研究背景
某城市交通规划部门调查了 60 名通勤者，记录了他们主要使用的交通方式（1=公交、2=私家车、3=地铁）、单程通勤距离（公里）与月收入（千元）。规划部门想知道这两个因素如何影响交通方式的选择，以便针对性地优化公共交通供给。
研究问题
通勤距离与月收入是否影响交通方式的选择？相对于公交，各自的优势比是多少？
数据说明
60 行 × 3 列。第 1 列为无序三分类因变量「交通方式」，第 2、3 列为连续预测变量。因变量各类别互斥且无自然顺序，因此不能用有序 Logistic，而要用多元（无序）Logistic 回归。三个类别在两个预测变量上都有明显重叠，不存在完美区分。
示例数据
交通方式,通勤距离,月收入 1,5.0,2.0 1,4.1,7.2 1,6.3,6.2 1,10.2,9.2 1,8.0,8.4 1,8.6,8.5 1,4.6,7.2 1,4.2,4.9 1,3.6,2.0 1,3.5,7.3 1,9.1,9.7 1,5.6,5.2 1,8.0,5.7 1,1.5,3.9 1,5.4,2.0 1,8.5,5.9 1,5.5,11.8 1,10.4,5.2 1,5.7,2.0 1,6.5,8.4 2,1.0,8.9 2,7.4,5.3 2,8.2,6.5 2,11.8,7.7 2,8.9,7.0 2,1.0,13.9 2,5.4,10.2 2,8.5,9.9 2,9.6,10.8 2,12.8,14.1 2,13.0,6.1 2,13.3,9.9 2,8.5,13.8 2,7.1,11.4 2,9.1,9.9 2,6.0,12.1 2,9.4,11.9 2,7.2,13.4 2,8.4,13.9 2,15.7,10.2 3,15.7,11.4 3,16.1,8.9 3,7.9,13.1 3,14.7,7.1 3,10.5,10.2 3,10.7,9.4 3,14.0,5.2 3,9.5,11.3 3,10.6,6.5 3,13.8,6.1 3,6.0,11.1 3,15.2,4.9 3,12.1,8.4 3,13.2,4.9 3,17.0,4.9 3,5.6,7.1 3,16.7,8.1 3,12.5,8.1 3,15.5,10.5 3,11.1,5.0
分析步骤
步骤 1：确认因变量是无序多分类
公交、私家车、地铁之间没有大小顺序，只有类别差异。若因变量有自然顺序（如满意度 1-5），应改用有序 Logistic 回归，那样只需一组系数、检验力更高。
提示：判断标准：能否说「类别 3 大于类别 2」？不能就是无序，用多元 Logistic。
步骤 2：指定参照类别
多元 Logistic 会为除参照外的每一个类别各拟合一个方程。默认取编码最小的类别（此处为公交）作参照，所有 OR 都读作「相对公交」。若研究关心的是「相对私家车」，需手动改参照类别。
步骤 3：看整体模型是否成立
先看似然比检验：LR χ² 与模型 p 值判断「所有预测变量的系数同时为 0」是否被拒绝。整体不显著时，逐个系数的解释没有意义。McFadden 伪 R² 给出模型解释力的粗略量级（0.2 以上算拟合优良）。
步骤 4：逐类解读 OR
每个类别一组系数表。OR 大于 1 表示该预测变量每增加 1 单位，选择该类别而非参照类别的几率提高；OR 小于 1 则降低。务必同时看 95% CI——区间跨过 1 说明该项不显著。
提示：本例中「地铁 vs 公交」的通勤距离 OR = 1.77，明显大于「私家车 vs 公交」的 1.30，符合直觉：距离越长越倾向轨道交通。
步骤 5：检查混淆矩阵与完全分离
混淆矩阵给出表观分类正确率。若某类别可被预测变量几乎完美区分，会出现系数与标准差异常大的「完全分离」现象，此时 OR 与 p 值都不可信，工具会给出琥珀色警告。
结果解读
结论
整体模型显著（LR χ²(4) = 46.52, p < .001），通勤距离与月收入共同影响交通方式选择，McFadden 伪 R² = 0.353，表观分类准确率 70.0%。相对公交：月收入对选择私家车有显著正向作用（OR = 1.73, p = .001），对选择地铁则未观察到统计学显著作用（OR = 1.35, 95% CI [0.95, 1.92], p = .093）；通勤距离对两者都显著，且对地铁的效应更强（OR = 1.77, p < .001 vs OR = 1.30, p = .048）。
为什么这样解读？
多元 Logistic 把「多分类选择」拆成若干个「选它还是选参照」的二元问题，因此每个 OR 都必须连同参照类别一起报告，脱离参照谈 OR 是无意义的。本例最有教学价值的是月收入这一项：它对私家车显著、对地铁不显著，说明同一个预测变量在不同「类别 vs 参照」的方程里可以给出完全不同的答案——这正是多元 Logistic 与有序 Logistic 的分野。此外，表观正确率 70% 是用建模数据自己评估的，必然偏乐观，只能作为参考而非泛化性能的证据。
如何在论文中报告
采用多元（无序）Logistic 回归考察通勤距离与月收入对交通方式选择的影响（N = 60，以公交为参照类别）。整体模型显著，LR χ²(4) = 46.52, p < .001，McFadden 伪 R² = 0.35，表观分类准确率 70.0%。通勤距离每增加 1 公里，选择地铁而非公交的几率提高 77%（OR = 1.77, 95% CI [1.31, 2.38], p < .001），选择私家车而非公交的几率提高 30%（OR = 1.30, 95% CI [1.00, 1.68], p = .048）。月收入每增加 1 千元，选择私家车而非公交的几率提高 73%（OR = 1.73, 95% CI [1.24, 2.39], p = .001），而对地铁与公交的选择差异无统计学显著关联（OR = 1.35, 95% CI [0.95, 1.92], p = .093）。
常见错误
对有序因变量使用多元 Logistic
若类别有自然顺序（如「从不/偶尔/经常」），多元 Logistic 会丢弃顺序信息，导致系数增多、检验力下降。应改用有序 Logistic 回归，并检验比例优势假设。
报告 OR 时不说明参照类别
「OR = 1.77」本身无法解读，必须写成「相对公交，选择地铁的 OR = 1.77」。换参照类别后所有 OR 都会变，论文中应明确标注参照组。
忽略完全分离警告
样本量小或类别可被完美预测时，MLE 不收敛，系数与标准差会趋向无穷大，得到荒谬的 OR 与 p < .001。此时应合并稀疏类别、减少预测变量，或改用 Firth 惩罚似然。
把表观正确率当作模型泛化能力
表观正确率是「用同一批数据建模又用它分类」的结果，系统性偏高。评估泛化性能应使用交叉验证或独立验证集。