SPSS相关与回归II概要.ppt

多元非线性回归分析实例 在SPSS中也可以直接用非线性方法进行回归： Analyze ? regression ? nonlinear… 多元非线性回归分析实例 直接非线性回归结果： 通过渐进法估计参数，数轮之后参数趋于稳定（收敛） -这与线性回归模型结果一致。 -非线性模型估计参数没问题，而其他的统计分析方法缺乏，反而不如线性回归模型常用 Y = 31.63 X1 -1.14 X1^2 + 8.21 X2 -0.19 X2^2 + 76.70 二项逻辑回归(binary logistic regression) 特征： 应变量是如生死与否，患病与否，阴性阳性之类的二元分类变量，服从二项分布而非正态分布。显然并不符合多重线性回归对应变量的要求（连续变量，正态分布）。 通过拟合logistic 函数，估计每个观察个体的概率 注意：尽管名称类似，二项逻辑回归并不同于常说的逻辑斯谛曲线模型 二项逻辑回归 回归方程： P = b0 + b1X1+b2X2+…+bkXk 但用该方程计算时，常出现P1或P0的不合理情况。为此，对P作对数单位转换，即logitP=ln(P/1-P) ? log-likelihood 可得到Logistic 回归方程为:logitP = b0 + b1X1+b2X2+…+bkXk 还原后为： 二项逻辑回归分析实例 对胃癌患者术后感染进行统计分析，研究感染与否主要受哪些因素影响。 因素：比率变量如年龄(X1)、白细胞数(X5)，有序变量(X2,X3,X6)如创伤程度、营养状况，二项分类的名义变量如术前预防(X4)，变量类型比较复杂。 二项逻辑回归分析实例 变量筛选方法这里使用“forward conditional” 二项逻辑回归分析实例 分析中，将响应变量编码为0、1，分别对应无感染、有感染。 分析中，将自变量X4编码为0、1，分别对应有抗菌处理、无抗菌处理。 从输出中看SPSS自动对两分变量(Y，X4)的哑变量编码： 二项逻辑回归分析实例 在逐次加入方法中，首先进入模型的是X3，第二步为X6。 参数估计的方法采取的是最大似然法（maximal likelihood，ML） 优选模型为：logit P = -219.405 + 54.517 X3 + 18.280 X6 从输出中看到： 二项逻辑回归分析实例 在两步加入步骤中被排除掉的变量对模型的贡献不显著（Sig值大于0.05）。 从输出中看到： 二项逻辑回归分析实例 该表反映模型2（X3,X6）相对于模型1（X3）的改进。 模型2预测感染与否的准确率达到93.3%，较模型1的80%为高 从输出中看到： 回归模型的选择 回归模型选择的一般原则： 通过统计检验，确认了模型的显著意义前提下： 还要综合考虑专业的可解释性、模型的简约性和资料采集的方便性等，最终决定采用何种模型。 相关与回归分析(下) 实用生物统计分析（七） 安徽大学生命科学学院 相关与回归分析 散点图(scatterplot) 相关分析(correlation analysis) 一元线性回归分析(univariate linear regression) 曲线拟合(curve estimation) 多元回归分析(multiple regression) 二项逻辑回归(binary logistic regression) 曲线拟合 目的: 生物学变量间的回归关系常常是非线性，如毒物剂量与生物死亡率，细胞（微生物）生长曲线，酶动力学曲线等。若仍直接采用线性模型往往不能准确反映变量间关系，甚至得出错误结论。这时，可通过适当的数学处理,转化为线性模型再进行回归分析，即曲线拟合(curve fitting)或曲线估计(curve estimation)。 步骤： Analyze? Regression? Curve estimation 曲线拟合 SPSS曲线拟合模型 模型名称 回归方程 相应的线性回归方程 Linear(线性) Y=b0+b1x Quadratic(二次) Y=b0+b1x+b2x2 Compound(复合) Y=b0(b1x) Ln(Y)=ln(b0)+ln(b1)x Growth(生长) Y=eb0+b1x Ln(Y)=b0+b1x Logarithmic(对数) Y=b0+b1ln(x) Cubic(三次) Y=b0+b1t+b2x2+b3x3 S(S曲线) Y=eb0+b1/x Ln(Y)=b0+b1 / x Exponential(指数) Y=b0 * eb1*x Ln(Y)=ln(b0)+b1x Inverse(逆) Y=b0+b1/x Power