1 功能描述
在方差分析和多元线性回归模型中，因变量是数值型变量。在某些情况下，因变量是二分类型变量，如贷款的客服是否违约，是否能考上大学等，这时多元线性模型将不再适用，需要采用logistic模型来进行研究。
2 初步回归
我们以bankloan.sav的数据为例进行演示，根据信用卡用户的行为来判断其是否会违约。
双击打开bankloan.sav数据文件，其中违约变量是二分类因变量，1表示违约，0表示没有违约。
在数据窗口中，依次点击“分析/回归/二元Logistic”。
在弹出的“Logistic回归”窗口中，将违约变量移到右侧的“因变量”框；
将年龄、教育、工龄、地址、收入、负债率、信用卡负债、其他负债等变量移到右侧的“协变量”框。注意协变量框中默认将变量设定为数值型变量，而教育是分类型变量，所以需要对其进行调整！点击窗口中“分类”按钮。
在弹出的“Logistic回归：定义分类变量”窗口中，将教育从左边的协变量框中移到右侧的分类协变量框。注意到参考类别中默认是最后一个，即在回归结果中，所有教育的其余类别的系数都是与最后一个类别进行比较的结果！
点击继续按钮返回Logistic回归窗口。
在“Logistic回归”窗口中，点击保存按钮；
在弹出的“Logistic回归：保存”窗口中，勾选预测值区块中的概率；点击继续按钮返回Logistic回归窗口。
在“Logistic回归”窗口中，方法保持默认的“输入”选项，即所有变量都进入模型。
点击确定按钮进行运算。
运算完成后，输出窗口将给出相应的结果。
我们主要关心“方程式中的变量”表中的结果。表中第2列为logistic模型变量的回归系数，第6列是对应变量的显著性。如果系数大于0，表明变量增大会导致违约率上升，系数小于0，表明变量增大会使违约率下降，如年龄变量的系数为0.035，因而年龄增大会提高违约率。
教育变量是分类型变量，总共高中以下、高中、大专、大学、研究生五类，第5个类别（研究生）是比较的基准，如教育(1)对应的系数为-0.876，因而高中以下相对研究生学历来说，违约率会下降，但是由于第6列对应的显著性水平大于0.05，因而不显著。
我们不能根据第2列的系数来得出违约概率，需要根据最后1列来判断，如年龄对应的Exp(B)为1.036，则年龄增加1岁可以使违约概率上升（1.036-1=0.036）；工龄对应的Exp(B)为0.771，则工龄上升1单位可以使违约概率下降（1-0.771=0.229）。
如果关心每个用户的违约率情况，可以回到数据窗口，最后1列PRE_1变量即是计算出的每个用户的违约率！
3 逐步回归
在初步分析中，我们将所有变量都加入了模型，回归结果可能存在多重共线问题，而且很多变量的系数不显著，所以这里采用逐步回归的方法进行修正。
在数据窗口中，依次点击“分析/回归/二元Logistic”，重新进入“Logistic回归”窗口；
将方法修改为“向前：LR”；
其他设置保持和之前的一致，点击确定进行运算。
运算完成后，输出窗口将给出相应的结果。
“方程式中的变量”表中进行了4次迭代，最后工龄、地址、负债率、信用卡负债四个变量加入到模型中，且四个变量的系数均显著，是影响违约的关键因素！
当然，具体某个变量是否加入模型外，除了根据逐步回归自动筛选外，还应该根据具体的理论人为进行调整。比如理论认为教育也是影响违约的重要因素，那么在完成逐步分析后，可以仅将工龄、地址、负债率、信用卡、教育这个变量加入协变量窗口，并采用“输入”方法进行运算。