一、关于Logistic回归中的分类阈值(cutoff)，在不平衡数据集的情况下，并不一定非得使用样本比例作为阈值。通常情况下，我们选择的cutoff值是为了达到特定的业务目标或是权衡精度与召回率（或精确度和敏感度）。

例如，在你提到的例子中，如果1类是异常事件且误报的成本很高，则可能需要一个较高的cutoff来减少假阳性；相反，如果漏报1类事件的后果更严重，则可能需要降低cutoff以提高识别率。因此，并不建议简单地将cutoff设置为0.068。

确定最优的cutoff值的一种常用方法是通过ROC曲线（Receiver Operating Characteristic Curve）。你可以根据业务需求或成本函数来选择一个点，这个点能够平衡真阳性率和假阳性率，通常选取的是曲线上离左上角最近的点。在SPSS中，可以通过保存预测概率，并使用这些预测概率与真实类别的关系来绘制ROC曲线并寻找最优cutoff。

二、R-squared值在Logistic回归中并不常见；它主要用于线性回归模型。然而，有类似的统计量如Cox & Snell R-Square和Nagelkerke R-Square用于衡量分类模型的解释力或拟合度。如果这些值很低（小于0.1），可能意味着以下几点：

1. **变量选择不当**：你当前选择的自变量可能与因变量关联不强，或者重要预测变量被遗漏。

2. **数据性质**：某些情况下，即使选择了正确的变量，由于内在的数据分布或随机性，模型也可能表现不佳。例如，如果因变量主要由未包含在分析中的因素驱动，则模型的解释力自然有限。

3. **非线性关系**：Logistic回归假设自变量与对数几率之间存在线性关系。如果实际的关系是非线性的，那么简单的Logistic回归可能无法捕捉这种复杂性。

提高模型性能的一些方法包括：

- **特征工程**：尝试转换现有变量或创建新变量（如交叉项、非线性项）以捕获更复杂的模式。
  
- **使用更多数据**：更多的观察值可以提供更多的信息，有助于模型学习到更强的关联。

- **考虑更复杂的方法**：如果Logistic回归不能充分解释数据，可以尝试其他机器学习算法如随机森林或神经网络，它们可能更好地处理非线性关系和高维空间中的模式。当然，在使用这些方法时需要防止过拟合。

最后，请记住在调整模型和参数的同时，保持统计的合理性，并确保结果能够反映实际情况与需求。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用