Logistic回归分析（版）.ppt

Logistic 回归分析SPSS 实习目标 （1）针对理论上介绍的三种Logisitic回归模型，要求掌握其基本思想。 （2）能根据不同的资料类型选择合适的Logisitic回归模型。 （3）能运用SPSS软件对各类型Logisitic回归进行统计分析，尤其结果解释（是重点，也是初学者的难点） （4）卡方检验（例8.11）及非参数的两两比较 概念 Logisitic回归属于概率型非线性回归，它是研究二分类、无序多分类及有序分类结果与一些影响之间关系的一种多变量分析方法。在流行病学研究中，经常需要分析疾病与各危险因素之间的定量关系，如食管癌的发生于吸烟、烟酒、不良饮食习惯等危险因素的关系，为了正确说明这种关系，需要排除一些混杂因素的影响，传统上常使用Mantel-Haenszel分层分析方法。 概念 但这种方法适用于样本含量大，分析因素较少的情况，此种资料不能用线性回归分析，而用Logisitic回归分析则可以较好地解决上述问题。Logistic回归属于概率性非线性回归,其应用已有多年的历史,最具有代表性的是Truett等人1967年成功地用于冠状动脉粥样硬化性心脏病(简称冠心病)危险因素的研究。 概念 目前,Logistic回归已经不局限于流行病学领域,已用于实验研究中药物和毒物的剂量效应分析、临床试验评价及疾病的预后分析等。Logistic回归与线性回归的思路大致相同,模型参数又具有鲜明的实际意义,已成为处理分类反应数据的常用方法。 二分类Logistic回归模型 模型参数的意义 模型参数的意义 二分类Logisitic回归分析 SPSS实现步骤：logistic_binary 分析 →回归 →二元 Logistic（G） Logistic 回归 → 因变量： 协变量： 分析前的准备工作 （1）分析因变量的数据特征，决定采用何种形式的Logisitic回归分析。 （2）分析自变量的数据特征。 （3）此处分析描述统计频率的操作 logistic_binary分析结果 结果解释 从上表可以看出，男性（sex=1）较女性（sex=0）较女性更容易患冠心病，男性患冠心病的优势（患病与不患病的比，P/(1-P)）是女性患冠心病的优势3.882倍，95%CI是（1.330, 11.330），心电图异常程度越高，越容易被诊断为冠心病，重度异常患冠心病的优势是轻度异常患冠心病的优势2.395倍，95%CI是（1.127,5.086），年龄越大的越容易患冠心病，增加1岁的优势比是1.097倍, 95%CI是(1.024,1.175) 试问: 心电图重度异常是正常的OR值及95%CI? 例17.1的两分类Logistic回归分析 多分类Logistic回归模型 多分类Logistic回归模型 无序多分类Logisitic回归分析 分析 →回归 →多元 Logistic（M） SPSS 自带的Vote.sav （也就是课本上的17.2） Logistic 回归 → 因变量： 因子：产生哑变量 协变量： 分析前的准备 对自变量和因变量作分析与初步探索 自变量：对美国总统候选人的作描述统计（频率），确定参照组（参比组）。 自变量：年龄、学历、教育年数及性别分析。 SPSS 自带的Vote.sav或例17.2结果 SPSS 自带的Vote.sav或例17.2结果 SPSS 自带的Vote.sav或例17.2结果 结果解释 由结果可知:Bush和Clinton相比,只有sex(性别)有统计学差异,P0.0001,OR=1.58, 说明男性选民中选择Bush的概率与选择Clinton概率之比较女性选民的这一比值的1.58倍。 Perot和Clinton相比,age(年龄)和sex(性别)有统计学差异,均P0.0001,OR 分别为0.971 和2.165;说明选民年龄每增加一岁选择Perot的概率是选择Clinton概率的0.971倍,男性选民 中选择Perot的概率与选择Clinton概率之比较女性选民的这一比值的2.165倍。 有序多分类Logisitic回归分析 有序多分类Logistic回归分析 分析 →回归 →Ordinal Satisfy.sav及课本例17.3 Logistic 回归 → 因变量： 因子：产生哑变量