二项logistic回归分析是不是对数据要求很严格 其实，对于源数据而言，主要是缺失值的影响较大，因此如果缺失值超过5%的话，分类效果会明显受影响。所以对缺失值进行替代、或删除样本等手段，就是为了弥补缺失值的影响。而原始数据是连续性还是离散型，这个则没有过多要求。如果发现分类效果不太理想，可以试试将原始数据进行归一化，或标准正态化。因为这2种方法可以消除自变量之间的量纲差异。而量纲差异太大的话，对分类效果也有影响。
STATA中回归结果里的SS MS分别是什么？ SS是平方和，它所在列的三个数值分别为回归误差平方和（SSE）、残差平方和（SSR）及总体平方和（SST），即分别为Model、Residual和Total相对应的数值。df（degree of freedom）为自由度。MS为SS与df的比值，与SS对应，SS是平方和，MS是均方，是指单位自由度的平方和。coeft表明系数的，因为该因素t检验的P值是0.000，所以表明有很强的正效应，认为所检验的变量对模型是有显著影响的。F是F test F 检验，联合显著检验值，是表明相关性的系数。Stata具有如下统计分析能力：1、相关与回归分析：简单相关，偏相关，典型相关，以及多达数十种的回归分析方法，如多元线性回归，逐步回归，加权回归，稳键回归，二阶段回归，百分位数(中位数)回归，残差分析、强影响点分析，曲线拟合，随机效应的线性回归模型等。2、数值变量资料的一般分析：参数估计，t检验，单因素和多因素的方差分析，协方差分析，交互效应模型，平衡和非平衡设计，嵌套设计，随机效应，多个均数的两两比较，缺项数据的处理，方差齐性检验，正态性检验，变量变换等。
缺失值在回归前一般是要处理的，有多种处理方式.1均值替代；2多重补漏分析 （一）个案剔除法(Listwise Deletion)最常见、最简单的处理缺失数据的方法是用个案剔除法(listwisedeletion)，也是很多统计（如SPSS和SAS）默认的缺失值处理方法。在这种方法中如果任何一个变量含有缺失数据的话，就把相对应的个案从分析中剔除。如果缺失值所占比例比较小的话，这一方法十分有效。至于具体多大的缺失比例算是“小”比例，专家们意见也存在较大的差距。有学者认为应在5%以下，也有学者认为20%以下即可。然而，这种方法却有很大的局限性。它是以减少样本量来换取信息的完备，会造成资源的大量浪费，丢弃了大量隐藏在这些对象中的信息。在样本量较小的情况下，删除少量对象就足以严重影响到数据的客观性和结果的正确性。因此，当缺失数据所占比例较大，特别是当缺数据非随机分布时，这种方法可能导致数据发生偏离，从而得出错误的结论。（二）均值替换法(Mean Imputation)在变量十分重要而所缺失的数据量又较为庞大的时候，个案剔除法就遇到了困难，因为许多有用的数据也同时被剔除。围绕着这一问题，研究者尝试了各种各样的办法。其中的一个方法是均值替换法(meanimputation)。我们将变量的属性分为数值型和非数值型来分别进行处理。如果缺失值是。
