SPSS Logistic回归拟合优度：Hosmer-Lemeshow 检验

Logistic回归拟合优度无法只看整体模型是否显著：Hosmer-Lemeshow检验关注预测概率与实际发生情况的校准，ROC关注区分能力。不显著表示本次未检出校准偏差，无法据此确认模型正确，更无法直接宣称具有临床应用价值。

模型拟合的数据要怎么排

本篇使用逻辑回归演示数据（模拟生成），随机抽取255行。是否复发是二分类因变量，年龄、肿瘤直径与术前CEA为自变量；本次默认编码把“未复发”定义为事件，“复发”为参照。列名虽然写着是否复发，预测概率却是当前事件类别的概率，无法凭列名擅自称作复发风险。

本篇子样本在上传前按原表行序准备：用 Python 的 random.Random(13).sample 无放回抽取原记录的 85%，再按原行序保存。工作台分析的是这份固定子表，直接载入完整演示表会得到另一组结果。

数据项目	本篇角色	核对重点
是否复发	二分类结局	先核对报告事件映射
年龄、肿瘤直径、术前CEA	定量自变量	保留记录单位
每行记录	独立对象	重复记录无法当作新增对象

校准检验将样本按预测概率排列并分组，比较各组实际事件数与期望事件数。因此事件定义、样本构成和分组方式都是解释所需条件，无法从另一次模型复制一个p值。检验也无法查明抽样独立性，病例是否重复、是否来自聚集资料，需要回到资料设计确认。

Logistic回归拟合优度怎么查看

1. 选择「逻辑回归」，按角色放入结局与所列自变量；本篇保持默认事件设置，不另行改变预测方向。
2. 开始分析后先查看事件编码说明与有效记录，再查看模型诊断，确认没有把收敛或可估计性问题误当成拟合结果。
3. 在拟合优度表读取Hosmer-Lemeshow的实际分组数、统计量和概率，再结合区分与分类指标报告模型表现。

似然比检验比较当前模型与仅含截距模型，回答所纳入变量是否整体改善拟合；Hosmer-Lemeshow则检验分组后的预测与观察有无偏离。两者并不矛盾，也没有要求同时显著或同时不显著。伪决定系数又是另一类标定，无法按线性回归的解释方差比例来理解。

Hosmer-Lemeshow结果怎么看

本次Hosmer-Lemeshow采用10组，χ²(8)=8.9392，p=0.347，未检出该分组方式下的校准偏差。这里没有“模型已被证明正确”的结论：分组会遮盖组内差异，统计能力也受数据规模影响。若检验无法执行，应明确说明原因，不将未做视为拟合良好。

界面首先列出伪决定系数，完整报告中的校准表与分类性能则描述其他侧面；阅读时应回到对应表格逐项核对。报告并没有提供一个可脱离研究目标的合格证书；对新对象的预测，需要额外验证和专业评价。特别是本篇所有性能均基于建模资料回代，不属于独立验证资料的结果。

优势比图展示的是条件关联，不是校准图。它的方向跟随“未复发”为事件的编码，因此无法把正系数或较高OR直接写成复发危险因素；OR也不是风险比。读图时应查看无关联参考线与区间，避免将柱形高低当成各变量因果重要性的排名。

本篇AUC为0.7801，区间[0.7220, 0.8382]，用于描述事件与非事件的排序区分。模型可以有一定区分能力而概率预测仍存在偏差，所以ROC曲线无法用来验证前面的校准结论；同样，校准检验不显著也不保证分类阈值适合实际决策。

论文里怎么写

可写：“以未复发为事件拟合二元Logistic模型，Hosmer-Lemeshow检验未检出校准偏差；同时报告ROC区分表现。所有性能来自训练集回代，样本外表现尚需验证。”真实研究应补全事件数、变量单位、模型诊断与估计区间，并明确验证来源；无法把示例中的事件方向默默换成复发后沿用同一系数解释。

拟合优度常见错误

• 把不显著写成模型正确 → 改为未检出校准偏差，并保留检验条件。
• 用整体似然比检验代称校准 → 分别标明模型比较与校准问题。
• 把ROC当成校准曲线 → 分开描述排序与概率准确程度。
• 看列名猜测事件方向 → 先核对实际编码，再解释概率和OR。

评估结束后，应能从每句结论回到对应表格及同一次分析记录。若缺少外部验证，就把推广限制写清楚；如果研究目标是实际决策，还需结合错误代价与使用场景，而不是仅用默认阈值决定模型用途。开通会员后可导出 Word / PDF 报告、使用 AI 解读。

延伸阅读

• 逻辑回归