Logistic回归分析（logit回归）一般可分为3类，分别是二元logistic回归分析、多分类Logistic回归分析和有序Logistic回归分析。logistic回归分析类型如下所示。

Logistic回归分析用于研究X对Y的影响，并且对X的数据类型没有要求，X可以为定类数据，也可以为定量数据，但要求Y必须为定类数据，并且根据Y的选项数，使用相应的数据分析方法。

进行有序logistic回归时，通常需要有以下步骤，分别是连接函数选择，平行性检验，模型似然比检验，参数估计分析，模型预测准确效果共5个步骤。

1) 连接函数选择

SPSSAU共提供五类连接函数，分别如下：

SPSSAU默认使用logit连接函数，如果模型没有特别的要求，应该首选使用logit连接函数，尤其是因变量的选项数量很少的时候。连接函数可能会对平行性检验起到影响，如果平行性检验无法通过时，可考虑选择更准确的连接函数进行尝试。正常情况下使用默认的logit连接函数即可。

2) 平行性检验

一般来说，模型最好通过平行性检验，但在研究中很可能出现无法通过的现象。此时有以下建议，如下：

一般来说，有序logistic回归有一定的稳健性，即平行性检验对应的P值接近于0.05时，可考虑直接接受有序logistic回归分析的结果。

3) 模型似然比检验

模型似然比检验用于对整个模型的有效性进行分析，一般对应的P值小于0.05即可。同时SPSSAU还提供AIC和BIC这两个指标值，如果模型有多个，而且希望进行模型之间的优劣比较，可使用此两个指标，此两个指标是越小越好。具体可直接查看SPSSAU的智能分析和分析建议即可。

4) 参数估计分析

参数估计分析其实就已经开始进入实质性的分析了。首先可分析R方，即模型的拟合水平情况，SPSSAU提供3个R方值指标，分别是McFadden R 方、Cox & Snell R 方和Nagelkerke R 方。此3个R 方均为伪R 方值，其值越大越好，但其无法非常有效的表达模型的拟合程度，意义相对交小，而且多数情况此3个指标值均会特别小，研究人员不用过分关注于此3个指标值。一般报告其中任意一个R方值指标即可。

5) 模型预测效果分析

有序logistic回归建模时，还可以对模型的预测效果进行分析，SPSSAU也会默认输出结果，当然一般情况下我们关注于影响关系，因而对于预测效果等不那么看重。即模型预测质量的关注乎相对较低，多数时候直接忽略它。

关于有序logistic回归的操作上，SPSSAU操作如下：

至于分析结果如下：

首先对模型整体有效性进行分析(模型似然比检验)，从上表可知：此处模型检验的原定假设为：是否放入自变量(性别_女, 年龄, 年收入水平, 文化程度)两种情况时模型质量均一样；分析显示拒绝原假设(chi=62.510,p=0.0000.05)，意味着性别并不会对幸福水平产生影响关系。

年龄的回归系数值为-0.027，并且呈现出0.01水平的显著性(z=-2.921，p=0.003