SPSS 逻辑回归和线性回归的区别：因变量类型决定用哪个

逻辑回归和线性回归的区别，首先取决于因变量的类型：因变量是数值，用线性回归；因变量只有两类结局，比如复发与未复发，用逻辑回归。两者的模型形式、结果解读与拟合指标都不相同。先说明本页的演示：只运行了「逻辑回归」，没有线性回归的运行结果，下面用 255 例的数据展示逻辑回归怎么读，线性回归一侧只对照读法。

数据要怎么排

自变量两者要求相同，可以是连续变量，也可以是分类变量；区别在因变量。方法说明见逻辑回归。

列名	类型	放进哪个区
是否复发	二分类因变量	放入因变量Y
年龄(岁)、肿瘤直径(cm)、术前CEA(ng/mL)	连续自变量	放入或自变量X

本例事件 122 例、非事件 133 例，事件率 47.84%。报告把「复发」自动编码为 0（参照），「未复发」编码为 1（事件）；要改变方向，在「事件类别」里填要作为事件的那一类。

逻辑回归怎么做：四步

1. 在方法列表里选「逻辑回归」，把「是否复发」拖入因变量区，三个自变量拖入自变量区。
2. 在「事件类别」里确认哪一类作为事件，本例用报告的默认编码，事件是「未复发」。
3. 点开始分析。
4. 先读事件数与前提，再读 OR 与区间，最后读拟合与区分能力。

选定模型并出结果后：分析和查看结果不用登录；开通会员后可导出 Word / PDF 报告、使用 AI 解读。保存历史、我的数据与 LaTeX 源码导出需要登录。

逻辑回归和线性回归的区别：怎么选

因变量	用哪个
数值型（金额、评分）	线性回归 (最小二乘法)
恰好两类（是否发生）	逻辑回归
有序等级（轻、中、重）	有序逻辑回归
计数（每天的投诉件数）	计数数据回归

两种模型的差别可以概括成下面几行：

项目	线性回归	逻辑回归
因变量	数值	二分类
模型估计什么	均值的变化	事件的对数几率
系数怎么读	每增加一个单位，均值变化多少	换算成优势比 OR
预测值范围	不受限，可能超出 0 到 1	限制在 0 到 1 之间
拟合指标	R²、调整 R²	伪 R²、似然比检验、Hosmer-Lemeshow、AUC

无序的多类结局，可以用「多分类Logistic回归」，也可以按研究问题合并成两类再用「逻辑回归」，或改用「CHAID决策树」「随机森林分类」。判断依据是因变量的类型，不是数据看起来像不像。

逻辑回归的结果怎么读

以下结果来自本站演示数据（模拟生成，不代表真实研究结论）。本例的 255 行是从 300 行演示表里随机抽出的，整表的数字稍有出入，读法不变。

系数是对数几率，报告换算成优势比 OR。因为事件是「未复发」，OR 描述的是未复发的优势：年龄每增加 1 岁，未复发的优势比低约 9%，肿瘤直径的 OR 也小于 1，术前 CEA 的 OR 大于 1，CEA 越高，未复发的优势越高。三个变量的 OR 与 95% 区间见下面的读数表。

OR 是优势比不是风险比，事件率高时会夸大相对风险。整体的似然比检验 χ²(3)=63.488，模型优于只含截距的零模型。

上表给出各自变量的 OR 与区间，下图把它们画成柱，柱端落在虚线 1 的两侧：

术前 CEA 的 OR 大于 1，肿瘤直径与年龄的 OR 小于 1，三条区间都不碰到虚线 1，方向与上表一致。读 OR 时先确认事件是哪一类。

拟合与区分能力：不能套用线性回归的 R²

逻辑回归的 McFadden R² 为 0.1798，Cox & Snell R² 为 0.2204，Nagelkerke R² 为 0.2940；报告写明 McFadden 在 0.2 到 0.4 已属很好，本例低于这个范围，但伪 R² 不能按线性 R² 的直觉判断。Hosmer-Lemeshow 检验 p=0.370，未见校准有系统偏差。

区分能力看 ROC 曲线：AUC 为 0.769，95% 置信区间 [0.710, 0.827]，区间下限高于 0.5，区分能力一般（0.7 到 0.8）。意思是随机取一个事件样本与一个非事件样本，模型给事件样本更高预测概率的概率为 76.9%。这是训练集上回代的 ROC，必然偏乐观，样本外的表现本模块没有验证。

二分类结局为什么不宜用线性回归

线性回归估计均值，预测值可能超出 0 到 1，无法解释为概率；残差也不满足同方差与正态的假设，标准误与 p 值会失真。逻辑回归通过 logit 把预测限制在 0 到 1 之间，估计对数几率。样本量方面，经验准则是每个自变量至少 10 个少数类事件，本例 EPV 为 40.67，满足。

论文里怎么写

以复发与否为因变量，因其为二分类，采用二元 Logistic 回归（N=255，事件为未复发，122 例）。模型优于零模型，χ²(3)=63.488，p<0.001，Nagelkerke R²=0.2940，Hosmer-Lemeshow 检验 p=0.370，AUC=0.769（95%CI [0.710, 0.827]，训练集回代）。年龄（OR=0.910，95%CI [0.882, 0.939]）、肿瘤直径（OR=0.643）与术前 CEA（OR=1.234）与未复发均显著相关。

表注要写明因变量编码与参照组，例如 0 为复发、1 为未复发。这样 OR 的方向才有意义。

选错模型的常见错误

• 二分类结局用线性回归：预测值可能超出范围，标准误失真。
• 用线性回归的 R² 评价逻辑回归：指标含义不同。
• 把 OR 当风险比解释：事件率高时会夸大。
• 不写编码方向：OR 大于 1 或小于 1 取决于哪一类是事件。
• 只报 p：区间反映估计精度，要与 OR 一起写。

延伸阅读