具有 logit 鏈接函數的二項式廣義線性模型是具有 2 個結果（例如生病/健康、男性/女性、購買/不購買）的分類響應變量的邏輯回歸模型。名義 Logistic 回歸通常是指具有 3 個或更多水平的分類響應變量（例如最喜歡的冰淇淋口味：巧克力/香草/草莓/其他）的邏輯回歸。這是你問的嗎？
@馬克貝利嗨馬克！ 您還可以用 logit 與僅進行名義邏輯回歸來解釋二項式 GLZ 的區別嗎？ 我知道測試提供的選項不同，但你能告訴我這是為什麼嗎？
GLM 模型使用 MLE 進行擬合。 使用 LASSO 擬合廣義回歸模型。 LASSO 是懲罰回歸的一種形式。 它使用 L-1 範數對變量選擇的估計值進行懲罰。 即使選擇了一個變量，估計值也會受到懲罰的影響。 發現的差異是由於懲罰。 它改變了估計值和估計值的標準誤差，因此 Wald 卡方也發生了變化。
但是我思考您設置模型的方式可能有誤。 您需要為二項式響應提供成功和失敗。 看來您只提供了成功。 另外，觀察的數量是錯誤的。 正如 N 次試驗所證明的那樣，您有 4 個以上的觀察結果。
我將按如下方式更正此模型。 從 N 次試驗中減去成功次數以獲得失敗次數。 堆疊成功和失敗列。 使用頻率分析角色中包含計數的列和標籤列（成功和失敗）作為響應或 Y 角色。
這兩個因素是分類因素，因此請確保它們使用名義建模類型。 數據表現在看起來像這樣。
選擇 Analyze > Fit Model 並填寫啟動對話框，如下所示：
我為擬合個性保留了名義邏輯回歸選擇，但此時您可以選擇具有二項分佈和登錄鏈接函數的 GenReg 或 GLM。
