具有 logit 链接函数的二项式广义线性模型是具有 2 个结果（例如生病/健康、男性/女性、购买/不购买）的分类响应变量的逻辑回归模型。名义型 Logistic 回归通常是指具有 3 个或更多水平的分类响应变量（例如最喜欢的冰淇淋口味：巧克力/香草/草莓/其他）的逻辑回归。这是你问的吗？
@马克贝利嗨马克！ 您还可以用 logit 与仅进行名义逻辑回归来解释二项式 GLZ 的区别吗？ 我知道测试提供的选项不同，但你能告诉我这是为什么吗？
GLM 模型使用 MLE 进行拟合。 使用 LASSO 拟合广义回归模型。 LASSO 是惩罚回归的一种形式。 它使用 L-1 范数对变量选择的估计值进行惩罚。 即使选择了一个变量，估计值也会受到惩罚的影响。 发现的差异是由于惩罚。 它会改变估计值和估计值的标准误差，因此 Wald 卡方也会发生变化。
但是我思考您设置模型的方式可能有误。 您需要为二项式响应提供成功和失败。 看来您只提供了成功。 另外，观察的数量是错误的。 正如 N 次试验所证明的那样，您有 4 个以上的观察结果。
我将按如下方式更正此模型。 从 N 次试验中减去成功次数以获得失败次数。 堆叠成功和失败列。 使用频率分析角色中包含计数的列和标签列（成功和失败）作为响应或 Y 角色。
这两个因素是分类因素，因此请确保它们使用名义建模类型。 数据表现在看起来像这样。
选择 Analyze > Fit Model 并填写启动对话框，如下所示：
我为拟合个性保留了名义逻辑回归选择，但此时您可以选择具有二项分布和登录链接函数的 GenReg 或 GLM。
