二元logistic回归模型预测概率高于多少才算好

在回归分析模型Y=β0+β1X+ε（一元线性回归模型）中，Y是被解释变量，就称为因变量。X是解释变量，称为自变量。表示为：因变量Y随自变量X的变化而变化。协变量是指那些人为很难控制的变量，通常在回归分析中要排除这些因素对结果的影响。“选择变量”即是条件变量，并且有个条件定义按钮（rule），通过这个按钮可以给定一个条件，只有变量值满足这个条件的样本数据才参与回归分析。做logistic回归分析，用enter,foward,backword不同方法，结果为何不同?答：当前进法和后退法给出的答案相同，这是模型稳健的一种象征，但并不总是这样。前进法和后退法无需得到相同回答的理由是特定变量的重要性常常取决于变量选择时模型中有哪些其他的变量。某一变量当另一变量（或一组变量）处在模型中时是重要的，而当这一变量（或一组变量）不在模型中时，它却不显著了。这称为抑制效应。几种变量的选择技术的比较：1、前进法：把变量逐次引入模型中。用已经在模型中的变量进行调整后的变量和结果变量间的相关程度决定引入的顺序（相关性最强的变量最先引入），最适于涉及样本含量小的研究。不能很好的解决抑制效应。2、后退法：从模型中逐次剔除变量。用已经在模型中的变量进行调整后的变量和结果变量间的相关程度决定剔除的顺序（相关性最弱的变量最先剔除）。评价抑制效应比前进法好。3、最优子集法：选择使某一特定参数达到最大的变量子集，但计算困难。4、全变量法（全部变量）：同时引入所有的变量。如果自变量多、样本含量小或缺失数据多，把所有变量都包括进来可能会出问题。二分类logistic回归中“变量选择方法”有7种，以下是spss手册中的介绍。Logistic回归：变量选择方法：方法选择允许您指定自变量将如何进入到分析中。通过使用不同的方法，您可以从相同的变量组构造多个回归模型。-Enter.一种变量选择过程，其中一个块中的所有变量在一个步骤中输入。-向前选择（条件）.逐步选择方法，其中进入检验是基于得分统计量的显著性，移去检验是基于在条件参数估计基础上的似然比统计的概率。-向前选择（似然比）.逐步选择方法，其中进入检验是基于得分统计量的显著性，移去检验是基于在最大局部似然估计的似然比统计的概率。-向前选择(Wald).逐步选择方法，其中进入检验是基于得分统计量的显著性，移去检验是基于Wald统计的概率。-向后去除（条件）.逐步向后选择。移去检验基于在条件参数估计的似然比统计量的概率。-向后去除（似然比）.逐步向后选择。移去检验基于在最大偏似然估计基础上的似然比统计量的概率。-向后去除（Wald）.逐步向后选择。移去检验基于Wald统计量的概率。一般来说，backward更准确一些，后退法优于前进。但是变量太多，会很慢。stepwise用的最广泛，但也有人说慎用逐步回归的方法。总之，选哪种都行，选择拟合最好的就可以了。大致来说，就是决定系数R2最大的就是。