對數成敗比對數線性分析
「對數勝算對數線性分析」程序會分析應變數（或稱回應變數）與自變數（或稱說明變數）之間的關係。 其中，應變數通常是類別的，而自變數可能是類別的（因素）。 其他自變數（資料格共變數）可以是連續的，但它們並非以逐一觀察值為基礎進行套用。 在資料格中的加權共變數平均數，會套用到該資料格。 而應變數的奇數對數，乃是以參數的線性組合形式來表示。 在這個程序中，自動假設它是多項式分佈，這些模式有時候就稱為多項式對數勝算模型。 其使用方法，是以 Newton-Raphson 法來估計對數勝算對數線性模型的參數。
在此，您可以選擇 1 到 10 個應變數和因素變數的組合。 而且儲存格結構變數讓您可以替不完整的表格定義結構性零值、在模型中包括偏移項、適合對數比模型，或實施邊際表格的調整方法。 至於對比變數，則能讓您計算概化對數勝算比 (GLOR)。 其值是期望資料格數的對數線性組合的係數。
系統會自動顯示模型資訊與適合度統計量。 此外，您也可以顯示各種統計量和圖形，或將殘差和預測值存入作用中資料集。
範例。 一項在 Florida 的研究包括 219 隻短吻鱷魚。 短吻鱷魚的食物型態因其體型大小以及所居住的四個湖而有什麼樣的不同？ 研究發現，較小的短吻鱷偏愛爬蟲類而不喜歡魚類的比例，與較大的短吻鱷的比例相比，小了 0.70 倍；同時，湖泊 3 在選擇爬蟲類而不是魚類的比例上，最所有湖泊中最高的。
統計資料。 就統計量方面而言，共有：觀察和期望頻次；原始殘差、調整後殘差和偏誤殘差；設計矩陣；參數估計值；概化對數勝算比；Wald 統計量；信賴區間。 圖形：調整後殘差、偏誤殘差和一般機率圖。
對數成敗比對數線性分析資料考量
資料。 應變數是類別的。 因素是類別的。 資料格共變數可以是連續的，但是當共變數在模型中時，系統會將資料格中觀察值的平均值共變數值套用至該資料格。 相對變數是連續的。 它們是用來計算概化對數勝算比 (GLOR)。 其值是期望資料格數的對數線性組合的係數。
此時，儲存格結構變數會指派加權值。 例如，如果部分儲存格是結構零，則儲存格結構變數的值為 0 或 1。 請勿使用儲存格結構變數來加權聚集資料。 改用「資料」功能表中的「加權觀察值」。
假設。 我們可以假設：說明變數中的每一種類別組合內的個數都是多項式分佈。 那麼，在多項式分佈的假設之下：
- 總樣本的大小必須是固定的，否則分析會取決於總樣本大小。
- 儲存格數在統計上並不是獨立的。
相關程序。 使用「交叉列表」程序來顯示列聯表。 當您想分析觀察次數和一組說明變數之間的關係時，請使用「一般對數線性分析」程序。
若要取得對數勝算對數線性分析
此功能需要 自訂表格及進階統計量。
- 從功能表中選擇：
- 在「對數勝算對數線性分析」對話框中，選擇一個或多個應變數。
- 選擇一個或多個因素變數。
應變數和因素變數的總數，必須小於或等於 10。
您可以選擇性地：
- 選取資料格共變數。
- 選取資料格結構變數，以定義結構性零值或包括偏移項。
- 選擇一個或多個控制變數。
此程序會貼上 GENLOG 指令語法。