十三logistic回归模型培训课件.ppt

Logistic回归 Logistic回归是适用于反应变量（即因变量）为分类变量的回归分析，近年来在许多研究领域得到了广泛的应用。 Logistic回归按照反应变量的类型可分为： ? 两分类反应变量的Logistic回归; ? 多分类有序反应变量的Logistic回归; ? 多分类无序反应变量的Logistic回归。 Logistic回归按照研究设计的类型可分为： ? 非条件Logistic回归，即研究对象未经匹配; ? 1:1的条件Logistic回归，即研究对象按1:1进行匹配; ? 1:m或m:n的条件Logistic回归，即研究对象按1:m或m:n进 行匹配。 逐步回归 给出了模型拟合过程中每一步的-2log（L）及两个伪决定系数。 结果分析 逐步回归 结果分析 逐步回归 结果分析 输出了每一步被剔除的自变量及Score检验。 对数似然值与伪决定系数 模型预测正确率 ROC曲线 模型拟合效果检验 拟合效果判断指标： 对数似然值与伪决定系数： -2 倍对数似然值表示模型的拟合效果，其值越小，越接近于0，说明模型拟合效果越好。 但是，当自变量中存在缺失值时，因为一般统计软件在进行计算时会把含有缺失值的记录予以剔除，不参与统计分析，此时不能用-2log likelihood 对不同模型的拟合效果进行比较。 模型拟合效果检验 模型预测正确率： 例3每一步输出的预测结果，预测正确率71.4％。 模型拟合效果检验 ROC曲线： 模型拟合效果检验 先保存研究对象的预测概率。 Save子对话框 模型拟合效果检验 保存的预测概率 模型拟合效果检验 模型拟合效果检验 这就是ROC曲线，预测效果最佳时，曲线应该从左下角垂直上升至顶，然后水平向右延伸到右上角。 结果分析 模型拟合效果检验 结果分析 本表是对ROC曲线下面积计算的结果，可见曲线下面积为0.730，95％可信区间为0.652~0.807。 模型拟合优度检验（Test of Goodness Fit ）： 考察当前模型是否可以进一步改善，检验当前模型与饱和模型的预测效果之差是否有统计学意义。 拟合优度检验 Pearson 和Deviance 拟合优度检验： 当自变量很多，或包含连续性自变量时，不可以用这两种方法。 似然比检验： 主要用于考察饱和模型是否可以进一步简化。 Hosmer－Lemeshow检验： 通常用于自变量很多，或包含连续性自变量的情况。 拟合优度检验 模型拟合优度检验的常用方法： 点击主对话框中的options按钮，出现如下所示的对话框： 拟合优度检验 拟合优度检验 结果分析 ①用save子对话框可以保存各种残差； ②如果残差的绝对值大于2，提示该记录可能是异常点。 模型的诊断与修正 残差分析 Save子对话框 多重共线性的对偏回归系数的影响与线性回归模型中的表现一致，如增加或删除一条记录，模型中偏回归系数值发生较大变化，专业上认为有意义的因素无统计学意义等等。 如果在进行logistic模型分析中，尤其是在向模型中引入交互作用项时出现了回归结果反常现象，则自变量之间的多重共线性是需要排除的一种可能。 模型的诊断与修正 多重共线性的识别： 目前SPSS的logistic过程中尚没有关于多重共线性诊断的结果输出，代替方法之一是运用相同的反应变量与自变量，拟合线性回归模型，并进行相应的共线性诊断。 模型的诊断与修正 多重共线性的识别： 匹配设计（matched design）是在设计阶段控制混杂因素的一种方法。当得到一名研究病例后，选择一名或多名非病例作为对照，选择相应对照的条件是：某些需要控制的混杂因素与该病例之间相同或相似，从而形成一个匹配的对子。一个匹配的对子可以只有 1个病例和1个对照，称1：1匹配；当病例很罕见时，常采用 1个病例，多个对照，此时称为1：m匹配，常用的 m一般小于等于4，不同的对子，m可以不同；还可设计m：n匹配，即不同对子的病例与对照个数均可不同，这样的设计增加了收集资料的灵活性。 条件logistic回归－简介 对于这类匹配设计资料，如果采用以上介绍的非条件 logistic回归方法，将会降低检验效能。而应当采用条件logistic回归模型（conditional logistic regression model）又称配对logistic回归模型进行分析。 条件logistic回归－简介 用变量差值拟合：只适用于1：1配对的情况，用Multinomial logistic 过程实现； 用分层Cox模型拟合：适用范围非常广。 条件logistic回归 SPSS中的拟合方法： 例4 Mack等人预考察服用雌激素与患子宫内膜癌的关系，对退休