因变量为二分因变量，自变量为分类变量（也可为连续变量）的数据
点击分析——回归——二元 logistic
我们有N个分类预测变量，有的是二分变量，有的是多类变量。将这些预测变量放入covariates协变量框内，将因变量放入上方第一个因变量框。方法默认“输入”，如果做多元，可以改为“逐步“（向前向后都可以）
点击右上角”分类“，将分类变量放入右侧边框内，自变量如有连续变量，不用放入。注意：根据需要，选择参考类别是从最后一个还是从第一个。此处在结果分析时讲，第一个和最后一个的区别。
点击右上角“选项”，选择exp（B）的CI。其他功能看下图。
第一个表为数据处理情况，包括多少例纳入，多少缺失。第二个表为变量赋值情况注意：此过程默认以应变量较大取值的概率为p，不是以p（y=0)，比如不要将”不能识别孤独症“赋值为1，而将它应该赋值为0。
Block 0 代表不含任何自变量，只有常数项时的输出结果，第一章表，总的预测准确率为86.1%。（一般不看此部分，可以直接跳入Block 1 ）
Block 1 此部分为引入自变量的结果。step为每一步与前一步相比的似然比检验结果BLock为将block1 和block0 相比的似然比检验结果。modle是上一个模型与现在方程中变量有变化后模型的似然比检验结果。由于选择的enter输入法，三个结果完全一直。model summary-2被的似然对数值可用于统计推断和拟合优度检验。后两个类似与回归中的决定系数。lassification Table从预测分类表可以看出来，从block0 的86.1%变为87.2%。说明引入变量对改善模型有意义。
最后一张表为主要看的一张表，是logistic回归分析中最重要的！！！！包括最终引入模型变量，常数项系数值B，标准误SE，wald卡方值，自由度df，p值及Exp（B)即OR值。从结果可以看，听说过孤独症有统计学意义。可以进一步收购筛选变量引入。（一般第一步都是全部放入引入，这里只放了一部分）这里最高学位和从教年限采用的是步骤3中的参考类别第一个，以最高虚伪为例，1=无学位，2=学士学位，3=硕士学位，4=博士学位，结果最高学位exp为1，因为是与无学位与无学位相比较；最高学位（1）代表2=学士学位，相对1=无学位差异显著（p=0.03），说明学士学位识别孤独症的能力是无学位的2.979倍。（如果参考类比采用最后一个，则代表对应的项均与4=博士学位向比较的p值和exp值。这里听说过孤独症采用的是步骤3中的参考类别最后一个，其中赋值为1=听说过，2=没听说过，说明相比较2=没听说过，1=听说过差异显著（sig=0.018），听说过孤独症的教育人员识别孤独症的能力是没听过的2.346倍）
最后，三线表呈现结果如下：
多类变量中分类的设置，点击分类，进行哑变量设置
分类设置中参考类比从第一个还是从最后一个的设置