你是否把變量和主成分搞混了？表中的9個是主成分。 9個變量的主成分是9個，但前3個主成分的累積方差貢獻率超過95%，做主成分分析綽綽有餘。其它主成分對應的特徵值或方差明顯小一個檔次，如果檢驗一下，應該與零沒有顯著差別，必須省略掉。前3個用來做主成分回歸是足夠的。 實際上只要前兩個主成分累積貢獻率超過80%(70%也是勉強可接受的)，就直接用前兩個主成分來進行分析。2維可以直觀地輸出圖。3維不直觀。這是規範的做法。

1、數據錄入SPSS。

2、選擇Analyze→Regression→Binary Logistic。

3、主對話框設置：將因變量cancer送入Dependent框中，將納入模型的自變量sex, age, BMI和COPD變量Covariates中。本研究中，納入age變量僅僅是為了調整該變量帶來的混雜（不關心該變量的OR值），因此將age直接將改變量納入Logistic回歸模型。

4、Categorical設置：該選項可將多分類變量（包括有序多分類和無序多分類）變換成啞變量，指定某一分類為參照。本研究中，COPD是多分類變量，我們指定“無COPD病史”的研究對象為參照組，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。 

5、點擊Categorical→將左側Covariates中的COPD變量送入右側Categorical Covariates中。

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：僅展示變量篩選的最後一步結果。 →Continue→回到主界面→OK