- 基本介绍
在统计学与数据分析的领域中，Logistic回归是一种用于预测结果变量为二分类的场景的广泛使用的方法。与传统的多重线性回归模型不同，Logistic回归不是预测数值型的响应变量，而是预测一个二分类（0或1，是或否）的概率。在本文中，我们将首先讨论Logistic回归的应用场景及其与多重线性回归的主要区别。接着，我们将探讨单因素Logistic回归和多因素Logistic回归之间的关系，以及它们各自的特点和应用。
1. Logistic回归的应用场景
Logistic回归在医学、社会科学、营销分析等多个领域都有广泛应用。在医学研究中，它常用于预测某种疾病的发病概率，如基于病人的生活方式、基因等因素预测心脏病的危险性。在社会科学中，Logistic回归可以用于预测选举结果或社会行为，如分析个人的社会经济地位对其政治倾向的影响。在营销分析中，则可以用来预测客户的购买行为或产品的成功概率。
2. 单因素Logistic回归与多因素Logistic回归的关系
单因素Logistic回归
单因素Logistic回归，也称为简单Logistic回归，是指在模型中只包含一个自变量（解释变量）的情况。这种类型的模型用来评估单一因子对结果概率的影响大小和方向。例如，在医学研究中，研究者可能只关注吸烟如何影响患肺癌的概率。
多因素Logistic回归
多因素Logistic回归则包含两个或两个以上的自变量。这种模型允许研究者同时考察多个因素对结果变量的影响。这在现实世界的数据分析中尤为重要，因为现实世界的场景常常是多变量共同作用的结果。在上述吸烟与肺癌的例子中，多因素Logistic回归可以同时考虑吸烟、饮酒、工作环境、基因等多个因素对患病概率的影响。
单因素与多因素Logistic回归的关系
单因素和多因素Logistic回归之间的关系是包含与被包含的关系。单因素Logistic回归是多因素Logistic回归的一个特例，后者是更为一般的形式。在实际应用中，研究者通常首先进行单因素Logistic回归分析，以识别可能的重要预测因素。然后，在多因素Logistic回归中包含这些因素，以控制混杂变量，准确估计每个因素的效应。
- GraphPad分析步骤
1. 导入数据
2. 单因素logistic分析
Analyze 🡪 Multiple variable analyses 🡪 Multiple logistic regression 🡪 选中结局变量和单个自变量 🡪 OK
3. 参数设置
根据默认参数即可，当然取决于你自己的数据和策略。Option窗口中勾选CI和P value：
4. 结果解读
5. 多因素logistic分析
Analyze 🡪 Multiple variable analyses 🡪 Multiple logistic regression 🡪 选中结局变量和经过单因素logistic分析结果显著的变量 🡪 OK
6. 结果解读
经过多因素logistic回归后显著的变量被认为是独立影响因素。
- SPSS分析步骤
1. 导入数据
2. 单因素logistic分析
分析🡪 回归 🡪 二元logistic
3. 参数设置
结局变量选入因变量，单个自变量选入协变量🡪选项中勾选exp🡪 确定🡪结果输出。
4. 结果
5. 多因素分析与单因素类似，区别就是在协变量输入框汇总选入多个变量。结果如图：
当然，对于SPSS的操作，可以使用代码快速实现多个单变量logistic分析，相比较点击操作无疑快很多。B站视频中有操作演示。
下次会分享R语言进行logistic回归分析的方法，会方便快捷很多，由于前期分享的代码还是有一些同学由于不熟悉R语言操作遇到各种问题，所以以后尽量都以APP形式分享。当然要查看具体代码还是可以查看的，毕竟APP上面可设置的参数有限，基于代码更加灵活。
祝大家科研顺利！