如何在spss进行logistic单因素回归分析

1、打开spss统计软件，然后单击“Analyze  -  Regression  -  Binary Logistic”。

2、出现“逻辑回归”窗口。将“高血压”放入“依赖变量”框，并将其他变量（如“性别”和“体重指数”）放入“分隔符”框中。

3、单击“分类”将分类变量的自变量放入右侧的“分类协变量”框中。在这种情况下，自变量“性别”，“饮食习惯，体育锻炼”是分类变量。在右侧的框中选择变量。 “参考类别”选择“最后”或“第一”，此处选择默认的“最后”。点击“继续”。

4、单击“保存”，选中“概率”，“组成员”，然后“继续”。

5、点击“选项”，勾选“Hosmer-Lymeshaw Fitting Goodness”和“95％Confidence Interval”，然后点击“Continue”。

6、方法“选择”输入“最后”确定“。

spss相关分析结果星号什么意思

只有相关分析中spss才会在结果矩阵中显著出一个*号和两个*号以区别0.01和0.05水平的显著性其他的分析都是默认在0.05水平下的显著性所以不会有*号，至于你看到的论文中加的*号都是后来自己编辑添加的
Pearson线性相关性分析常用来定量描述两个定量变量间直线相关的方向和密切程度。Pearson线性相关性分析只能用于两个定量变量之间的分析，而且要求两个变量都呈正太分布，而且是随机变量，并不是人为控制的变量（例如给不同的小鼠不同的给药剂量，其中的的不同剂量就是人为非随机变量），其他注意事项请看本条末尾。我们以一组学生考试成绩为例，分析学生的历史成绩和综合成绩之间是否有线关系以及密切程度。
工具材料：
SPSS
操作方法
01
在进行Pearson直线相关分析前我们需要先将历史成绩和综合成绩绘制在一个散点图内，观察我们的数据是否可以进行Pearson线性相关性分析。点击“图形”-“图表构建器”，在弹出的对话框中点击“确定”。（如果没有弹出图中对话框则忽略，直接下一步）
02
在“图标构建器”中选择“散点图”，然后选择“简单散点图”；然后将左边的“历史”和“地理”拖到X和Y轴上（顺序可调换），然后点击确定。
03
可以得到如下图的结果，我们可以看到，图中的散点分布呈一个椭圆型，散点有线性趋势，说明我们是可以进行线相关性分析。（这只是一个简单的初步判断）。
04
回到数据视图，点击“分析”-“相关”-“双变量”；
05
在弹出的对话框中将“历史”和“综合”选入到右边的变量框中，下方是相关系数选择“Pearson”，点击“确定”，输出结果。
06
在结果中我们可以看到，“历史”和“综合”的相关系数是0.841，即|r|=0.841；右上角有两个星号，左下角有注明“**"表示相关性在0.01上是显著的，说明"历史"和“综合”的相关性是显著的；我们一般认为相关系数|r|在0.8-1.0之间是极强相关；0.6-0.8之间是强相关；0.4-0.6 之间是中等程度相关；0.2-0.4之间是弱相关；0.0-0.2则是极弱相关或无相关。结果论文中的表达方式如图。
07
注意1：绘制散点图只是一个简单的判断，如果你的散点图不是呈椭圆型，那么你最后的结果可能是相关程度不高或者P＞0.05,都说明他们之间相关太弱或不存在线相关关系。
08
意2：分层资料不能随便合并，例如下图（A）中，将原本具有相关的资料合并后造成无相关性的假象；图（B）将两个无相关性的样本合并后造成正相关的假象。
09
注意3：出现离群点的时候要谨慎使用相关性分析，如图（C）中的这个明显离群的点，计算的时候包含和不包含对结论会产生很大的影响，甚至得出相反的结论，对于这种明显离群的点我们要认真核对数据的收集和录入过程，或者重复实验。
特别提示
相关关系不一定是因果关系，也可以能是伴随关系

用SPSS做多元回归分析，请问表中的B值，OR值、Wald值 各自代表什么含义，三者都有正负吗？三者大小有联系

B值是指回归系数和截距（常数项），可以是负数（负相关时回归系数出现负值）；OR是指定义比数比（odds ratio），其取值范围是0至正无穷，不可能是负数；Wald是一个卡方值，等于B除以它的标准误（S.E.）的平方值，因此也不可能是负数。Wald用于对B值进行检验，考察B值是否等于0。若B值等于0，其对应的OR【Exp(B)】为1，表明两组没有显著差异。OR等于B值的反自然对数。Wald值越大，B值越不可能等于0。