：二元中自变量的处理和解读——无序多分类变量的处理。在实际进行的过程中，我们会遇到很多现实问题，尤其是在自变量的处理上经常拿不准。比如自变量是否一定是二分类变量?多分类变量作为自变量如何处理?连续变量是否可以当做自变量?多分类变量和连续变量做自变量的时候，结果or值如何解读等等。
无序多分类变量作为自变量的设置
所谓的无序多分类变量，通常是指变量有多种情况，但各种情况的赋值间不存在大小上的差异。比如用数值代表患者的居住地(1=北京，2=上海，3=广州，4=成都……)。此时数值的大小并没有实际意义，因此我们需要用到前面介绍过的哑变量的概念。在中，并不用手动生成哑变量，而只是简单的在的“分类”选项中进行设置就好了。
举个例子：我们希望探讨教育程度、家庭收入、居住地这三个因素(自变量)是否与患者脱落(因变量)之间存在关系。在建立模型分析的时候，我们会这样引入变量：
其中“地址”变量是无序多分类变量。我们要通过上面对话框右上角的“分类”选项将其转换为哑变量。
如图所示，将地址变量选中，之后通过中间的方向符号丢到右边“分类协变量”区域。下面“更改对比”框中的“对比(n):”可以选择“指示符”或是“简单”，参考类别选择任意一个皆可。点击继续，地址变量就已经成功被标记为按哑变量处理了。这一步骤对于无需多分类变量可以说是必须选项，否则会认为我们的数据的数值之间存在大小的差异，比如2比1大1个单位，4比1大3个单位……导致出现错误的分析结果。
同样别忘了在选项中选择输出or值的可信区间，如下图：
变量筛选方法我们选择向后的方法(图1)。
结果解读
hosmer 和 lemeshow 检验
从hosmer-lemeshow检验看，模型的拟合还是不错的，p>0.1。
再看模型中的变量：
我们看到，模型中的地址变量已经被当做了4个变量处理了，在结果输出中占了4行。其中第一行是参考类别，也就是我们在“分类”选项中选择的“最后一个”或是“第一个”。在这个例子中，我们选择的是最后一个，也就是“地址”变量中“4”对应的地址。具体对应关系如下：
结果的解读我们就不多说了，详细解读可参照“：(logistic regression)概述”。我们看到“地址”对应的一系列哑变量中，参照组是没有参数估计和or值(exp(b))的。原因很简单，参照嘛，本身就是被别人比的，or自然也应该是1。其实在中，我们可以吧参照组想象为其他哑变量(地址1~3)的共用“0”。
也正因此，地址(1)~地址(3)的or值，其意义也是：当患者来源于“地址(1)”时，其脱落的风险是患者来源于“地址”(此处为参照项)时的or倍。
