多元logistics回归分析.pptVIP

【SAS输出结果】 The LOGISTIC Procedure ① Response Profile Ordered Total Value Y Count Weight 1 2 4 15.000000 2 1 4 25.000000 3 0 4 59.000000 ② Score Test for the Proportional Odds Assumption Chi-Square = 0.7505 with 2 DF (p=0.6871) ③ Model Fitting Information and Testing Global Null Hypothesis BETA=0 Intercept Intercept and Criterion Only Covariates Chi-Square for Covariates AIC 190.499 178.977 . SC 191.469 180.916 . -2 LOG L 186.499 170.977 15.522 with 2 DF (p=0.0004) Score . . 14.849 with 2 DF (p=0.0006) ④ Analysis of Maximum Likelihood Estimates Parameter Standard Wald Pr Standardized Odds Variable DF Estimate Error Chi-Square Chi-Square Estimate Ratio INTERCP1 1 -2.6680 0.4657 32.8270 0.0001 . . INTERCP2 1 -1.1711 0.3930 8.8820 0.0029 . . X1 1 1.6433 0.4380 14.0736 0.0002 1.358335 5.172 X2 1 -0.1903 0.4189 0.2063 0.6496 -0.157280 0.827 【结果解释】 ① 显示因变量y的排列数序：2，1，0。因此输出的是p(y=2)和p(y=1)的概率模型。 ② 多值logistic回归模型的平行性检验结果：p=0.6871，不能拒绝零假设，即模型的平行性成立。因此下面得到的回归模型具有解释意义。 ③ 模型的总体检验结果：p=0.0004，模型具有统计意义。 ④ 参数的检验结果：x1 (绷带种类)具有显著性统计意义(p=0.0001)，x2 (包扎方式)不具有显著性统计意义(p=0.6496)。 SPSS --Logistic回归分析 非条件Logistic回归分析 * 多元Logistics回归分析 李忠良 华中科技大学同济医学院 内容 基本原理 数学模型 方法步骤 系数解释 条件Logistics分析 应用 内容 基本原理 数学模型 方法步骤 系数解释 条件Logistics分析 应用 从数学角度看，logistic回归模型非常巧妙地避开了分类型变量的分布问题，补充完善了线性回归模型和广义线性回归分析的缺陷。 因变量y 是分类型变量，自变量x是与之有关的一些因素。但是，这样的问题却不能直接用线性回归分析方法来解决，其根本原因就在于因变量是分类型变量，严重违背了线性回归分析对数据的假设条件。 从数学角度看，很难找到一个函数y=f (x)，当x变化时，它对应的函数值y仅取两个或几个有限值。 研究者将所要研究的问题转换了一个角度，不是直接分析y与x的关系，而是分析y取某个值的概率p与x的关系。 分析因变量y取某个值的概率p与自变量x的关系，等价于寻找一个连续函数p=p(x)，使得当x变化时，它对应的函数值p不超出[0,1]范围。数学上这样的函数是存在且不唯一的，logistic回归模型就是满足这种要求的函数之一。 根据数据的类型，logistic回归分析分为两种： 一种是条件logistic回归(conditional logistic regression)，用于分析配对病例对照研究数据。 另一种是非条件logistic回归(unconditional logistic re