多元逐步等回归分析_.pptVIP

* * logistic回归的应用及其注意事项 * * 如果药物或毒物不止一种，也可以用logistic模型分析其联合作用。 * 4．预测与判别 logistic回归模型是一个概率型模型，对非条件Logistic回归，在给定的条件下可通过logistic回归模型计算某事件发生的概率。因此可以利用它预测某事件发生的概率。在临床上也可以根据疾病与临床检查指标资料，建立logistic回归模型，对新的对象可根据其临床检查指标，计算其患某种疾病的概率的大小，进行判别分析。 * * * * * * * * * * 病例对照研究的三种类型 （一）病例与对照不匹配---非条件logistic回归 在设计所规定的病例和对照人群中，分别抽取一定量的研究对象，一般对照应等于或多于病例数，此外无其他任何限制。 * 病例对照研究的三中类型 （二）病例与对照匹配---条件logistic回归 匹配或称配比（matching），即要求对照在某些因素或特征上与病例保持一致，目的是对两组比较时排除混杂因素的干扰。匹配分为成组匹配和个体匹配。 1、成组匹配（category matching）：匹配的因素所占的比例，在对照组和在病例组一致。如病例组中男女各半，65岁以上者占1/3，则对照组也是如此。 2、个体匹配（individual matching）：以病例和对照的个体为单位进行匹配叫个体匹配。1:1匹配又叫配对（pair matching）， 1:2，┅ ，1:m匹配时称为匹配。 匹配的特征必须是已知的混杂因子，或者有充分的理由怀疑其为混杂因子，否则不应匹配。 * （三）巢式病例对照研究 也称为队列内的病例对照研究，是将队列研究和病例对照研究相结合的方法。 病例对照研究的三中类型 * logistic回归 * * * * * * 二、 logistic回归模型的参数估计 * * * 例15-1 * 在logistic过程步中加“descending”选项的目的是使SAS过程按阳性率（y=1）拟合模型，得到阳性病例对应于阴性病例的优势比。 观察例数 * OR值 OR的95%CI 对偏回归系数的假设检验 * * 三、logistic回归模型的假设检验 * * 概率p值均小于0.05，说明方程有意义。 对所拟合模型的假设检验： * 四、变量筛选 * 某工作者在探讨肾细胞癌转移的有关临床病理因素研究中，收集了一批行根治性肾切除术患者的肾癌标本资料，现从中抽取26例。试用logistic回归分析筛选出于癌细胞转移有关的危险因素（变量选入和剔除水平均为0.10）。 例子 * 用逐步回归法拟合模型,变量选入和剔除水平均为0.10 指定选项“des”是为了按照y=1（有转移）的概率拟合模型。如果不加此选择项，则软件会按照y=0（无转移）的概率拟合模型，此时，应变量的排序水平发生颠倒，且所有参数估计的符号相反，OR值为原来的倒数。 * * logistic逐步回归分析筛选出两个有统计学意义的变量为x2和x4，回归系数分别为2.4134和2.0963，比数比分别为11.172和8.136。结果中还给出了标准化偏回归系数，肾癌细胞核组织学分级（x4）在引起癌细胞转移中的危险性大于肾细胞癌血管内皮生长因子（x2）。 * 条件logistic回归 * * * * * 条件logistic回归应用实例 * 研究肥胖(x1，肥胖为1，不肥胖为0）、口服避孕药雌激素(x2，用药为1，不用药为0）与子宫内膜癌(y，病例为0，对照为1）的关系，采用1:2配对做病例-对照研究，共调查20个配比组。试分析肥胖、口服避孕药雌激素与子宫内膜癌的关系。 例子 * 袁克虹 办公电话办公地点:L楼305B 邮件：yuankh@sz.tsinghua.edu.cn 2011.03.14 多元逐步回归模型 * 回归分析内容 一元线性 步骤： 1.观察散点图，2.判断是什么关系，3. 回归，4. 判断系数；5。显著性检查（注意H0），6.失拟合检验（注意需要的条件） 一元非线性 y=a+blnx，如何判断那个好？ 带虚拟变量 多元线性 多元非线性和逐步回归 Logistic回归 * 逐步回归分析 多元线性回归建立的回归方程包含了所有的自变量，但在实际问题中，可能有这样的情况：参加回归方程的P个自变量中，有些自变量单独看对因变量Y有作用（相关程度密切），但P个自变量又可能是相互影响的，在作回归时，它们对因变量所起的作用有可能被其他自变量代替，而使得这些自变量在回归方程中变得无足轻重。这时把这些自变量留在回归方程中，不但增加计算上的麻烦，而且不能保证有好的回归效果。为了克服这些缺点，提出了多元逐步回归。 * 多