Stata做logistic回归概要.pptVIP

应用Stata做logistic回归 何保昌 实际生活中经常会遇到因变量只有0和1的二分类变量，不能满足正态性和方差齐性，故不能直接使用线性模型来拟合方程。 Logistic回归正是处理因变量是二分类或多分类变量的一种方法。现已广泛应用于队列研究，病例对照研究和试验性研究，成为分类因变量的首选多变量分析模型。 分类 按因变量性质，可分为二分类、无序多分类、有序多分类。 按是否匹配可分为非条件和条件logistic回归。 Stata软件专门有一组命令用于做不同类型的logistic回归，例如：logit、blogit、glogit、clogit、mlogit、ologit。 1.Logistic 回归 命令： logit 因变量 [自变量] [,选择项] (2) 分组频数资料，一般自变量较少，且均为分类变量，常以各自变量(不包括因变量)各水平的组合的频数表形式出现，因变量常表达为分子与分母。如例2。用下列命令： blogit 阳性数变量 总观察数变量 [，logit 命令选择项] 或 glogit 阳性数变量 总观察数变量 [，level(#) or] (3) 个体水平资料，即一个观察对象一条记录。如例3，直接使用logit 命令估计即可。 拟合模型后可以用指令predict 得到预测概率，然后进行模型诊断、应用等。 例1 本例是探讨妇女使用雌激素与患子宫内膜癌之间关系的病例-对照研究资料，见表1 ，请计算OR 及其95％可信区间。再用logistic 回归估计参数，写出回归方程，并说明回归系数与OR 的关系。 也可以用logit命令 可以利用例3做逐步回归 Stata 用于逐步回归分析的命令是在要执行的命令前增加sw 。 sw 回归命令 [因变量[自变量]], 筛选变量的P 值 [选择项] 其中，筛选变量的P 值有3 种组合 pr(#) /* 后退法 pe(#) /* 向前法 pr(#) pe(#) /* 逐步后退法 pr(#) pe(#) forward /* 逐步向前法 pr(#)是剔除变量的P 值，pe(#)是选入变量的P 值，如果只选pr(#)，则表示用后退法，如果同时选用pr(#)和pe(#)表示逐步法。应用时，为防止计算进入死循环，pr(#)须略大于pe(#)。例如，pe(0.05)，pr(0.051)。 1. 用逐步后退法，剔选变量的概率为：pe(0.05)，pr(0.06)，结果如下： sw logit y x1 x2 x3, pe(0.05) pr(0.06) 2. 用逐步前进法，剔选变量的概率不变,结果如下： sw logit y x1 x2 x3, pr(0.06) pe(0.05) forward 条件logistic 回归 非条件logistic 回归适用于平行组设计的病例-对照研究，队列研究，而不适用于配比设计的病例-对照研究。对于配比的病例-对照研究资料需要用条件logistic 回归。其命令为： clogit 因变量 [自变量] , group(配比变量) [ level(#) or ] 其中group()是必选项，它是用来区分各配比组的。level(#)及or 的意义同logit。 例4 在子宫内膜癌与使用雌激素关系的研究中，运用了1:4 的病例-对照研究，配比因素为年龄，共调查了20 对，100 例。 各变量定义如下： 1: match 配比组 2: y y=1：病例， y=0：对照 3: ht ht=0：无高血压， ht=1：有高血压 4: est est=0 未使用过雌激素， est=1：使用过雌激素 5: dose 剂量：dose=0：未使用过， dose=1：0.1-0.299(mg/day) 6: drug drug=0：未使用其他药物， drug=1：使用了其他药物 首先，使用ht、est、drug 三个变量作条件logistic 回归。. clogit y ht est drug, group(match) 结果显示，患高血压(ht)及使用其他药物(drug)与子宫内膜癌无关，而使用过雌激素者患子宫内膜癌的可能性比未使用过雌激素者大。因此，可以进一步考虑剂量-反应关系。变量剂量(dose)可以按两种方法处理，先按线性形式进入模型，再以哑变量形式进入模型，并比较两者的结果。 clogit y ht dose drug, group(match） 结果显示，随着剂量的上升，服用雌激素与患内膜癌间的联系也明显上升，呈现出明显的剂量－反应关系。这种关系是否为线性的？dose 用哑变量形式是否更好？ xi : clogit y ht i.dose drug, group(match) 多类结果的logistic回