在SPSS中做逻辑回归时，有没有办法去掉独立变量中的参考类别，使它们都平等地相互比较，而不是与参考类别进行比较？
当你有一个分类预测变量时，最基本的建模编码方式，有时也被称为规范表示，就是对预测变量的每个级别使用0-1的指标，每一种情况下，其类别对应的指标取值为1，其他指标取值为0。SPSS中的多元逻辑回归程序(NOMREG)就采用了这种参数化。
如果用一个单一的分类预测指标运行NOMREG，其结果是 k 级，建立设计矩阵，截距列和。k 指标变量，除非您抑制截距。如果截距仍然存在于模型中，那么最后一个指标将是多余的，它与截距和第一个指标线性相关。k-1个指标。另一种说法是，设计矩阵的等级不足，因为任何一列都可以预测到其他的 k 列。
作为主效应输入的任何额外的分类预测因子也是同样的冗余（仅指 k-1个 k 指标可以是非冗余的）。) 如果您在分类预测因子之间增加了交互作用，那么两个预测因子的每一个水平组合都会产生一个指标，但考虑到交互作用之前的截距和主效应，这些指标中不止一个也是多余的。
因此，模型的基本或规范表示是过度参数化的，这意味着它的参数多于可以唯一估计的参数。通常有多种方法来处理这一事实。一种方法是在NOMREG和SPSS中的大多数其他较新的回归型建模程序中使用的方法，即使用设计矩阵的交叉乘积的广义逆，其效果是将与冗余列相关的参数别名为0，你会看到这些参数在SPSS输出中用0值表示，没有标准误差或其他统计数据。
SPSS中用于处理基本模型的过参数化性质的另一种方法是将设计矩阵重新参数化为全秩，这涉及到创建 k-1 编码变量，而不是 k 每一个主效应的指标，并由此创建交互变量。这就是逻辑回归中采取的方法。
请注意，只要设计矩阵中有适当的唯一列总数，无论对参数化作出何种选择，逻辑回归（或其他形式的线性或广义线性模型）的整体模型拟合度和预测值都是相同的。当然，特定的参数估计值在很大程度上取决于所使用的特定参数化，但你可以使用任何其他有效方法的结果来推导出任何一种有效方法的结果。
如果有 k 在分类预测器中的水平，有 k-1个自由度的比较 k 组，也就是说，一旦你做了 k-1线性独立或非冗余的比较，任何其他的都可以从这些比较中得出。
所以简短的回答是不，你不能做你所说的事情，但你不需要，因为任何有效参数化的结果将允许你推导出其他任何一个参数化的结果。