这论坛为什么很少有学习讨论，而只有交换学习材料呢？

首先说一下SIG就是我们常说的P值,从你举的后两个例子看,原假设应该是拟合得好,那么P值越大就越接受原假设,在给定的显著性水平下,如0.05,只要P值比它大就接受原假设,所以你可以查一下书上的原假设,这是关键,不原会得到相反的结论

谢谢！我还是不解，问题是做SPSS分析时，系统是哪个假设呢，也就是说，当SPSS系统输出的各种统计量
如下：Hosmer and Lemeshow Test
Step       Chi-square        df      Sig.

1            3.516                8        .898
那系统的“原假设”是什么？是假设卡方统计显著变化呢，还是假设卡方变化不显著？还希望楼上师兄与各位指教。

原假设都安书上确定的说法,SPSS的原假设跟书上肯定是一致的,我现在手上没书上的内容,建议你看下书上这部分内容是怎么说的原假设,一旦原假设确定,你再根据P值来判断就可以了

陈兄弟，你所说的原假设问题，《Logistic回归模型－－方法与应用》（王济川、郭志刚，高等教育出版社，2001年9月1日第一版）P66：“HL指标值为7.21，其自由度等于8，将这一指标与X2（卡方）分布比较，得到概率值为P＝0.5142，说明统计不显著。因此，我们不能拒绝关于模型数据很好的假设。换句话说，模型很好地拟合了数据。”中的
　　　“我们不能拒绝关于模型数据很好的假设。”是不是指这个假设－－－即模型数据很好，也就是两个卡方的比较不显著假设？
　　而某论文中有：“在该模型中，Hosmer-Lemeshow统计量的概率P值为0.023，小于显著性水平0.05，因此应拒绝零假设，认为各组的划分与因变量的实际取值相关，而且模型总的预测正确率为86%，说明模型拟合优度较高。 ”
　　再如：另一论文却有：“在本文的算例中，由于自变量含有连续变量，协变类型数量很大，因
此每个协变类型所对应的观察案例并不多，指标Deviance和Pearson卡方不
能有效评估拟合优度，所以采用Hosmer-I emeshow(HL)检验(见表3)。该
方法根据模型预测概率的大小将数据分成规模大致相同的1O个组，然后根据
每一组中因变量各种取值的实测值与理论值计算Pearson卡方。通常用于自
变量很多，或者自变量中包含连续性变量的情况。HI 的检验结果见表3，p＝
0．5772，统计不显著，不能拒绝关于模型拟合数据较好的假设。”不知如何解释。还请多多赐教。
　　　现正好遇上，好急呀！！！