13、logistic回归模型.pptVIP

一、问题的提出 举例：分析 “新生儿出生体重”的影响影响, 如果以新生儿出生时的体重为因变量，采用线性回归分析的方法。 线性回归分析：因变量Y是连续性随机变量,并且呈正态分布，理论上因变量必须能够在–∞到+ ∞之间自由取值 问题的提出（续） 但在医学研究中常碰到因变量的取值仅有两个, 如是否发病、死亡或痊愈等； 分析“母亲怀孕期间体重增加”对“新生儿出生低体重”的影响 二、概念的引入 如按线性回归思想建立模型： P=α +βX P的意义是发生出生低体重的概率 在线性回归模型中,X的取值是任意的,P值可能大于1或小于0,无法从医学意义进行解释, 显然不适宜用线性回归建立预测模型。 为避免P值大于1或小于0, 我们对P进行logit（即logistic）变换, 把logit（P）作为因变量，即 ： Logit（P）=ln [p/(1-p)] = ? + ?x logit（P）可以从–∞到+ ∞之间取任何值 如：计算logit（0.1），logit（0.95） logit（0.1）=ln（0.1/0.9）=-2.20 logit（0.95）=ln（0.95/0.05）=2.94 1．如果以logitP为因变量，暴露因素X为自变量，建立直线回归方程： Logit P = ? + ?x 由 Logit P = ln [p/(1-p)] 可导出: ln [p/(1-p)] = ? + ?x (1) 即单因素线性LOGISTIC 回归模型公式； “p=在暴露变量E下有病D的概率 ” 解(1)式中以p为反应变量的方程，得： (2) 即单因素曲线LOGISTIC 回归模型公式。 单因素LOGISTIC模型参数的解释 ? ln [p/(1-p)] = ? + ?x ?：与变量 x 无关的因素的影响 ?：自变量 x 的回归系数，大小由因素 x 决定。 ? = 0 表明 P与 x 无关， 发病不由因素 x 决定； ? 0 表明 P与 x 有关， 变量 x 是疾病发生的危险因素； ? 0 表明 P与 x 有关， 变量 x 是疾病发生的保护因素。 Logit P 与Odds Ratio (OR) Odds Ratio (OR)：即两个Odds 的比值，是描述因素与疾病之间联系强度的指标，可以用来确定定群研究(队列研究)和病例对照研究中暴露研究因素与疾病发生之间关联的性质和强弱。 OR = 1 表明疾病D与因素 x 无关，发病不由因素 x 决定； OR 1 表明疾病D与因素 x 有关，变量x是疾病发生的危险因素； OR 1 表明疾病D与因素 x 有关，变量 x 是疾病发生的保护因素。 对于队列研究，假设研究一个二值暴露变量X与某一疾病之间的关联: 设暴露组(E+)发病的概率为P1,则其发病与不发病的概率比为: Odds= P1 /(1- P1) (3) 设非暴露组(E-)发病的概率为P0,则其发病与不发病的概率比为: Odds= P0 /(1- P0) (4) 多因素LOGISTIC模型参数的解释 ? ?：与变量 xi 无关的因素的影响; ? ?i : 自变量 xi 的回归系数，大小由因素 xi 决定，是控 制了其他因素的混杂效应后的 ?i值。 ? ?i = 0: 表明 P与 xi 无关， 发病不由因素 xi 决定； ?i 0: 表明 P与 xi 有关， 变量 xi是疾病发生的危险因素； ? ?i 0: 表明 P 与 xi 有关， 变量 xi 是疾病发生 的保护因素。 举例 1. 定群研究资料分析…弗明汉心脏研究 742名居住在弗明汉年龄为40-49岁的男性，在各自暴露不同水平的影响因素(详见下表中的7种因素