1、資料錄入SPSS。
2、選擇Analyze→Regression→Binary Logistic。
3、主對話方塊設定：將因變數cancer送入Dependent框中，將納入模型的自變數sex, age, BMI和COPD變數Covariates中。本研究中，納入age變數僅僅是為了調整該變數帶來的混雜（不關心該變數的OR值），因此將age直接將改變數納入Logistic迴歸模型。
4、Categorical設定：該選項可將多分類變數（包括有序多分類和無序多分類）變換成啞變數，指定某一分類為參照。本研究中，COPD是多分類變數，我們指定“無COPD病史”的研究物件為參照組，分別比較“輕/中度”和“重度”組相對於參照組患肺癌的風險變化。
6、Hosmer-Lemeshow goodness-of-fit：檢驗模型的擬合優度； CI for exp(B)：結果給出OR值的95%可信區間； Display→At last step：僅展示變數篩選的最後一步結果。 →Continue→回到主介面→OK。
1、資料錄入SPSS。
2、選擇Analyze→Regression→Binary Logistic。
3、主對話方塊設定：將因變數cancer送入Dependent框中，將納入模型的自變數sex, age, BMI和COPD變數Covariates中。本研究中，納入age變數僅僅是為了調整該變數帶來的混雜（不關心該變數的OR值），因此將age直接將改變數納入Logistic迴歸模型。
4、Categorical設定：該選項可將多分類變數（包括有序多分類和無序多分類）變換成啞變數，指定某一分類為參照。本研究中，COPD是多分類變數，我們指定“無COPD病史”的研究物件為參照組，分別比較“輕/中度”和“重度”組相對於參照組患肺癌的風險變化。
6、Hosmer-Lemeshow goodness-of-fit：檢驗模型的擬合優度； CI for exp(B)：結果給出OR值的95%可信區間； Display→At last step：僅展示變數篩選的最後一步結果。 →Continue→回到主介面→OK。