ロジスティック回帰分析とは？
― 二値・カテゴリ結果の発生確率を予測・要因分析

目的変数が「はい／いいえ」「発生／非発生」などのカテゴリ型である場合に、要因の影響や発生確率を推定する回帰分析手法。オッズ比により各要因の影響を定量化し、医療・マーケティング・調査など幅広い領域で活用されます。

難易度：★★☆ 想定読了：10分 最終更新 2026.05.20 監修：スマート・アナリティクス代表
分析手法を相談する SPSS製品選定を見る

ロジスティック回帰分析とは

ロジスティック回帰分析は、目的変数がカテゴリ型（主に二値：はい／いいえ、発生／非発生など）である場合に、要因の影響や発生確率を推定するための回帰分析手法です。通常の回帰分析が連続変数を予測するのに対し、ロジスティック回帰はロジット関数を介した確率モデルで「事象が起こる確率」を予測します。

ロジスティック回帰分析で分かること

  • 事象が発生する確率（予測確率）
  • 各要因（説明変数）が発生確率に与える影響の方向と大きさ
  • オッズ比による「○倍リスクが高い／低い」の定量化
  • 複数要因を同時に考慮した、調整済みの効果

ロジスティック回帰分析の主な種類

種類目的変数例
二項ロジスティック回帰2カテゴリ発症の有無、購入／非購入
多項ロジスティック回帰3カテゴリ以上・順序なし製品A／B／Cのどれを選ぶか
順序ロジスティック回帰3カテゴリ以上・順序あり満足度（高／中／低）、重症度（軽症／中等度／重症）

SPSSでロジスティック回帰分析を行うやり方（操作手順）

SPSS Statistics に SPSS Regression オプションを追加すると、メニュー操作だけでロジスティック回帰分析を実行できます。ここでは最もよく使われる二項ロジスティック回帰のやり方を、手順に沿って解説します。

  1. ステップ1：データを準備する
    目的変数（「発症あり／なし」など2値のカテゴリ変数）と説明変数を1つのデータセットにそろえ、変数ビューで各変数の尺度を正しく設定します。
  2. ステップ2：メニューを開く
    メニューから ［分析］→［回帰］→［二項ロジスティック］ を選択します。多カテゴリなら［多項ロジスティック］、順序のある目的変数なら［順序］を選びます。
  3. ステップ3：変数を指定する
    2値の目的変数を「従属変数」に、説明変数を「共変量」に投入します。
  4. ステップ4：カテゴリ変数を指定する
    「カテゴリ」ボタンから、性別や治療群などの名義尺度の説明変数をカテゴリ共変量として登録し、参照カテゴリを設定します。
  5. ステップ5：変数選択の方法を選ぶ
    「方法」で、すべての説明変数を一度に投入する「強制投入法」か、統計的基準で取捨選択する「ステップワイズ法」を選びます。仮説が明確なら強制投入法が基本です。
  6. ステップ6：オプションを設定する
    「オプション」からHosmer-Lemeshowの適合度検定、Exp(B)の95%信頼区間などにチェックを入れます。必要に応じて「保存」で予測確率を保存します。
  7. ステップ7：実行して結果を読み取る
    ［OK］で実行し、モデルの適合度（Hosmer-Lemeshow検定）、分類テーブル（予測精度）、「方程式中の変数」表の係数B・有意確率・Exp(B)＝オッズ比を確認します。

研究・ビジネスでの利用シーン

発症リスク要因の特定

医療研究

疾患の発症有無を目的変数に、年齢・生活習慣・既往歴などを調整した分析で、オッズ比により独立したリスク要因を抽出します。

解約・離反の予測モデル

マーケティング

過去の利用ログを説明変数として解約確率を予測。スコアリングして優先順にリテンション施策を打つ運用が可能です。

選択行動のモデル化

調査・選好分析

多項ロジスティック回帰で複数選択肢の選好をモデル化し、属性が選択に与える影響を分析します。

SPSSで実施する場合の製品選定

分析する目的変数のカテゴリ数によって、必要となるSPSSのオプションモジュールが異なります。設計段階で「2値か多カテゴリか」を整理し、必要な製品をご確認ください。

