在醫學研究中，為了控制一些重要的混雜因素，經常會把病例和對照按年齡，性別等條件進行配對，形成多個匹配組。各匹配組的病例數和對照人數是任意的，比如一個病例和若干個對照匹配即1：1，在醫學上稱作「1:1病歷對照研究」，常見還有1:M(M <=3)，即1個病例和1或2或3個對照匹配。
病歷對照研究或者傾向得分匹配研究（一種將研究數據處理成『隨機對照實驗數據』的方法）中常使用條件Logistic回歸進行分析。其與普通的二元logistic回歸區別在於，多出配對ID，即將配對組納入考慮範疇。
1、案例背景
某北方城市研究喉癌發病的危險因素，使用1:2匹配的病例對照研究方法進行調查。共有25對配對數據（每對3個，即25*3=75行數據）。現研究兩個影響因素分別是：是否吸菸和是否有癌症家族史。數據格式（部分）如下表：
提示：
條件logistic回歸時，數據中一定需要記錄配對編號，比如1:2的配對（1個病例配對2個對照，且共有20個組，組別編號從1到20，那麼同時會有3個1，3個2，3個3，類似下去），而且在分析時將配對編號放入對應框中。
配對編號ID：共有25對配對，編號從1~25，每個數字會重複3次（分別對應病例或對照組）；
Y是否患喉癌：數字1表示病例組即患喉癌，數字0表示對照組即沒有患喉癌；
X1是否吸菸：數字1表示吸菸，數字0表示不吸菸；
X2癌症家族史：數字1表示有家族患喉癌史，數字0表示沒有家族患喉癌史。
在做條件logistic回歸時，因變量只能為0和1二分類數據。數字中只能包括0和1，如果不是，可使用[數據處理]->[數據編碼]進行設置。
2、操作
本例子操作截圖如下：
3、結果分析
SPSSAU共輸出三個表格，分別是：「條件logit回歸模型似然比檢驗結果」，「條件logit回歸模型分析結果匯總」，「條件logit回歸模型分析結果匯總」。
①第一個表格：條件logit回歸模型似然比檢驗結果
模型似然比檢驗，用於分析模型是否有效；
在分析上，首先需要模型通過似然比檢驗，其原定假設為不加入X和加入X模型無明顯差異，如果對應的p值小於0.05，意味著拒絕原假設，也即說明模型有意義。
從上表可知：此處模型檢驗的原定假設為：是否放入自變量(X1是否吸菸, X2癌症家族史)兩種情況時模型質量均一樣；從上表可知，模型拒絕原定假設(chi=6.319，p=0.042 <0.05)，即說明本次構建模型時，放入的自變量具有有效性，本次模型構建有意義。
② 第二個表格：條件logit回歸模型分析結果匯總
包括模型的回歸係數，R方值等數據；
從上表可知：模型McFadden R方值為0.115，意味著是否吸菸, 癌症家族史共2項可解釋是否患喉癌的11.5%原因。
具體來看：X1是否吸菸的回歸係數值為1.243，並且呈現出0.05水平的顯著性(z=2.322，p=0.020 <0.05)，意味著X1是否吸菸會對Y是否患喉癌產生顯著的正向影響關係。以及 (RR值，exp(b)值)為3.465(95% CI:1.214~9.892)，意味著相對不吸菸群體，吸菸群體患喉癌的風險倍數會加大3.465倍。
X2癌症家族史的回歸係數值為-0.184，但是並沒有呈現出顯著性(z=-0.365，p=0.715>0.05)，意味著是否有癌症家族史並不會對患喉癌產生影響。
4、總結
分析過程涉及以下幾個關鍵點：
（1）條件logistic回歸時，數據中一定需要記錄下配對編號，比如1:2的配對（1個病例配對2個對照，且共有20個組，組別編號從1到20，那麼同時會有3個1，3個2，3個3，類似下去），而且在分析時將配對編號放入對應框中。
（2）條件logistic回歸時，因變量只能為0和1二分類數據，數字中只能包括0和1，如果不是，可使用數據處理->數據編碼進行設置。