中?？捎玫倪x項(xiàng)有個(gè)殘差、導(dǎo)

33、數(shù)和損失函數(shù)的值。在預(yù)測(cè)值 (Predicted 以變量名稱(chēng) pred_ 來(lái)保存預(yù)測(cè)值殘差 以變量名 resid 保存殘差導(dǎo)數(shù) 為每個(gè)模型參數(shù)保存一個(gè)導(dǎo)數(shù)。通過(guò)向參數(shù)名稱(chēng)的前六個(gè)字符加前綴d.來(lái)創(chuàng)建導(dǎo)數(shù)名稱(chēng)損失函果(LossFunctionalues) 數(shù)，那么此選項(xiàng)可用。向損失函數(shù)的值分配變量。選控線(xiàn)性回歸分析的各個(gè)方面標(biāo)準(zhǔn)誤用ootstrap據(jù)集重復(fù)抽樣來(lái)估計(jì)統(tǒng)計(jì)的標(biāo)準(zhǔn)誤差的方法。其做法是：抽?。ㄓ蟹呕厝樱颖玖渴紨?shù)據(jù)集樣本量相同的值用作每個(gè)然后計(jì)算每樣的起始值。這需要序列二次規(guī)劃算法IBM SPSS 估計(jì)方允許您選擇一種估算方法（如果可能）。（此對(duì)話(huà)框或其他對(duì)估計(jì)方允許您選擇一種估算方

34、法（如果可能）。（此對(duì)話(huà)框或其他對(duì)話(huà)框中的某些選項(xiàng)要求使用序列二次程算法。）可用的方法包括序列二次編程和 Levenberg-MarquardtQuadratic 和不約束模型。如果您指定約束模型、用戶(hù)定義的損失函數(shù)或 bootstrap，那么自使用序列二次編程。您可以最大迭代次數(shù)和步長(zhǎng)限制輸入新值，并且可以在最優(yōu)性容差、數(shù)精確和無(wú)限步長(zhǎng)的下拉列表中更改選擇Levenberg-這是非約束模型的缺省算法。如果您指定約束模型、用戶(hù)定義的損失函數(shù)或自引導(dǎo)，那么 Marquardt 方法不可用。您可以為最大迭代次數(shù)輸入新值，并且可以更改在平方和收斂性和參數(shù)斂的下拉列表中的選擇性題帶算方面的困難v 參數(shù)

35、初始值的選擇會(huì)影響收斂性。盡量選擇合理的初始值，并盡可能選擇接近期望的最終解的初始值對(duì)于特定的問(wèn)題，一種算法的性能有時(shí)會(huì)優(yōu)于另一種算法。在選項(xiàng)對(duì)話(huà)框中，選擇其他算法（如果有）。（如果指定損失函數(shù)或特定類(lèi)型的約束，則將無(wú)法使用 Levenberg-Marquardt 算法。v 如果僅僅是因?yàn)檫_(dá)到迭代的最大次數(shù)而使v要求對(duì)大數(shù)據(jù)值執(zhí)行求冪運(yùn)算或指數(shù)運(yùn)算的模型可能導(dǎo)致溢出或下溢（數(shù)字太大或太小，計(jì)算機(jī)無(wú)法表示）。有時(shí)候，通過(guò)選擇適當(dāng)?shù)某跏贾?，或?qū)?shù)施加約束，可以避免這些問(wèn)題NLR 命令的附加功使用命令語(yǔ)法語(yǔ)言還可以v 命名一個(gè)文件，以從其讀取參數(shù)估計(jì)值的初始值v 指定多個(gè)模型語(yǔ)句和損失函數(shù)。這方便

36、了分段模型的指定v 提供自己的導(dǎo)數(shù)，而不是使用程序計(jì)算出的導(dǎo)數(shù)v 指定要生成的 bootstrap 樣本的數(shù)目v 指定其他迭代標(biāo)準(zhǔn)，包括設(shè)置導(dǎo)數(shù)檢查的臨界值，定義殘差和導(dǎo)數(shù)之間的相關(guān)性的收斂性準(zhǔn)則。通過(guò) CNLR（受約束的非線(xiàn)性回歸）命令的其他標(biāo)準(zhǔn)可以：v 指定每個(gè)主迭代中允許的最大輔迭代次數(shù)v 設(shè)置導(dǎo)數(shù)檢查的臨界值v 設(shè)置步長(zhǎng)限制v 指定一個(gè)崩潰容差，用于確定初始值是否位于指定邊界內(nèi)。線(xiàn)歸模型假設(shè)方差在待研究總體中是恒定的。當(dāng)方差不恒定時(shí)（例如某屬性具有高線(xiàn)歸模型假設(shè)方差在待研究總體中是恒定的。當(dāng)方差不恒定時(shí)（例如某屬性具有高屬性值的個(gè)案與型估計(jì)。如果可以從另一個(gè)變量預(yù)測(cè)可變性差異則，使用普