分析内容対応製品備考
二項ロジスティック回帰IBM SPSS Statistics Base ＋ SPSS RegressionBaseにRegressionの追加が必要
多項ロジスティック回帰IBM SPSS Statistics Base ＋ SPSS Regression3カテゴリ以上の選択行動などに対応
順序ロジスティック回帰IBM SPSS Statistics Base ＋ SPSS Regression順序尺度の目的変数を扱う場合
反復測定／階層構造データIBM SPSS Statistics Base ＋ Advanced StatisticsGEE・線形混合モデルで拡張

分析時の注意点

  • サンプルサイズはEPV（最も少ない結果カテゴリのケース数÷説明変数の数）が10〜20以上になるよう設計する
  • 説明変数間の強い相関（多重共線性）に注意する
  • モデルの当てはまりはHosmer-Lemeshow検定、判別力はROC曲線・AUCで評価する
  • オッズ比はリスク比とは異なる指標である点に注意して解釈する

結果の読み取りポイント（出力表の読み方）

SPSSの二項ロジスティック回帰では多くの表が出力されますが、報告に使う中心は次の3つです。

出力表見る指標読み取り方
モデル係数のオムニバス検定／Hosmer-Lemeshow検定カイ2乗・有意確率オムニバス検定はモデル全体が意味を持つかの検定で、有意（p<0.05）が望ましい結果です。逆にHosmer-Lemeshow検定は「有意でない」ほどモデルがデータに適合していると判断します。向きが逆になる点に注意してください。
分類テーブル全体の的中率予測確率0.5を境に分類した場合に、実際の結果を何％言い当てられたかを示します。事象の発生割合に大きな偏りがあるデータでは見かけの的中率が高く出るため、ROC曲線・AUCと併せて評価します。
方程式中の変数B・Wald・有意確率・Exp(B)・95%信頼区間Exp(B)がオッズ比です。95%信頼区間が1をまたいでいないことが「その要因の影響が統計的に有意」であることの目安になります。

補足として、Cox-Snell R²・Nagelkerke R²は線形回帰のR²に相当する近似指標ですが、解釈はあくまで参考程度にとどめ、適合度はHosmer-Lemeshow検定、判別力はAUCで評価するのが標準的です。

よくあるつまずきと対処のヒント

  • オッズ比を「リスクが◯倍」と説明してしまう — オッズ比はリスク比（発生率の比）と一致しません。特に事象の発生割合が高い場合は乖離が大きくなるため、「オッズが◯倍」と正確に記述します。
  • 推定が収束しない・係数や標準誤差が異常に大きい — 説明変数の組み合わせで結果がほぼ完全に分かれる「完全分離（準完全分離）」が疑われます。カテゴリの統合、説明変数の削減、サンプルの追加などで対処します。
  • イベント数が足りないまま多数の変数を投入する — 少ない方の結果カテゴリの件数が説明変数1個あたり10〜20件（EPV）を下回ると、推定が不安定になります。変数を絞るか、データを追加します。
  • 参照カテゴリの設定を取り違える — カテゴリ共変量の参照カテゴリ（最初／最後）の設定次第でExp(B)の向きが逆になります。出力の脚注でどちらを基準にした値かを必ず確認します。
  • 連続変数の線形性を確認していない — ロジスティック回帰は「連続の説明変数とロジットが線形の関係にある」ことを仮定します。年齢などで関係が非線形の場合は、カテゴリ化や二乗項の追加を検討します。

ロジスティック回帰とROC分析、専門家がサポートします

分析設計から結果解釈・論文記述まで——研究テーマに応じてご相談いただけます。
「分析アドバイザリーサービス：ロジスティック回帰とROC分析」もご利用いただけます。

