第14章 有序多分类辑斯蒂回归模型.pptVIP

多元回归中的几种重要模型 第一部分：多重共线情况的处理 第10章 岭回归分析（ Ridge Regression ） 第二部分：自变量中含定性变量的处理 第11章 自变量中含有定性变量的回归分析 第三部分：因变量中含有定性变量情况的处理 第12章 二项Logistic回归 第13章 多项Logistic回归 第14章 有序回归（等级回归分析） 第15章 Probit回归（概率单位回归） 第16章 最佳尺度回归 Logistic回归 第14章 有序回归（有序多分类因变量Logistic回归） 14.1 有序回归的基本思想 14.2 有序回归的案例分析 14.1 有序回归的基本思想 研究中常遇到反应变量为有序多分类（k2）的资料，如城市综合竞争力等级、满意度等可以划分为低、中、高。 与名义多分类因变量有所不同，定性有序多分类因变量采用累积logit模型，该模型可利用有序这一特点，得到比基线-类别有更简单解释的模型。 Y的累积概率是指Y落在一个特定点的概率，对结果为类别j时，其累积概率为： 累积概率满足： 累积概率的模型并不利用最后一个概率，因为它必然等于1 平行性检验（只适用于位置模型/位置参数/斜率系数） 当因变量维多值变量时，模型包含多个回归方程。Logistic回归分析要求这多个回归方程中自变量的系数是相等的。因此需要做平行行检验，也称为比例比数假设检验（test fo the proportional odds assumption），使用的方法是计分检验法。当Pa时，接受平行的原假设。否则，应该将因变量的某些值进行合并，减少因变量的取值个数，使得多值变量logistic回归模型平行性成立。还可以尝试其他链接函数。 如果各种连接函数都无法满足平行性假定，则需要考虑回归系数是否会随着分割点而发生改变。此时最好使用无序多分类的Logistic 回归进行模型拟合，然后再根据系数估计值考虑如何进行处理。 以4 水平的反应变量为例，假设反应变量的取值为1 、2 、3 、4 ，相应取值水平的概率为p1、p2、p3、p4，则此时进行Logit 变换的分别为p1、p1+p2、p1+p2 +p3，对k 个自变量拟合三个模型如下: 根据上述公式，可以分别求出： 由上述建立的模型可以看出，这种模型实际上是依次将反应变量按不同的取值水平分割成两个等级，对这两个等级建立反应变量为二分类的Logistic 回归模型。不管模型中反应变量的分割点在什么位置，模型中各自变量的系数都保持不变，所改变的只是常数项。此时求出的OR 值表示自变量每改变一个单位，反应变量提高一个及一个以上等级的比数比。 张文彤认为，这里拟合的模型中常数项之前的符号应当是“负号”，原因在于此处的常数项正好表示低级别和高级别相比的情况，且必然有 ， 但由于研究者主要关心的是各参数（系数）的大小，因此这种差异影响不大。并且由SPSS给出的系数无需再添加符号。 某大学医院外科采用两种不同的绷带和两种不同的包扎方式进行腿溃疡的治疗处理。治疗的结果分三种：不愈、有效和痊愈。试分析治疗方法对治疗效果的影响。 设因变量 y 表示治疗效果，0=不愈、1=有效、2=痊愈。设自变量x1表示绷带种类，自变量 x2 表示包扎方式。 对于多值因变量模型，平行性假设决定了每个自变量的OR值对于前k-1个模型是相同的。例如，变量x1的OR=5.172，它表示使用第一种绷带治愈腿溃疡的可能性是使用第二种绷带的5.172倍；它也表示使用第一种绷带至少有效的可能性是使用第二种绷带的5.172倍。 14.1 有序回归的基本思想 有序回归模型的类型： 14.2 有序回归的案例分析 例：对某地人群调查其对所从事的工作是否满意，可能的影响因素有:年龄、性别、年收入水平、文化程度。变量的赋值情况见下表，数据见文件satisfy. sav 。试进行统计分析。 变量的赋值情况如下： 警告信息说明自变量的各种取值水平组合中有多少其观察频数为0 。由于数据库中变量age 为连续性变量，所以这个比例显得较大，此种情况下属于正常现象。 对模型中是否所有自变量偏回归系数全为0 进行似然比检验（判断规则：Pa，拟合较好），结果P 0. 001，说明至少有一个自变量的偏回归系数不为0 。即：拟合包含年龄、性别、年收入水平、文化程度4 个自变量的模型其拟合优度好于仅包含常数项的模型。 是Pearson 和Deviance 两种拟合优度检验结果。判定规则：卡方值很小或者Pa，拟合较好。当自变量很多或者自变量中存在连续性变量时，这两个统计量不太适用。这两个统计量有个致命的缺点是对于自变量取值水平组合的实际观察频数为0 的比例十分敏感，如果上述比例过高，这两个统计量不一定仍旧服从卡方分布，因而基于卡方分布计算的P