Logit回归(又称逻辑回归、罗杰斯蒂回归、Logistic回归)无疑是社会科学，尤其是社会学研究中使用最广的方法，没有之一。这也是因为社会科学中变量的类型所决定的。因变量的类型决定着回归模型的使用，对于社会科学中常用的类别变量对应的就是Logit回归。

Logit回归又不同于一般线性回归，一般线性回归的回归系数以及R方等较容易解释，但是Logit回归的数学原理中涉及到了对数转换等，所以解释起来与一般线性回归有着较多的不同之处。

Logit回归系数有哪些不同

一般线性回归的解释相对较容易，即x没变化多少个单位，y的变化。但是，由于Logit回归进行了Logit转换，所以就不能像线性回归一样解释，因为因变量已经变成ln(p/1-p)，我们不能再说x变化多少个单位ln(p/1-p)变化多少，这样没有实际的意义。而logit回归的本质是针对因变量为分类变量，即相较于另一种情况，某一情况的发生概率。所以针对logit回归的这一特性，我们需要汇报OR值(odds ratio)，也称发生比。

可能这样理解起来较为抽象，我们来看一个例子：

上表来源：薛海平. 2015. 从学校教育到影子教育:教育竞争与社会再生产[J]. 北京大学教育评论(03): 47-69+188-189.

该研究的因变量为城镇学生是否参加补习，是一个典型的二分类变量。作者在报告结果的时候同时汇报了回归系数和OR值(发生比Exp(B))。在软件操作时候，SPSS会自动输出Exp，而Stata需要在命令后面增加or的选项。

从上表中我们可以看出，回归系数为正值时，发生比为为大于1的数，而系数为负时候为小于1的数。在进行解释的时候，我们可能更关注发生比。以上表为例，东部地区参加课外补习的概率是西部地区的1.491倍。

Logit回归如何用Stata操作只输出回归系数

logit 因变量 自变量以及控制变量 //二分类Logistic回归

mlogit 因变量 自变量以及控制变量 //多分类Logistic回归

ologit 因变量 自变量以及控制变量 // 次序Logistic回归

输出OR值

logit 因变量 自变量以及控制变量，or //二分类Logistic回归

mlogit 因变量 自变量以及控制变量，or //多分类Logistic回归

ologit 因变量 自变量以及控制变量，or // 次序Logistic回归

论文中如何写？

在论文中Logit回归的写法可谓是各有千秋，有的直接在表中汇报OR值，有的只汇报系数在行文中写出关键变量的发生比，还有像上文一样将系数和OR值都列出来的。这些写法没有对错之分，只取决于作者的习惯。

方法1：只汇报系数

直接汇报系数的好处是，能够直观的看出某一变量对因变量方向上的影响，因为系数是有正负之分的更加直观。

我们来看一个例子：

注：上表数据非真实数据，只为举例子使用。(实际上是小编在候机然后遇到机场大面积延误)

从上表可知，在控制其他变量的情况下，恶劣天气对于飞机是否延误具有正向的影响，相较于费恶劣天气，恶劣天气时飞机更容易延误。风力对于飞机是否延误也具有正向的影响，风力越大，飞机越容易延误。机场所在纬度对于飞机是否延误的影响是负向的，即所在纬度越高飞机越不容易延误。乘客数量对于飞机是否延误的影响也是负向的，即乘客数量越多飞机越不容易延误。票价对于飞机是否延误的影响不显著，但也是负向的。购买延误险的乘客比例越高，飞机越不容易延误。是否是天合联盟成员对于飞机延误没有显著影响。

只汇报系数的缺点：不能看出数量的差异，即我们只知道室恶劣天气具有正向影响，但不知道恶劣天气对于飞机延误概率的影响有多大。

方法2：汇报OR值

汇报OR值的好处是能够看出数量的影响。而对于汇报OR值可以有两种办法，第一种就是前文关于课外补习的例子，在表中直接给出，在表中直接写出的相对较容易，直接描述即可。

第二种是在表中依旧只汇报系数，而在行文中写出，例如：

相较于非恶劣天气，恶劣天气导致飞机延误的概率会提升75.86%(Exp^0.565-1=0.7586，p<0.01)。

相较于非恶劣天气，恶劣天气导致飞机延误的概率是非恶劣天气的1.76倍(Exp^0.565=1.76，p<0.01)

有木有觉得这样写更高大上一点？而且还能凑点字数。嘻嘻

希望对大家的学习有帮助，我继续等我的延误的飞机了~