“曲线”可能意味着几何上的任何东西，而不是正在使用的刻度上的直线。所以，这可能意味着很多事情，包括用另一个变量的幂、指数、对数、三角函数和双曲函数等来最好地解决的行为等。

使用逻辑回归不会改变任何类型的回归类建模中的标准：只要有足够的数据，您的模型中可以包含任何有意义的预测变量（所谓的自变量）。

除了这些一般性陈述之外，在模型中尝试二次项和线性项通常是添加一些曲率的好方法。因为您使用的是 logit 量表，所以这里需要改进直觉。特别是，如果您在平方项上的系数为负，则您在概率标度上拟合了一种钟形。这通常是生态学中的一个特征，其中生物体出现的概率对于环境预测器的某个中间值来说是最大的。简单来说，它可能太热、差不多、太冷等等。请参阅http://www.cambridge.org/gb/knowledge/isbn/item5708032/了解一个好帐户。

我相信其他人会添加有关 SPSS 的建议。

除了@Nick 的出色回答，让我添加一些关于我在工作中遇到的非线性关系建模的实用内容。例如，在流行病学中，我们经常面临非线性剂量反应关系。一个例子是每天吸烟的数量与死亡风险之间的关系。一种常见的方法是对暴露进行分类，但这是次优的。拟合非线性关系的两种相对常见的方法是分数多项式和样条。这三篇论文很好地介绍了这两种方法：第一、第二和第三。还有一本书. 这些方法对非线性关系建模非常灵活，它们不仅限于流行病学中的应用，还可以应用于其他框架。正如@Nick 所说：非线性关系不仅限于线性回归，也可以用于逻辑回归（当然还有其他）。请注意比例不同（logit）。

关于 SPSS：SPSS目前似乎不支持分数多项式，但 Stata、R 和 SAS 支持。另一方面，样条线似乎受到支持。