我們經常會遇到因變量有多個取值而且有大小順序的情況，如幸福感，開心程度等，這時，一般的線性回歸分析無法準确地刻畫變量之間的因果關系，需要用其他的回歸分析方法來進行拟合模型，SPSSAU的有序logit回歸分析便是一種簡便的處理該類因變臉問題的分析方法。

此案例使用有序logit回歸研究視力低下學生視力監測結果的情況。

一、案例背景

案例研究某省中學50名視力低下學生視力監測的結果數據。利用有序logit回歸分析方法分析視力低下程度與年齡、性别之間的關系。部分數據如下：

自變量“性别”為定類變量所以需要進行啞變量處理。啞變量進行分析時需要少放入一項，作為參考項。

所以本次分析的操作截圖如下：

二、檢驗說明

關于有序logit回歸分為以下五個方面進行說明，其中包括接連函數的選擇、平行性檢驗、模型似然比檢驗、參數估計分析以及模型預測效果分析。

1.接連函數的選擇

SPSSAU提供5個接連函數，具體該如何選擇請參考如上。

上表所示參與調查者中“輕度近視”占比為30％，“中度近視”占比為48％，“高度近視”占比為22％，所以分布較為均勻并且選項個數隻有3個較少，接連函數選擇“logit”比較合适。接下來看一下平行性檢驗。

2.平行性檢驗

該結果對p值進行分析，如果該值大于0.05，則說明通過平行性檢驗，反之說明沒有通過平行性檢驗，上表可知p值大于0.05，說明通過平行性檢驗，所以可以繼續進行分析。進一步查看似然比檢驗。

3. 似然比檢驗

首先對p值進行分析，如果該值小于0.05，則說明模型有效；反之則說明模型無效；上表可以看出p值小于0.05所以說明模型有效，本次模型構建有意義。

4.結果分析

自變量“性别”為定類變量所以需要進行啞變量處理。啞變量進行分析時需要少放入一項，作為參考項。所以放入性别_男，首先查看p值，自變量性别_男p值<0.05并且回歸系數為-2.343,其餘分析項p值大于0.05，所以男性共1項會對視力低下程度産生顯著的負向影響關系。但是年齡并不會對視力低下程度産生影響關系。

模型公式如下：

logit[P(視力低下程度<=中度近視)/(1-P(視力低下程度<=中度近視))]=4.917-2.343*性别_男 0.385*年齡

logit[P(視力低下程度<=輕度近視)/(1-P(視力低下程度<=輕度近視))]=6.718-2.343*性别_男 0.385*年齡

5.預測準确率

模型預測準确率表格，用于展現預測準确率情況，包括各個類别和整體的預測準确率。如果模型用于預測分析，則預測準确率非常重要，如果模型用于研究影響關系，則不太關注預測準确率值。

三、總結

本案例利用有序logit回歸分析研究50名視力低下學生視力監測的結果數據。由于自變量中有定類變量，需要分析前需要進行啞變量處理，對于分析結果從5個方面進行說明，首先是接連函數的選擇，其次是平行性檢驗，如果沒有通過平行性檢驗可以改用多分類logit回歸分析等。接着進行分析似然比檢驗，觀察模型構建是否有效，然後對結果進行分析說明，最後對模型進行預測率進行評價，若主要目的是研究影響關系，該項不用過度關注。

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!