SPSS使用logistic回归的步骤：
1.图形分析（条形图）
2.卡方分析（原理)
3.logistic回归分析
4.混淆矩阵分析（类似线性回归中的残差分析）
5.应用
下面将使用bankloan_binning(提取码：78uh）进行分析：
0.数据集分析---略
1.图形分析
分析y与一个x的关系：
------分类与分类
输出结果：
图中可轻易看出占比关系，违约和年龄分组存在关系
------分类与连续
均值显著不等，不相关
2.相关分析
2.1 分类与分类------卡方分析
------了解列联表
结果如下：
p值小于0.05，相关性显著
2.2 分类与连续------方差分析？
3.logistic回归分析
输出窗口为：
说明，样本数和因变量取值
可以直接跳过
0.27模型准确度有待提高
删除不显著的变量
修改后的模型（思考：β为负数怎么解释？若解释增加3000元钱呢？---e的3β次方）
4. 混淆矩阵（敏感度解释）
增加敏感度的方法:工具变量法(增加一个变量x将原本是1但被预测为0的那一行的x取值为1，其余取值为0，寻找与x高相关的特征值将他加入模型）
附加：
这个指总体预测准确率
一个应用原则：
1.回归分析通常对x不做假设
2.线性回归擅长处理连续x；logistic回归擅长处理分类x
3.统计学习模型擅长处理连续x(小数据)；机器学习模型擅长处理分类x(大数据)
4.在统计学习模型中，如果需要解释x与y之间的关系，x建议分类；如果不需要解释x与y之间的关系，x建议连续；在机器学习模型中，也一样。
5.但是，在统计学习中通常不建议对x做分类；机器学习中，通常建议对x做分类。
