SPSS19.0统计软件在医学统计中的应用.ppt

非条件Logistic回归实例解析 SPSS19.0简介 SPSS的全称 Statistical Program for Social Sciences，即社会科学统计程序。该软件是公认的最优秀的统计分析软件包之一。 SPSS19.0软件面向行业应用人员，软件设计突出统计方法的成熟、实用、易用性、界面易操作性及与文字处理软件等的交互性上。 相比以前SPSS版本，19.0版具备多国语言操作界面，当然也有中文版的！在18.0版前都是英文版的，除非安装中文破解版，但装破解版的容易引起一些系统错误。 本人可提供软件：SPSS19.0版：win7-64试用版 win7-32破解版、云端版 SPSS18.0版：云端版 一、Logistic回归分析的基本思想 多重线性回归模型适用于分析一个连续型因变量与一组自变量之间的关系，但如果因变量为分类变量，那么因变量与自变量之间就丧失了线性关系，则不适用线性回归分析来解决，但经过Logit变化后，就可以将模型转变为线性关系，这就产生了Logistic回归模型。 1、线性回归资料： 比如肺活量可能与患者的年龄、身高、体重、胸围等因素是否有关？ 适合用线性相关与回归的模型。 2、分类回归资料： 比如冠心病发生与否和患者的性别、年龄、心电图是否异常等因素是否有关？ 适合用非条件Logistic回归模型。 3.Logistic回归模型分类： （1）非条件Logistic回归：又称为二分类Logistic回归，即回归模型中的因变量是二元分类变量，比如疾病发生与否和患者年龄、性别、体重等因素是否有关。 （2）条件Logistic回归：又称为1：1配对Logistic回归，即回归模型中的因变量是多元分类变量，比如以年龄为配对条件，有无肺癌的患者与饮酒、服用NSAIDs 、服用激素等因素是否有关。 二、了解Logistic回归分析的医学应用 1.校正混杂因素： 将研究因素、混杂因素及其交互作用全部纳入模型，能够在控制混杂因素的作用下，对研究因素与因变量间的联系作出定量描述。 2.筛选危险因素： 如果自变量太多或变量作用不清楚，则需要事先按规定的检验水准，将有统计学意义的变量纳入模型，而将无统计学意义的变量剔除，以保证模型最优。 3.预测与判断： 这是非条件Logistic回归的重要作用，我们可以给定变量的数值，则可通过回归方程计算相应的概率预测值，对个体所属类别作出概率性的判断。 三、SPSS19.0实例应用与解析 1、自变量进入模型的方法： 一般分为：进入法（enter）、前进法（forward）和后退法（backward）3种，后两种方法还可以分为条件（conditional）、偏拟然比（LR）和Wald检验3种。如果变量较少，通常采用进入法，如果变量太多，则选用前进LR，前进LR相当于多重线性回归分析中的逐步回归，本例当中采用进入法。 2、自变量---设置哑变量 如果自变量为多分类变量，比如血型，由于多分类变量和因变量之间不存在线性关系，需用哑变量的方式来分析，系统将产生K-1个哑变量（K为该变量的水平数） 哑变量设置有对比方式和参考类别两种设置项目，对比方式有指示符、简单、差值等形式，我们通常默认指示符，而参考类别需要以最后一个或者第一个为参照，其他水平与参考水平做比较。 本例的心电图表现哑量设置 若以第一个（F）为参考，产生2个哑变量如下： 0 0 该组为参考的正常水平，在统计中无法体现。 1 0 该组反映轻度异常与正常水平的比较。 0 1 该组反映重度异常与正常水平的比较。 若以最后一个（L）为参考，产生2个哑变量如下： 1 0 该组反映正常组与重度异常的比较 0 1 该组反映轻度异常与重度异常的比较。 0 0 该组为参考的重度异常水平，在统计中无法体现。 OR值定义及其意义 OR值=（病例中暴露的比例/病例中非暴露的比例）/（对照中暴露的比例/对照中非暴露的比例） OR值=2，说明病例中暴露于某个危险因素的比例为对照组的2倍，说明该因素可能与疾病发生有关。 统计结果解释 结果显示：最终引入模型的变量及常数项的偏回归系数值B，标准误（SE），Wald卡方值（Wals），自由度（df），P值（Sig）,及其OR值（ExpB）和OR的95%CI。 结果解释： 1、年龄的回归系数为0.163， Wald检验结果P0.05，有统计学意义，OR值为1.178，CI为1.042-1.330，说明年龄大的患者患冠心病的概率比年龄小的患者大1