SPSS中Logistic（或COX）回归自变量筛选方法

SPSS提供了6中筛选自变量的方法，向前法（Forward）有三种，即一般统计学书上所说的逐步回归，这三种向前法选入自变量时均采用比分检验，但剔除自变量的标准不同。分别为：条件参数估计似然比检验（向前：条件）、最大偏似然估计的似然比检验（向前：LR）、Wald卡方检验（向前：Wald）。向后法（Backward）也有三种，分别采用上述3种方法之一进行变量的剔除。

筛选自变量的方法：

• 条件参数估计似然比检验（向前：条件）
• 最大偏似然估计的似然比检验（向前：LR）
• Wald卡方检验（向前：Wald）
• 条件参数估计似然比检验（向后：条件）
• 最大偏似然估计的似然比检验（向后：LR）
• Wald卡方检验（向后：Wald）

值得注意的地方：

（1）基于条件参数估计和最大偏似然估计的筛选方法都比较可靠，尤以后者为佳。但基于Walds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。参数的可信区间也是基于Walds统计量计算的，故也慎用。

（2）还需要注意的是，逐步回归所获得的结果是保证此时获得的模型最大似然函数值最大，但并不能保证此时的模型其预测精度最高。最终模型的选择仍需要获得专业理论的支持。

（3）事实上，在统计之上，另一个更重要的准则是专业意义，比如种族、吸烟在统计学上没有意义，但如果在专业上认为种族、吸烟确实有作用，也可以将其强行纳入模型。也就是说，判断一个变量是否可纳入模型的标准由弱至强依次应当是：单自变量分析、多自变量分析、专业判断。