spss教程：回归分析：[7]对数线性模型

1、基本原理：将分类变量（解释变量）看做因素或解释变量，将单元格的观察频数看做因变量（反应变量），在某种假设前提下，如服从poisson分布或多项分布，把期望频数的自然对数表示为各分类变量的主效应及各阶交互效应的线性函数。

2、该模型中包含全部主效应和交互效应，故称为饱和模型，若缺少一项，则称为不饱和模型。

饱和模型估计的期望频数必然与观察频数相等，因此饱和模型没有实用意义，真正实用的是不饱和模型。

3、具体操作见图片。

4、结果中显示数据处理的基本信息。

5、单元计数和残差：给出观察值，期望值，残差等，因为选择的是饱和模型，所以对于残差都是0。

其中的“拟合度检验”中的概率是省略的，就是1的意思，说明模型完全拟合样本数据。

K-Way和高阶效果：k=1表示主效应，k=2表示一阶交互效应，以此类推。计算概率知，三阶交互的作用不明显，所以模型要重新选择，不应该选择饱和模型。