IBM SPSS Regression

根据一组预测变量的值预测是否存在特征或二进制结果。它类似于线性回归模型，但适用于因变量为二分类变量的模型，并且假设要遵循二项分布。估计系数可以用于估计模型中每个自变量的优势比。

使用 logit 连接函数根据一组预测变量来对多分类有序响应的依赖性进行建模。在 logit 模型中，结果的对数几率可以建模为预测变量的线性组合。

根据一组预测变量的值对主体进行分类。此类回归类似于逻辑回归，但它更为通用，因为因变量不限于两种类别。

找到因变量与一组自变量之间关系的非线性模型。与传统线性回归（只能估计线性模型）不同，非线性回归可以估算自变量和因变量之间具有任意关系的模型。这是使用迭代估计算法来完成。

使用 probit 和 logit 响应建模分析对刺激的反应效力，例如药剂量、价格或奖励。此过程可以度量刺激强度与对刺激有一定反应的案例比例之间的关系。它对于存在二分输出的情况（二分输出被认为是受某些自变量的水平影响或由其引起）非常有用，并且特别适用于实验数据。

在第一个阶段中，使用与误差项不相关的工具变量来计算有问题的预测变量的估计值。在第二个阶段中，使用这些计算得出的值来估计因变量的线性回归模型。由于计算得出的值基于与误差不相关的变量，因此该二阶模型的结果为最优结果。

控制预测变量与基于时间的数据可能发生的误差项之间的相关性。权重估计过程可以测试一系列权重变换，并指示哪个权重最适合于数据。

对一组预测变量（自变量）与目标变量（因变量，通常为中位数）的特定百分位数（或“分位数”）之间的关系进行建模。与普通最小二乘回归相比，分位数回归有两个主要优势：它对目标变量的分布不做任何假设，并且往往可以抵制异常观测值的影响。