Logistic回归分析2.pptVIP

　 Logistic Regression Analysis 　  Logistic回归分析 Logistic回归分析 在医学研究中, 经常要分析某种结果的产生与哪些因素有关。 例如：生存与死亡, 发病与未发病, 阴性与阳性等结果的产生可能与病人的年龄、性别、生活习惯、体质、遗传等许多因素有关。如何找出其中哪些因素对结果的产生有显著性影响呢？ Logistic回归分析能较好地解决这类问题。 一、 Logistic回归模型 1、 Logistic回归模型的构造 若因变量y为连续型正态定量变量时， 可采用多元线性回归分析y与变量 X1, X2, … , Xp之间的关系： y＝β0+β1X1+β2X2+…+βpXp 等式左边 变化范围 经数学变换可得: exp(β0+β1X1+…+βpXp) P= ───────────── 1+ exp(β0+β1X1+…+βpXp); exp表示指数函数。 Logistic回归模型是一种概率模型, 它是以疾病,死亡等结果发生的概率为因变量, 影响疾病发生的因素为自变量建立回归模型。 它特别适用于因变量为二项, 多项分类的资料。 在临床医学中多用于鉴别诊断, 评价治疗措施的好坏及分析与疾病预后有关的因素等。 CHISS软件要求，对分类变量Y数量化，而且赋值为： 1 发病 (阳性, 死亡 , 治愈等) y = 0未发病 (阴性, 生存, 未治愈等). 注意 ：P=P（y=1), 即发病的概率。 logistic 回归系数的意义 OR=e β lnOR= β 二、logistic回归的作用 (1)建立logistic回归模型： logit(p)=β0+β1X1+β2X2+…+βpXp ； (2) 预测预报 若已知x1, x2 … xm数值大小时, 通过模型可以预测发病、死亡等的概率； (3) 因素分析 寻找发病、死亡等影响有显著性的因素。 四、Logistic分析的具体任务: 1) 采用极大似然估计或加权最小二乘估计确定方程中系数β i=0,1,2,3…; 2) 采用（剩余）卡方检验对回归方程进行检验； 3) 采用U检验对方程中的每个系数bi进行显著性检验。 五、CHISS的实现 点击 模型→数学模型→logistic模型 ? 六、实例讲解 例11-1 某研究者调查了15名正常病人和15名肺癌患者，记录了同肺癌发病有关的危险因素情况, 数据如下表。试分析各因素与肺癌间的关系。 七、Logistic回归方程的应用 -----------预测与估计 求出logistic回归方程后，可求出每个观测点发病概率。 * * 现y为发病或未发病，生存与死亡等定性分类变量，不能直接用上模型进行分析。 能否用发病的概率P来直接代替 y呢？ p＝β0+β1X1+β2X2+…+βpXp P 发病概率 0≤ P≤1 1－P 不发病概率 0≤ P≤1 p/1-p 比数 (ratio) 0 ≤ p/1-p+∞ ln(p/1-p) 对数比 (ratio) -∞ ln(p/1-p) +∞  2、 Logistic 回归模型为: ln[P/(1-P)]=β0+β1X1+…+βpXp. 定义:logit(P)= ln[P/(1-P)]为 Logistic变换, Logistic 回归模型为: logit(P)=β0+β1X1+…+βpXp ; 3、 软件的要求  4 、回归系数βi的意义 设只有一个自变量X，Logistic方程为 ln P/(1-P)= β 0 + β 1x X= 0表示非暴露，1 表示暴露。