37、通最小平方法 (OLS) 的線(xiàn)性回歸不再提供最優(yōu)權(quán)重估計(jì)過(guò)程 以使用加權(quán)最小平方 (WLS) 計(jì)算線(xiàn)性歸模型的系數(shù)，這樣在確定回歸系數(shù)時(shí)，將對(duì)更精確的觀(guān)察值（即可變性小的觀(guān)察值）賦予更高的權(quán)重。重估計(jì)過(guò)程檢驗(yàn)一系列權(quán)重轉(zhuǎn)換，并指示給出最佳數(shù)據(jù)擬合的轉(zhuǎn)換此。通貨和失業(yè)對(duì)股票價(jià)格變化有何影響？由于高股值股票通常比低股值股票表現(xiàn)出更大的可變性，計(jì)。的對(duì)數(shù)似然估計(jì)值、復(fù) R、R 方、調(diào)整 R 方、WLS 模型的 WLS 模型的對(duì)數(shù)似然估計(jì)權(quán)重估計(jì)數(shù)據(jù)注意事 察。對(duì)于量的每個(gè)值，因變量必須呈正態(tài)分布。因變量和每個(gè)自變量之間的關(guān)系應(yīng)是線(xiàn)性的，有關(guān)過(guò)程。用量的不同級(jí)別，因變量都顯示出同質(zhì)性檢驗(yàn)，并提供了圖形

38、使用曲線(xiàn)估計(jì)過(guò)程中的備用模型。如果因變量是二分變量（例如指示特定銷(xiāo)售是否已完成，或者某商品是有缺陷），則請(qǐng)使用Logistic 回歸過(guò)程。如果因變量是已審查變量（例如外科手術(shù)之后的存活時(shí)間），則使定制表和高級(jí)統(tǒng)計(jì)中提供的壽命、或Cox 回歸。如果您的數(shù)據(jù)不獨(dú)立（例如，如果您Kaplan-多個(gè)條件下觀(guān)察同一個(gè)人），請(qǐng)使用定制表和高級(jí)統(tǒng)計(jì)中的重復(fù)測(cè)量過(guò)程獲取權(quán)重估計(jì)分1. 從菜單中選擇分析 回歸 權(quán)重估計(jì)2. 選擇一個(gè)因變量3. 選擇一個(gè)或多個(gè)自變量4. 選擇導(dǎo)致異方差性的變量作為權(quán)重變量權(quán)重變以(Weightariable)倒數(shù)對(duì)數(shù)據(jù)進(jìn)行加權(quán)。為指定范圍的每個(gè)冪值計(jì)算回歸方程，且回歸方程指冪范圍

39、 使對(duì)數(shù)似然函數(shù)最大的冪er 與權(quán)重變量結(jié)合使用以計(jì)算權(quán)重。將擬合多元回歸方程，分別對(duì)應(yīng)冪范圍中的每個(gè)值。在冪范文本框和到文本框中輸入的值必須在 -6.5 和 7.5 之間，含 -6.5 和 7.5。冪的值范圍為從低值高值，增量由指定的值確定。冪范圍中值的總數(shù)不能超過(guò) 150以估析指定選項(xiàng)IBM SPSS 將最佳到活動(dòng)文件。此變量稱(chēng)為 WGT_n，將最佳到活動(dòng)文件。此變量稱(chēng)為 WGT_n，其中 n 是為賦予變量唯一名稱(chēng)而選擇的數(shù)字顯A和估允許您控制如何在輸出中顯示統(tǒng)計(jì)。可用選項(xiàng)包括對(duì)于最佳冪和對(duì)于每個(gè)冪值WLS 命令的附加功使用命令語(yǔ)法語(yǔ)言還可以v 為冪提供單一值v 指定一個(gè)冪值列表，或混合值

