Logistic 回归步进选项

通过这些选项，您可以控制采用步进、向前、向后或向后步进估计法添加和移除字段的标准。

模型中的项数（仅限多项式模型）。您可以指定模型中的最小项数（针对向后法和向后步进法模型）和最大项数（针对向前法和步进法模型）。如果指定大于 0 的最小值，模型将包括该数量的项，即使根据统计标准应将其中某些项删除也是如此。对于前进法、逐步法和进入法模型，将忽略最小值设置。如果指定最大值，可能会省略模型中的某些项，即使根据统计标准应将其选中也是如此。对于后退法、后退逐步法和进入法模型，将忽略指定最大值设置。

进入标准（仅限多项式模型）。选择评分可以最大程度地提高处理速度。似然比选项可能会稍微多提供一些有力的估计值，但所需的计算时间较长。缺省设置是使用评分统计量。

移去标准。选择似然比可以获得更稳健的模型。要缩短构建模型所需的时间，可以尝试选择 Wald。但是，如果数据中有完全或半完全分隔（可使用模型块的“高级”选项卡确定），Wald 统计量将变得极不可靠，不应采用。缺省设置是使用似然比统计量。对于二项模型，还有附加选项条件。此选项提供以基于条件参数估计值的似然比统计量的概率为依据的移除检验。

标准的显著性阈值。通过此选项，您可以根据与每个字段相关联的统计概率（p 值）来指定选择标准。仅当关联的 p 值小于纳入标准值时，才会将字段添加到模型中；仅当 p 值大于剔出标准值时，才会将字段删除。纳入标准值必须小于剔出标准值。

进入或移除的要求（仅限多项式模型）。对于某些应用程序，除非模型也包含交互项所涉及字段的低阶项，否则将交互项添加到模型中在数学上没有意义。例如，除非 A 和 B 也纳入到模型中，否则将 A * B 纳入到模型中没有意义。使用这些选项，可以确定如何在逐步模型项选择过程中处理这些依赖关系。

• 用于离散效应的层次结构。仅当相关字段的所有低阶效应（涉及较少字段的主效应或交互）均位于模型中时，高阶效应（涉及较多字段的交互）才会进入模型，并且如果涉及相同字段的高阶效应位于模型中，那么将不会删除低阶效应。此选项仅适用于分类字段。
• 所有效应的层次结构。此选项的工作原理与上一选项相同，但它适用于所有输入字段。
• 包含所有效应。仅当效应中包含的所有效应也纳入到模型中时，该效应才能纳入到模型中。此选项与用于所有效果的层次选项类似，只是连续字段的处理方式略有不同。要让一个效应包含另一个效应，被包含（低阶）效应必须包括包含（高阶）效应中涉及的所有连续字段，且被包含效应的分类字段必须是包含效应中离散字段的子集。例如，如果 A 和 B 是分类字段，X 是连续字段，那么项 A * B * X 将包含项 A * X 和 B * X。
• 无。没有任何强制关系；模型中项的添加和删除是独立的。