有序分类因变量的核心特征是：类别之间存在排序，但间距不可度量。常见例子：
这类变量不适合直接用线性回归（间距假设过强），也不该舍弃类别间的顺序信息套用无序多分类逻辑回归。有序逻辑回归在两者之间取最佳平衡。
| 场景 | 因变量（有序分类） | 典型自变量 |
|---|---|---|
| 用户满意度影响因素 | 满意度等级（1-5） | 响应速度、价格感知、品牌信任 |
| 学生学业成绩预测 | 成绩等级（不及格/及格/良好/优秀） | 学习时长、出勤率、课外辅导 |
| 员工敬业度研究 | 敬业度等级（低/中/高） | 薪酬满意度、工作自主性、管理风格 |
| 慢性病风险分层 | 风险等级（无风险/低/中/高） | BMI、血压、年龄、运动频率 |
有序逻辑回归的基础是比例优势假设（proportional odds assumption），也叫平行线假设（parallel lines assumption）：
每个自变量对因变量各相邻类别分界点（阈值）的 log-odds 影响大小一致——即无论切在哪个阈值，回归系数不变，只有截距不同。
直观理解：假设收入每增加1万元，满意度从"低"升到"中及以上"的优势比（OR），与从"中及以下"升到"高"的 OR，在比例优势假设下是同一个值。这使得整个模型只需要一组系数，解释非常简洁。
验证比例优势假设是否成立,统计上通常用似然比平行性检验(对比"各分界点系数相等"的约束模型与放开约束的模型)。其判读逻辑如下:
| 检验结果 | 含义 | 处置建议 |
|---|---|---|
| p > 0.05（不显著） | 平行线假设成立，比例优势模型合适 | 正常报告有序逻辑回归结果 |
| p < 0.05（显著） | 平行线假设被违反，各变量对不同分界点影响不一致 | 考虑改用无序多分类逻辑回归，或偏比例优势模型（见 FAQ） |
上传数据文件后，直接在对话框输入：
指令示例 1（市场/问卷场景）：
"以满意度等级为因变量，对价格敏感度、响应速度、品牌信任做有序逻辑回归"
指令示例 2（医学/社科场景）：
"分析年龄、BMI、运动频率对健康风险等级（低/中/高）的有序逻辑回归"
chatspss 会自动识别因变量的有序编码，调用累积 logit 模型，输出完整的模型检验表和回归结果表，无需安装 SPSS 或手动配置参数。
| 指标 | 含义 | 判断标准 |
|---|---|---|
| -2LL（仅截距） | 空模型（无自变量）的对数似然值×(-2) | 参考值，越大说明空模型越差 |
| -2LL（最终模型） | 含自变量后的对数似然值×(-2) | 比空模型小，说明模型改善了拟合 |
| 卡方（Chi-square） | 两个 -2LL 之差，检验模型整体显著性 | p < 0.05，模型整体有意义 |
| AIC / BIC | 模型信息量标准，用于多模型比较 | 值越小越好，同量纲下比较 |
| 伪 R²（McFadden / Nagelkerke） | 模型解释力参考指标 | McFadden > 0.2 为可接受；Nagelkerke > 0.2 为中等 |
结果表分为两部分——阈值参数和自变量系数：
| 指标 | 含义 | 怎么看 |
|---|---|---|
| 阈值（Threshold） | 各相邻类别分界点的截距，如 1|2、2|3…… | 固定模型结构用，通常不单独解读；阈值随类别边界递增表明编码正确 |
| 回归系数（B） | 自变量每变化 1 单位对累积 logit 的贡献 | B > 0 表示自变量增大时倾向更高等级；B < 0 反之 |
| 标准误（SE） | 系数估计的不确定性 | SE 越小，估计越稳定 |
| Wald χ² | 单个自变量的显著性检验 | 对应 p < 0.05，该变量显著影响因变量等级 |
| OR（优势比） | exp(B)，累积优势比 | OR > 1：倾向更高等级；OR < 1：倾向更低等级；OR = 1：无影响 |
| OR 95% CI | OR 的置信区间 | 区间不含 1，则该变量影响显著 |
chatspss 同步输出各类别的预测准确率表。参考标准：整体准确率高于基准准确率（即直接把所有样本归入最大频率类别的准确率）则模型有预测价值。
Q：平行线假设（比例优势假设）不满足怎么办？
若平行线检验显著（p<0.05），说明各自变量对不同分界点影响不一致。有三条出路：
① 改用无序多分类逻辑回归（multinomial logistic），不施加平行线约束，但会丢失因变量顺序信息；
② 使用偏比例优势模型（partial proportional odds），仅对违反假设的变量放开约束，其余变量保留一致系数；
③ 合并相邻类别减少等级数，重新检验。大多数论文中，若违反的变量数量较少（占总数 1/3 以内），可报告检验结果并说明理由后继续使用比例优势模型，或选用方案①切换到多分类。
Q：有序逻辑回归和线性回归有什么区别？
核心区别在因变量类型：线性回归要求连续数值型因变量且误差项正态分布；有序逻辑回归专为等级有序因变量设计，对类别间距离不做假设，输出累积对数优势（log-odds）而非数值预测。把等级量表（如 1-5 分）直接做线性回归是常见做法，但类别较少或分布严重偏态时，有序逻辑回归在学术规范上更严谨，论文审稿人通常不会提出异议。
Q：有序逻辑回归的 OR 值怎么解释？
有序逻辑回归的 OR 基于累积 logit，含义为：自变量每增加 1 单位，因变量落入「更高等级」的累积优势（odds）变为原来 OR 倍。OR>1 表示自变量增大时倾向更高等级；OR<1 表示倾向更低等级；OR=1 无影响。在比例优势假设成立时，这个解释对所有分界点一致适用，无需逐个分界点分别报告——这也是该模型相比多分类 logistic 的重要优势。
Q：和二元逻辑回归相比，什么时候才该用有序逻辑回归？
因变量有 3 个或以上有序等级时，优先考虑有序逻辑回归，而不是强行二分后用二元逻辑回归（强行二分会丢失信息、降低统计效力）。只有当研究关注点是特定分界点两侧（如"是否达到优秀"），或因变量类别合并后理由充分，才考虑做二值化再用二元逻辑。
Q：chatspss 有序逻辑回归支持哪些变量选择方法？
支持 4 种：Enter（强制进入，默认）、Stepwise（逐步法）、Forward（向前法）、Backward（向后法）。论文中通常先用 Enter 汇报全模型，若自变量较多可配合 Stepwise 做变量筛选。指令中可以直接说明，如："用逐步法对满意度等级做有序逻辑回归"。