logistic回归在分析时是否必须按照“单因素—多因素”的分析过程，是否必须先进行单因素分析，然后才能进行多因素分析？单因素分析是否必须的？

这一问题是一个很实际的，许多人在分析时总是不知道如何下手？以下阐述一下我个人的意见，不一定正确，纯属个人心得。

理论上讲，在样本足够大的情况下，最好把所有的因素都放到方程中，以矫正所有可能的混杂因素，但这是有条件的，即必须所有的这些因素之间无相关，且样本足够大。而实际中，因素之间不可能是毫无相关的。当然，这种相关程度也不一样。如果所有的因素之间相关程度都非常低，最好是没有相关，那这时我可以把所有的变量都放在方程中同时进行分析，可以不做单因素分析。

如果你的例数不够多，比如，你有100例，但是有20个因素，那这时你如果把所有因素放在方程中，结果肯定要出问题。这种情况下，最好先进行单因素分析，筛选出一部分变量，将有意义的变量放入方程进行多因素分析。当然，单因素分析时最好将p值放宽一些，比如0.1或0.15等。避免漏掉一些重要因素。

真正进行多因素分析时，是很复杂的，需要仔细验证各个因素之间的关系，一旦发现因素之间有关系，需要仔细分析。如果某一因素放入方程中后，前面的几个变量变化比较大，那就需要小心了。仔细探讨因素之间存在何种关系。

总之，如果样本不多而变量较多，可以先进行单因素分析，筛掉一些可能无意义的变量，然后进行多因素分析，这样可以保证结果更加可靠些。即使样本足够大，也不建议直接把所有的变量放入方程直接分析，一定要先弄清楚各个变量之间的相互关系，弄清楚自变量进入方程的形式，这样才能有效的进行分析。

不论任何情况，分析时必须具体问题具体分析，不能一概而论，更不能套用。即使目的相同、变量相同的数据，也不一定分析结果会一样，因为总会有抽样误差存在的，设计的好坏是不一样的。所以千万不要看一篇类似的文章，然后照搬上面的分析步骤和分析方法，这是不可取的。

7楼讲的比较详细.

讲的非常好！！

哈哈

学习了

正好关心这个问题。

也就是排除共线性

虽然是以前的帖子，写的太好，忍不住赞一个

讲的真好！

谢谢，学习了

单因素logistics回归分析和单个变量的卡方检验结果是一样的的。

7楼解释的真好！

先分别将自变量与因变量做回归，这样做的目的之一可能是若单一自变量与因变量回归结果不显著，那么在后面的做多个自变量与因变量的回归时就可以不用将单一回归时不显著的自变量纳入模型，因为单一回归时不显著，那么多个变量回归时不显著的变量还是不会显著。所以当回归的自变量比较多时，先采用单一回归方法可以先排除一些对因变量影响不显著的变量。

logistic模型中，自变量间的相关系数怎么求

以二元logit回归为例，设定的解释变量一定是不少的，而模型要求数据量是解释变量的15倍或以上，大多数情况我们收集到的数据达不到如此之多。所以可以先做单因素，把不显著的变量先行排除，再做logit回归会要顺利很多。