要按性别和年龄进行逻辑回归分析，并报告结果，可以按照以下步骤操作：

1. 导入必要的库和数据：

import pandas as pd
import statsmodels.api as sm

# 读取数据
data = pd.read_csv('data.csv')

2. 对数据进行分层：

# 按性别和年龄分层
data['age_group'] = pd.cut(data['age'], bins=[0, 18, 30, 50, 100], labels=['<18', '18-30', '30-50', '50+'])

# 创建虚拟变量
dummy_vars = pd.get_dummies(data[['gender', 'age_group']])
data = pd.concat([data, dummy_vars], axis=1)

3. 定义自变量和因变量：

# 定义自变量和因变量
X = data[['gender_Female', 'gender_Male', 'age_group_<18', 'age_group_18-30', 'age_group_30-50', 'age_group_50+']]
y = data['response']

4. 进行逻辑回归分析：

# 添加截距项
X = sm.add_constant(X)

# 拟合逻辑回归模型
logit_model = sm.Logit(y, X)
result = logit_model.fit()

5. 输出分析结果：

# 输出回归结果
print(result.summary())

上述代码中，假设数据文件为"data.csv"，其中包含了性别、年龄和响应变量。首先，通过cut函数将年龄分为不同的年龄组，并使用get_dummies函数创建虚拟变量。然后，定义自变量和因变量，自变量包括性别和年龄组的虚拟变量，因变量为响应变量。最后，使用Logit函数和fit方法进行逻辑回归模型的拟合，并使用summary方法输出回归结果。

请根据具体的数据和需求进行适当的修改。