40、范圍與冪值列表。因變量中的誤差與自變量不相關(guān)。如果不是這種情況（例如，變量間的關(guān)系是雙 （二階）。由于所計(jì)算的值基于與誤差不相關(guān)的變量，所以二階模型的結(jié)果是最優(yōu)的數(shù)。對(duì)某種商品的需求是否與其價(jià)格和消費(fèi)者的收入相關(guān)？此模型中的困難之處是，價(jià)格和需求互相具有對(duì)代理進(jìn)行估計(jì)。算與需求中的測(cè)量誤差無(wú)關(guān)的價(jià)格代理。此代理可替換原先指定的模型中的價(jià)格本身，然統(tǒng)計(jì)。系數(shù)、復(fù) R、R 2、調(diào)整 R 2、估計(jì)的標(biāo)準(zhǔn)誤差、方差分析表95% 的置信區(qū)間，以及參數(shù)估計(jì)的相關(guān)性和協(xié)方差矩陣二階最小平方回歸數(shù)據(jù)注意事變。因變量和自變量必須是定量的。分類(lèi)變量（例如宗教、專(zhuān)業(yè)或居住地）需要重新編碼為二分類(lèi)（啞元設(shè)。對(duì)于自變量

41、的每個(gè)值布。對(duì)于自變量的所有值，因變量分布的方差必須是恒關(guān)過(guò)程。如果確信沒(méi)有任何預(yù)測(cè)變量與因變量中的誤差相關(guān)，則可使用不線(xiàn)性相關(guān)，且轉(zhuǎn)換也有幫助，則使曲線(xiàn)估過(guò)程中的備用模型。如果因變量是二分變量，例如指示特定的銷(xiāo)售是否已完成，請(qǐng)使用Logistic 回歸過(guò)程。如果您的數(shù)據(jù)不獨(dú)立（例如，如果您在多個(gè)條件下觀(guān)察同一個(gè)人），請(qǐng)使重復(fù)量過(guò)程獲取二階最小平方回歸分1. 從菜單中選擇分析 回歸 二階最小二乘2. 選擇一個(gè)因變量3. 選擇一個(gè)或多個(gè)解釋?zhuān)A(yù)測(cè)）變量4. 選擇一個(gè)或多個(gè)工具變量v 量。相(Instrumev 量。相(Instrumental). 出現(xiàn)在在二階最小二乘分析中的第一階段中，用于為內(nèi)

42、生變量計(jì)算預(yù)測(cè)值的解釋變量和工具變量列表框中。工具變量的個(gè)數(shù)至少不能少于解變量的個(gè)數(shù)。如果所有列出的解釋變量和工具變量均相同，那么結(jié)果與線(xiàn)性回歸過(guò)程的結(jié)果相同指定為工具變量的解釋變量被視為內(nèi)生變量。通常情況下，解釋變量列表中的所有外生變量同時(shí)也被指以選下選命令語(yǔ)法語(yǔ)言還允許同時(shí)估計(jì)多個(gè)方程式。請(qǐng)參見(jiàn)命令語(yǔ)法參考以獲取完整的語(yǔ)法信息2SLS 命令的附加功多，請(qǐng)求用一組對(duì)比變量自動(dòng)替換分類(lèi)自變量，該自變量隨后將作為一個(gè)塊輸入方程式或從需要的不同對(duì)比類(lèi)型的CONTRAST命令中指定這組對(duì)比變量的編碼方式。本附錄解釋并說(shuō)明 CONTRAST 平均值的偏差。 在矩陣項(xiàng)中，對(duì)比具有以下形式mean ( d

43、f(1) (1-df(2) ( -.df(k-1) ( -. -1/k -1-. -1/k -.-. 1-1/k -： k 是自變量的類(lèi)別數(shù)量。缺省情況下，省略最后一個(gè)類(lèi)別。例如，一個(gè)具有三個(gè)類(lèi)別的自變量的偏移對(duì)( 1/3( 2/3 -1/3 -(-2/3 - 假設(shè)因子有三個(gè)類(lèi)別。生成的對(duì)比矩陣將( 1/3( 2/3 -1/3 -(-1/3 -簡(jiǎn)單簡(jiǎn)單對(duì)比。 將因子的每一級(jí)別與上一級(jí)別進(jìn)行比較。一般矩陣格式IBM SPSS mean(1/k df(1) ( df(2) ( .df(k-1) ( 1/k -.-mean(1/k df(1) ( df(2) ( .df(k-1) ( 1/k -.-