無料オンライン相談（30分） アドバイザリーを見る

お電話でのご相談：0120-835-761　受付 9:00–18:00（土日祝除く）

よくあるご質問

Q.ロジスティック回帰分析と通常の回帰分析は何が違いますか？
通常の回帰分析は連続変数を目的変数に取りますが、ロジスティック回帰分析は「はい／いいえ」「発生／非発生」などのカテゴリ変数を目的変数に取ります。ロジット関数を用いた確率モデルで発生確率を推定する点が特徴です。
Q.SPSSでロジスティック回帰分析を行うやり方を教えてください。
メニューの［分析］→［回帰］→［二項ロジスティック］を開き、2値の目的変数を「従属変数」に、説明変数を「共変量」に投入します。名義尺度の変数は「カテゴリ」ボタンで指定し、［OK］を押すと分類テーブルとオッズ比（Exp(B)）が出力されます。
Q.オッズ比はどのように解釈すればよいですか？
オッズ比は説明変数が1単位増加したときに、事象が発生するオッズが何倍になるかを示します。1より大きければ発生確率を高める方向、1より小さければ低める方向の影響であると解釈します。リスク比ではない点に注意します。
Q.ロジスティック回帰分析の結果はどこを見ればよいですか。
まずHosmer-Lemeshow検定と分類テーブルでモデルの当てはまりと予測精度を確認し、次に「方程式中の変数」表で各説明変数の有意確率とExp(B)（オッズ比）を読み取ります。
Q.Hosmer-Lemeshow検定とは何ですか。
ロジスティック回帰モデルがデータにどれだけ適合しているかを評価する検定です。有意確率が大きい（有意でない）ほど、モデルが観測データによく適合していると判断します。
Q.必要なサンプルサイズはどれくらいですか？
目安として、最も少ない結果カテゴリのケース数が説明変数1個あたり10〜20件以上（EPV）になるよう設計します。サンプルが少ないと推定が不安定になる可能性があります。
Q.二項・多項・順序ロジスティックはどう使い分けますか？
目的変数のスケールに応じて選択します。2カテゴリの場合は二項、3カテゴリ以上で順序がない場合は多項、3カテゴリ以上で順序がある場合は順序ロジスティック回帰を用います。
Q.SPSSで実施する場合、どのオプションモジュールが必要ですか？
二項・多項・順序のいずれのロジスティック回帰も、SPSS Statistics Base に加えて SPSS Regression オプションが必要です。Baseには線形回帰までが含まれ、カテゴリ結果を扱うロジスティック回帰を実行するにはRegressionの追加が前提となります。
Q.ROC曲線・AUCはどの製品で出力できますか？
ROC曲線はSPSS Statistics Baseの標準機能です。ロジスティック回帰の「保存」で予測確率を保存し、［分析］→［分類］→［ROC曲線］で予測確率を検定変数に指定すると、ROC曲線とAUCが出力されます。
Q.「推定が収束しない」「標準誤差が極端に大きい」場合はどうすればよいですか？
説明変数の組み合わせで結果がほぼ完全に分かれてしまう「完全分離（または準完全分離）」が起きている可能性があります。カテゴリの統合、説明変数の削減、サンプルの追加などを検討します。
Q.連続変数とカテゴリ変数を説明変数に混在させられますか？
可能です。連続変数はそのまま「共変量」に投入し、名義尺度の変数は「カテゴリ」ボタンでカテゴリ共変量として指定して、参照カテゴリを設定します。
Q.粗オッズ比と調整オッズ比は何が違いますか？
粗オッズ比は1つの要因だけを使った単変量解析によるオッズ比、調整オッズ比は複数の要因を同時に投入した多変量解析によるオッズ比です。他の要因の影響を取り除いた調整オッズ比のほうが、その要因の独立した影響を示します。

お気軽にご相談ください0120-835-761受付時間 9:00-18:00 [ 土・日・祝日除く ]

問合せ・見積・注文をする お気軽にお問い合わせください