logistic回归及其分析攻略.ppt

回归分析攻略 ;什么是回归;什么是回归;什么是回归;什么是回归;什么是回归;结局;回归参数估计;回归参数估计;回归参数估计;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归分析思路;回归的过程;回归的过程;回归的过程;回归的过程;回归的过程;回归的过程;回归的过程;回归的过程;回归的过程;回归的过程;回归的过程;回归中的混杂因素;回归中的混杂因素;回归中的混杂因素;回归中的混杂因素;回归中的混杂因素;回归中的混杂因素;交互作用与混杂因素的区别;回归中的交互作用;回归中的交互作用;回归中的交互作用;回归中的交互作用;回归中的交互作用;回归中的交互作用;回归中的交互作用;回归案例分析;回归案例分析;回归案例分析; 图 妊娠次数和流产次数与 的关系;回归案例分析;回归案例分析;回归案例分析;回归案例分析;多因素分析结果：;多因素分析小结： 为什么变得无统计学意义了？ 相关分析结果显示，妊娠次数与流产次数具有较强的相关性（，）。;多因素分析小结： 可以设想，妊娠次数对乳腺增生可能并无影响或影响很小，单因素中的影响可能主要是通过流产次数这一因素起作用的，当多因素分析中校正了流产次数的影响后，妊娠次数的影响变得无统计学意义。 将妊娠次数这一变量去掉，重新拟合方程。;回归案例分析;模型中所有变量均有统计学意义。 与含变量的模型相比，和均降低，似然比差别很小。 说明去掉后模型更优 含模型 不含模型;模型的拟合优度评价： 值小于，提示拟合不充分 指标值距离较远，提示可能有过离散现象存在，意味着可能结果存在假阳性;模型诊断： ; ; ;;模型诊断图（部分）：并无明显的异常点;进一步考虑是否可能存在交互效应： 考虑母乳喂养与初产年龄的交互作用 ; * ; ;;初产年龄与母乳喂养可能存在一定的交互效应 为什么和变得无统计学意义？ 一旦模型中加入交互项，变量便不再反映主效应，而是单独效应。此时反映的是时的效应，同样，反映的是时的效应。;交互项的进一步解释： 对于母乳喂养的人（），初产年龄与初产年龄岁的人相比，其效应（参数估计值）为。 对于非母乳喂养的人（），初产年龄与初产年龄岁的人相比，其效应（参数估计值）为。;如果想详细了解和两个变量组合的效应，可将这两个变量组合，即（，）、（，）、（，）、（，）四类。 将该四分类变量做成虚拟变量，本例，初产年龄小、母乳喂养风险相对较低，将其作为参照组，产生三个虚拟变量。 这三个虚拟变量分别为： (，)相对( ， )的风险（即非母乳喂养的风险） (， )相对(， )的风险（即初产年龄的风险） (， )相对(， )的风险（即非母乳喂养和初产年龄共同的风险）。; ; ; ; ; ; ; …… ; ; ; ;;反映的是的作用。 反映的是的作用。 的参数估计值则等于（），包括的效应、的效应及和的交互作用共三部分效应?。 ?;此时拟合优度仍显示结果并非很理想 这种情况并不少见，与很多原因有关，如变量不充分、数据收集本身的问题等 但加入交互项后，与不加相比，拟合效果相对更优 不加交互项的模型 加入交互项的模型;考虑到仍可能存在过离散现象，最终可对过离散进行校正，这里采用法进行校正 ; ; ;;校正后，参数估计值不变，但标准误变大，相应的值变大，可以避免假阳性错误;本例结论： 流产次数多是乳腺增生的危险因素，初产年龄和是否母乳喂养的交互作用对乳腺增生的影响也有统计学意义。 初产年龄≥且非母乳喂养的人，其乳腺增生的危险明显增高。 而单纯初产年龄的人，或单纯非母乳喂养的人，发生乳腺增生的危险并不高。 这提示可针对不同人群开展不同的干预措施。;值图示 ()(()); ; ;;如何根据已知的危险因素进行判别或预测： ; *; ; ; ; ;;当，发生乳腺增生的概率是 当，发生乳腺增生的概率是 当，发生乳腺增生的概率是;回归分析的注意事项;（）关于自变量的形式 理论上，回归中的自变量可以是任何形式，定量资料和定性资料均可。 实际中分析数据时，更倾向于自变量以分类的形式进入方程，主要出于解释方便的原因。;回归分析的注意事项;如果想进一步学习logistic回归