模型参数对结果解读相当重要，其中β0为常数项，β1，β2……。βm分别为m个自变量的偏回归系数。
由上述公式可知，偏回归系数βm表示扣除了其他自变量的影响，自变量xm改变一个单位时logitp的改变量。
知道了Logistic回归的原理，SPSS的操作马上呈现给大家。例：比较新疗法与旧疗法治疗某种疾病的疗效。共40例患者，20例接受新疗法，20例接受旧疗法治疗。根据专业知识，患者的病情严重程度、年龄对疗效也有影响。如何评价新旧疗法的疗效(注：作为举例，本例样本量仅为40例，由于样本量太小，Logistic回归的结论仅作为参考)
变量说明：Y：治愈情况，1=治愈;0=未治愈;X1：病情严重程度，0=不严重，1=严重;X2：年龄。X3：治疗方法，0=新疗法，1=旧疗法。
执行Analyze-Regression-Binary Logistic
将y选入因变量，x1，x2，x3选入自变量。这里注意一下，当自变量的个数较多时，为了使建立的Logistic回归模型比较稳定和便于解释，应尽可能将回归效果显著的自变量选入模型中，将作用不显著的自变量排除在外。具体方法有前进法、后退法和逐步法(后退法最好)，一般默认为Enter(全部进入)。
在一系列点击菜单的操作后，我们终于看到了输出结果。首先是对Logistic回归模型的检验。
经统计学检验，模型c2=13.951，P=0.003，Logistic回归模型有显著性。
根据模型，病情严重程度与治疗方法对患者的治愈情况有影响;其中病情严重组相对于不严重组，OR=0.203，95%置信区间为(0.038，1.092)(区间包括1，缺乏实际意义,不多作解释);旧疗法组相对于新疗法组，OR=0.103，95%置信区间为(0.019，0.553)。
鉴于Logistic回归的自变量既可以是连续变量，也可以是分类变量。对于连续变量、二分类变量和等级变量无需特殊处理，但如果自变量是名义变量，我们需要将名义变量哑变量化，可通过Categorical按钮来实现。