44、其中 k 是自變量類(lèi)別的數(shù)量。例如，具有四個(gè)類(lèi)別的自變量的簡(jiǎn)單對(duì)比如下所示( 1( -( -序號(hào)不必是與該類(lèi)別相關(guān)的值考類(lèi)別，請(qǐng)?jiān)?SIMPLE 關(guān)鍵字之后的括號(hào)中指定參考類(lèi)別的序號(hào)CONTRAST 子命令獲得一個(gè)省略了第二個(gè)類(lèi)別的對(duì)比矩陣/CONTRAST(FACTOR) = 假設(shè)因子有四個(gè)類(lèi)別。生成的對(duì)比矩陣將( 1( -( -Helmert 對(duì)比。 比較自變量的類(lèi)別與后續(xù)類(lèi)別的平均值。一般矩陣格式mean(1/k df(1) ( df(2) ( .df(k-2) ( df(k-1) ( -1/(k-. -1/(k-1) -1/(k-1) -1/(k-. -1/(k-2) -1/(k-2)

45、 -1/(k-.10-1-其中 k 是自變量類(lèi)別的數(shù)量。例如，一個(gè)有四個(gè)類(lèi)別的自變量具有以下形式的 Helmert 對(duì)比矩陣( 1 -1/3 -1/3 ( 1 -( -或逆 Helmert 對(duì)比。 比較自變量的類(lèi)別和該變量的先前類(lèi)別的平均值。一般矩陣格式mean df(1) -.df(k-1) (-1/(k-.1/k . 0 0) df(2) -1 .-1/(k-1) -1/(k-1) 其中 k 是自變量類(lèi)別的數(shù)量。例如，具有四個(gè)類(lèi)別的自變量的差分對(duì)比如下所示( 1/4( -(-1/2 -(-1/3 -1/3 -多項(xiàng)式對(duì)比。 第一自由度包含跨所有類(lèi)別的線(xiàn)性效應(yīng)；第二自由度包含二次效應(yīng)；第三自由

46、度包含三次應(yīng)；對(duì)于更高階的效應(yīng)，依此類(lèi)推距指定為從的分類(lèi)變量度量的處理級(jí)可以將相等的k等同量是給第一組的劑量的兩倍等同量是給第一組的劑量的兩倍同劑量。如果第二組的控制的，這種情況下，由連續(xù)整數(shù)組成的度規(guī)比較適用適用的度規(guī)為二組的控制劑量是給第一組的劑量的四倍，并且第三組的控制劑量是給第一組的劑量的七倍， 如曲線(xiàn)回歸。測(cè)試趨勢(shì)以及調(diào)查響應(yīng)曲面的性質(zhì)時(shí)特別有用。還可以使用多項(xiàng)式對(duì)比進(jìn)行非線(xiàn)性曲線(xiàn)擬合自變量的相鄰級(jí)別。 一般矩陣格式mean(1/k df(1) ( df(2) ( .df(k-1) ( -1.1/k . 1/k 0 -1 0 -其中 k 是自變量類(lèi)別的數(shù)量。例如，具有四個(gè)類(lèi)別的自變量

47、的重復(fù)對(duì)比如下所示( 1( ( -這些對(duì)比在概要分析以及任何需要不同得分的情況下都很有用用戶(hù)定義的對(duì)比。 允許以方陣的形式輸入特殊對(duì)比，該方陣的行和列的數(shù)量與給定的自變量的類(lèi)別數(shù)量等。對(duì)于 MANOVA和 ，輸入的第一行總值（）效應(yīng)，并且代表一組權(quán)重，這組權(quán)重示如何根據(jù)給定的變量計(jì)算其他自變量（如果有）的平均數(shù)。通常情況下，該對(duì)比為 1 的向量在統(tǒng)計(jì)上相互獨(dú)立并且無(wú)冗余。在下列情況下，對(duì)比是正交對(duì)比：一般來(lái)說(shuō)，正交對(duì)比是最有用的。正交對(duì)v 每行的對(duì)比系數(shù)和都為 0v 每對(duì)非聯(lián)合行所對(duì)應(yīng)的系數(shù)的積的和也為 0例如，假設(shè)處理有四個(gè)級(jí)別并且要在各個(gè)處理級(jí)別之間進(jìn)行比較。以下是一個(gè)對(duì)應(yīng)的特殊對(duì)平均值計(jì)

