spss自变量的筛选方法。如何运用spss筛选自变量?有哪些检验方法?本期艾思云课堂小编整理了三个检验自变量的方法，希望能给大家带来帮助。

　　与线性回归类似，在Logistic回归中应尽量纳入对因变量有影响作用的变量，而将对因变量没有影响或影响较小的变量排除在模型之外。

　　①.Wald检验：Wals是一个统计量，用检验自变量对因变量是否有影响的。它越大，或者说它对应的sig越小，则影响越显著。

　　②.似然比检验(Likelihood Ratio Test)：Logistic模型的估计一般是使用极大似然法，即使得模型的似然函数L达到最大值。-2lnL被称为Diviance，记为D。L越大，则D越大，模型预测效果越好。似然比检验是通过比较是否包含某个或几个参数β的多个模型的D值。

　　③.比分检验(Score Test)

　　以上三种假设检验中，似然比检验是基于整个模型的拟合情况进行的，结果最为可靠;比分检验结果一般与似然比检验结果一致。最差的就是Wald检验，它考虑各因素的综合作用，当因素间存在共线性的时候，结果不可靠。故在筛选变量时，用Wald法应慎重。

　　SPSS中提供了六种自变量的筛选方法，向前法(Forward)和向后法(Backward)分别有三种。基于条件参数估计和偏最大似然估计的筛选方法都比较可靠，尤以后者为佳。但基于Wald统计量的检验则不然，它实际上未考虑各因素的综合作用，当因素间存在共线性时，结果不可靠，故应当慎用。

　　以上就是我们艾思科蓝今天给大家分享的内容了，通过这篇文章是不是又学会一些呢。聚沙成塔，学习从点滴碎片开始积累，艾思科蓝一直在路上陪伴着。