选择相关变量作为因变量（分类变量）、因子（即自变量，分类变量或定量变量都可以）、协变量（只能是定量变量）。

在因变量“参考类别”中，勾选最后类别，表示因变量中选最后一个类别作为基线，此处数据中的因变量有3个变量，1、2、3，所以选择3作为基线。

“模型”中选择“主效应”，系统默认的，对于“全因子”（不仅主效应，还有所有因素不同水平组合的交互效应也在考虑之中）、“设定/步进式，即自定义”，最后勾选“在模型中包含截距”。

“统计量”

单元格可能性：计算单元格的实际频数，理论频数及其残差，特定组合情况下具有因变量某一类别倾向的概率估计。

分类表：判别分类表。

拟合度：只用于当自变量各水平组合中均有较多观察单位时，一种为Pearson卡方检验、另一种Deviance卡方检验，若是大样本，两种检验很是相近。

定义子总体：此处选用不同的方法，在“单元格可能性”中的输出和拟合优度检验结果是不同的。不同的子集，饱和模型是不同的，这样会影响到似然比的改变量。

“条件”

最大步骤得分：运算过程中的最大减半步幅。

对数似然性收敛性：当似然比的变化小于所设定的值时，则收敛，系统默认没有变化时停止迭代。

参数收敛性：所估计的参数的绝对或相对变化量小于所设定的值时，停止迭代。

Delta：校正系数，取值在0-1之间，单元格的观察频数为非随机0时，需要校正，否则默认为0。

“模型拟合信息”：检验整个模型，概率小于显著性水平0.05，模型有显著意义。

“拟合优度”：由计算出的概率值知，两种卡方检验方法都说明拟合效果好。

“伪R方”：其意义可参考线性回归中的R方，但是对于逻辑回归分析，比较难得到一个易解释和计算的指标。

“似然比检验”：由计算出的概率都是0，小于显著性水平0.05，说明其中的变量对于因变量有显著的影响意义。

“参数估计”：前面步骤中的第一步已经讲到，以最后类别做参考类别，计算出的变量概率小于显著性水平0.05的，说明对于因变量有显著的影响，B列中的数是计算出的具体系数。

分类：给出预测的分类数据情况，并与实际观测数据项比较，其中的正确率百分比0.38=251/（251+410），其他的计算过程也是这样道理。

给出频数、残差、百分比的预测值与实际值。结果显示相当于分类汇总表的形式。如果残差中有绝对值大于2的情况出现，应该考虑是否有别的因素影响模型正确拟合。