48、算的權(quán)-將第一項(xiàng)與第二到第四項(xiàng)進(jìn)行對(duì)(3 -1 -2 -將第二項(xiàng)與第三和第四項(xiàng)進(jìn)行對(duì)-將第三項(xiàng)與第四項(xiàng)進(jìn)行對(duì) 和 IBM SPSS L( 1 1 1 3 L( 1 1 1 3 -1 -1 -0 2 -1 -0 0 1 -1 對(duì)于 LOGLINEAR，需要指定/CONTRAST(TREATMNT)=BASIS L( 1 1 1 3 -1 -1 -0 2 -1 -0 0 1 -1 除平均值行之外的每行的和都為 0。每對(duì)非聯(lián)合行的積的和也為 (3)(0)+(1)(2)+(1)(1)+(1)(1)=第二行和第四行： (3)(0)+(1)(0)+(1)(1)+(1)(1)=第三行和第四行： (0)(0)

49、(2)(0)1)(1)1)(1)終止處理。需要是對(duì)比的線(xiàn)性組合。如果是，則過(guò)程會(huì)報(bào)告線(xiàn)性相關(guān)性符變量編碼。 也稱(chēng)為啞元編碼，在 LOGLINEAR或 MANOVA中不可用。新變量個(gè)數(shù)的代碼為 k1。對(duì)于k1 個(gè)變量，參考類(lèi)別中的個(gè)案數(shù)的代碼為 0。第 i 類(lèi)中第 i 個(gè)指示符變量中的個(gè)案代碼為 1，其余有指示符變量中的個(gè)案代碼均為 0IBMIBM SPSS 通語(yǔ)言的產(chǎn)品副本或產(chǎn)品通語(yǔ)言的產(chǎn)品副本或產(chǎn)品版本才能訪(fǎng)料的其他語(yǔ)言版本可以從 IBM 獲取。但是，您可能需要擁IBM 可能在其他國(guó)家或地區(qū)不提供本文檔中討論的產(chǎn)品、服務(wù)或功能特性。有關(guān)您當(dāng)前所在區(qū)域的產(chǎn)品和服的信息，請(qǐng)向您當(dāng)?shù)氐?IBM 代

50、表咨詢(xún)。任何對(duì) IBM 產(chǎn)品、程序或服務(wù)的引用并非意在明示或暗示只能使 犯 替 產(chǎn)品、程序或服務(wù)。不過(guò)，用戶(hù)應(yīng)自行負(fù)責(zé)評(píng)估和驗(yàn)證任何非 IBM 產(chǎn)品、程序或服務(wù)的工作情況 IBM Director of Licensing IBM CorporationNorth Castle Drive, MD-NC119 Armonk, NY 10504-1785有關(guān)雙字節(jié) (DBCS) 信息的許可查詢(xún)，請(qǐng)與您所在國(guó)家或地區(qū)的 IBM 知識(shí)產(chǎn)權(quán)部門(mén)聯(lián)系，或用書(shū)面方式將ellectual Property Legal ellectual Property IBM .19-21, Nihonbashi-Hak

51、ozakicho, Chuo-Tokyo 103-8510, ernational Business Machines Corporation按現(xiàn)狀提供本出版物，不附有任何種類(lèi)的（無(wú)論是明示的還是易中不允許免除明示或暗含的保證。 因此本條款可能不適用于您本信息可能含有技術(shù)誤差或排版錯(cuò)誤。此處的信息會(huì)定期進(jìn)行更改；這些更改會(huì)體現(xiàn)在本出版物的新版本中IBM 可以隨時(shí)對(duì)本資料中描述的產(chǎn)品和/或程序進(jìn)行改進(jìn)和/或更改，而不另行通知點(diǎn)的保證。那些非 IBM Web 站點(diǎn)的引用都只是為了方便起見(jiàn)才提供的， 不以任何方式充當(dāng)對(duì)那些 Web Web 站點(diǎn)中的資料不是 IBM 產(chǎn)品資料的一部分，使用那些 Web

52、 站點(diǎn)帶來(lái)的風(fēng)險(xiǎn)將由您行承擔(dān)IBM 可以按它認(rèn)為適當(dāng)?shù)娜魏畏绞绞褂没蚍职l(fā)您所提供的任何信息而無(wú)須對(duì)您承擔(dān)任何責(zé)任本程序的被許可方如果要了解有關(guān)程序的信息以達(dá)到如下目的(i) 允許在獨(dú)立創(chuàng)建的程序和其他程序（包括程序）之間進(jìn)行信息交換，以及 (ii) 允許對(duì)已經(jīng)交換的信息進(jìn)行相互使用，請(qǐng)與下列地址聯(lián)系IBM Director of Licensing IBM CorporationNorth Castle Drive, MD-NC119 Armonk, NY 10504-1785此類(lèi)信息的提供應(yīng)遵照相關(guān)條款和條件，其中包括在某些情況下支付適當(dāng)費(fèi)用本資料中描North Castle Drive,

