卫生统计学 logistic1.ppt

第十四章 多因素对某分类指标的影响分析— Logistic 回归分析(P229) 第一节 Logistic回归分析 一、基本概念 Logistic回归模型/回归方程 Logistic函数图形 Logistic回归方程的特点 二、Logistic 回归模型的配合 Logistic回归模型/回归方程 应变量Ｙ是一个二值变量，取值为 　　　１　出现阳性结果（发病、有效、死亡等） Ｙ＝ 0 出现阴性结果（未发病、无效、存活等） 表示在m个自变量的作用下Y阳性结果发生的概率 为： P=P(Y=1|Ｘ１,Ｘ２,…，Ｘm) 模型为： P的logit变换 式中β0 表示暴露剂量为0时个体发病与不发病概率之比的自然对数 βi ，回归系数，表示自变量xi 改变一个单位时，logit P的改变量 Logistic函数图形 Logistic回归模型/方程的特点 自变量任意取值，应变量P 的变化范围为0～1； 回归系数与优势比（比数比）有直接的联系； 表示在两个暴露水平Xj=C1相对于Xj=C0的风险比值情况 二、Logistic 回归模型的配合 非条件Logistic 回归模型：主要设计类型（完全随机设计case-control study, cross-sectional study） 条件Logistic 回归模型：主要设计类型（配比设计case-control study, 非条件Logistic 回归模型研究中收集资料的格式 （一）应变量为二分类的Logistic 回归模型 应变量为两分类变量 自变量可以是无序分类变量、有序分类变量，也可以是数值变量，注意非数值变量值要数量化。 例题 例14-1. 为研究病情x1（0表示不严重，1表示严重）、年龄x2（岁）及不同治疗方法x3（0表示传统疗法，1表示新疗法）对某病疗效的影响，某研究者随机抽取40名某病的患者，其中有20名患者采用传统疗法，另20名患者采用新疗法，经过一段治疗后记录下康复的情况y（0表示未康复，1表示康复），结果如下表： 病情（x1）、年龄（x2）及不同治疗方法（x3）对某病疗效影响的单因素分析结果 单因素分析的缺陷 由于受到混杂因素的影响，有时单因素估计暴露与结局之间的关系不能真实地反映两者之间的联系，可能是一种虚假的联系； 所以在统计分析策略上，如果混杂因子较少，可以用Mantel-Haenszel 分层分析的方法（其缺点是最多调整2层） proc freq; tables x1*x3*y/chisq cmh;run;（调整x1）OR=5.29（95%CI：1.26~22.25） 引入多因素Logistic回归分析方法 可克服Mantel-Haenszel 分层分析方法的缺点 也就是说，如果调整了其它混杂因素后，主研究因素仍有统计学意义，说明某因素与结局之间关联是独立的。 Logistic 回归模型参数估计方法 最大似然函数估计法（maximum likelihood estimate） SAS软件采用迭代重加权最小二乘法（Iteratively reweighted least squares algorithm）对式（14-11）求极大值，解得各回归系数值、估计值的方差、标准误、OR值及95％CI等，并进行各种假设检验。标准回归系数可在程序过程语句中加入选择项“STB”获得，用来比较各因素的相对重要性 Logistic 回归模型的相关假设检验 整个模型的检验： AIC检验法（Akaike Information Criterion） 、SC检验法、（Schwarte Criterion）似然比检验法（最可靠）、计分检验法（Score） 和Wald检验法 各个回归系数的检验： Wald-χ2检验法 拟合优度检验（ Goodness of fit statistics）Hosmer and Lemeshow 法 程序说明 proc logistic descending simple; model y=x1-x3 /stb lackfit; run; 模型中默认以应变量的低值为反应变量，如果加 Descending，则以高值为反应变量。 结果解释 Logistic逐步回归 proc logistic descending simple; model y=x1-x3/selection=stepwise