53、MD-NC119 Armonk, NY 10504-1785此類(lèi)信息的提供應(yīng)遵照相關(guān)條款和條件，其中包括在某些情況下支付適當(dāng)費(fèi)用本資料中描述的許可程序及其所有可用的許可資料均由 IBM 依據(jù) IBM 客戶(hù)協(xié)議、IBM 國(guó)際軟件許可協(xié)議或涉及非 IBM 產(chǎn)品的信息可從這些產(chǎn)品的供應(yīng)商、其出版說(shuō)明或其他可公開(kāi)獲得的資料中獲取IBM 沒(méi)有對(duì)非 非 性能的問(wèn)題應(yīng)當(dāng)向這些產(chǎn)品的供應(yīng)商提出有關(guān) IBM 未來(lái)方向或意向的聲明均可能未經(jīng)通知即變更或撤銷(xiāo)，并且僅代表目標(biāo)和目的姓名、公司、品牌和產(chǎn)品的名稱(chēng)。所有這些名稱(chēng)都是虛構(gòu)的，如果與實(shí)際人員或公司企業(yè)有任何類(lèi)似則純屬合版權(quán)許可信息包括源語(yǔ)言形式的樣本應(yīng)用程序，

54、這些進(jìn)行應(yīng)用程序的開(kāi)發(fā)、使用、經(jīng)銷(xiāo)或分發(fā)為目的，您可以任何對(duì)這些樣本程序進(jìn)行復(fù)制、修改、分發(fā)，而無(wú)須向 IBM 付費(fèi)。這些示例并未在所有條件下作全面測(cè)試。IBM 不能擔(dān)?；虬凳具@些程序的可靠性、可維護(hù)性或功能。本樣本程序仍然按現(xiàn)提供的，不附有何種類(lèi)的保證。對(duì)于因使用樣本程序所引起的任何損害，IBM 概不負(fù)責(zé)凡這些實(shí)例程序的每份拷貝或其任何部分或任何衍生產(chǎn)品，都必須包括如下版權(quán)聲明 IBM 2019. 此部分代碼是根據(jù) IBM Corp. 公司的樣本程序衍生出來(lái)的 Copyright IBM Corp. 1989 - s.商IBM、IBM 徽標(biāo)ernational Business Machin

55、es Corp., 在全球許多管轄區(qū)域注冊(cè)的商標(biāo)注冊(cè)商標(biāo)。其他產(chǎn)品和服務(wù)名稱(chēng)可能是 IBM 或其他公司的商標(biāo)。Web 站點(diǎn)copytrade.shtml 上的Copyright and trademark information部分中提供了 IBM 商標(biāo)的最新列表Adobe、Adobe 徽標(biāo)、tScript 和tScript 徽標(biāo)是 Adobe Systems Incorporated 在美國(guó)和/或其他國(guó)elel 徽標(biāo)el InsideInside 徽標(biāo)el Centrinoel Centrino 徽標(biāo)、Celeronel SpeedSttanium 和 Pentium 是el Corpora

56、tion 或其子公司在美國(guó)和其他國(guó)家或地區(qū)的Linux 是 Linus Torvalds 在美國(guó)、其他國(guó)家或地區(qū)或兩者的注冊(cè)商標(biāo) 和 Corporation 在美國(guó)、其他國(guó)家或IBM SPSS UNIX UNIX 是 The Open Group 在美國(guó)和其他國(guó)家或地區(qū)的注冊(cè)商標(biāo)Java 和所有基于 Java 的商標(biāo)和徽標(biāo)是 Oracle 及/或其分支機(jī)構(gòu)的商標(biāo)和注冊(cè)商標(biāo)通IBMIBM SPSS 索二元 Logistic 回1, 步驟對(duì)回歸分析 在多項(xiàng) Logistic 回歸回歸分析軟件 8非線(xiàn)性回歸 11, 保存新變量 參數(shù) 參考類(lèi)奇異參數(shù)約束 在多項(xiàng) Logistic 回歸在多項(xiàng) Logistic 回歸殘差 78參數(shù)估計(jì)漸近回常用非線(xiàn)性模在多項(xiàng) Logistic 回歸在非線(xiàn)性回歸中 導(dǎo)數(shù) 7參索二元 Logistic 回1, 步驟對(duì)回歸分析 在多項(xiàng) Logistic 回歸回歸分析軟件