对数线性模型及SPSS操作.ppt

模型的参数估计值，由于Poisson 回归模型都是对前瞻性研究数据进行拟合，因此可以通过对事件发生率(此处为死亡率)的比较计算出相对危险度。 本例的结果：和抽烟者相比，不抽烟者的死亡风险较低，其RR为exp (-0.5) =0.6060 。而随着年龄的增加，死亡的风险也在逐渐上升，和35 岁组(编码为1)相比，65 岁组(编码为4) 的RR值为exp (3.338) = 28.163。 * ppt课件 对数线性模型- Logit模型 一般线性模型己经可以完成许多分析了，它的特色是对所有的变量不分因变量和自变量，一视同仁的分析。但有的时候，研究人员对研究变量间的因果关系已经了解，研究目的是分析自变量与因变量之间的关系，此时用一般对数线性模型就无法利用该信息。 在这种情况下，可以用Logit 过程提供的Logit 模型来分析。该模型明确分出因变量和自变量，分析因变量和自变量之间的因果关系。 模型中将自动引入自变量与因变量的交互项。在拟合结果上， Logit 模型实际上和我们熟悉的Logistic 模型等价。 * ppt课件 例：要研究两种手术后并发症的严重程度与手术类型是否有关，在甲乙两个医院各观察70 、54 例子术病人。 本研究分析不同手术类型和不同医院对术后并发症的影响，显然是否出现术后并发症是因变量，手术类型和医院是自变量。 这一问题可以用Logistic 回归来解决，也可以用对数线性模型来解决，二者是等价的。 * ppt课件 首先应当使用Weight Cases 过程，将count 指定为频数变量。 * ppt课件 可见该不饱和模型的拟合优度与含所有交互项的饱和模型相比并无统计学差异，也就是说，用此模型己经可以充分反映三个变量间的关系了。 * ppt课件 SPSS12之后新增的输出，用于给出反应模型的解释度，它类似于回归模型中的决定系数，具体以熵(Entropy) 或集中度(Concentration) 来计算。 以熵为例，可见数据的总熵为83.613 ，其中被模型解释掉了2.916 ，因此通过熵测得的模型解释度为2.916/83.613 =0.035。 但是，由于这里拟合的是分类数据的模型，因此解释度指标只是近似的反映了模型的效果，就如同Logistic 模型中的伪决定系数一样。 * ppt课件 模型中所有参数的估计值，对于自变量的任意组合分别估计了常数项。其余的11 个系数中3个有效参数均给出了标准误、Z值以及参数95% 可信区间，从可信区间可见第11个参数有统计学意义的，可以这样理解，在控制了hospital 这一变量的混杂作用后，因变量effect与自变量trt 之间存在交互作用。 结合具体数据可知，手术1 的术后并发症发生率低于手术2 。两所不同医院之间，术后并发症发生情况无明显差别。 * ppt课件 * ppt课件 * ppt课件 ppt课件 ppt课件 ppt课件 对数线性模型 多项分布对数线性模型 Poisson对数线性模型 * ppt课件 高维列联表和多项分布对数线性模型 前面例子原始数据是个三维列联表，对三维列联表的检验也类似。 但高维列联表在计算机软件的选项可有所不同，而且可以构造一个所谓(多项分布)对数线性模型(loglinear model)来进行分析。 利用对数线性模型的好处是不仅可以直接进行预测，而且可以增加定量变量作为模型的一部分。 * ppt课件 多项分布对数线性模型 现在简单直观地通过二维表介绍一下对数线性模型，假定不同的行代表第一个变量的不同水平，而不同的列代表第二个变量的不同水平。用mij代表二维列联表第i行，第j列的频数。人们常假定这个频数可以用下面的公式来确定： 这就是所谓的多项分布对数线性模型。这里αi为行变量的第i个水平对ln(mij)的影响，而βj为列变量的第j个水平对ln(mij)的影响，这两个影响称为主效应（main effect）；εij代表随机误差。 * ppt课件 多项分布对数线性模型 这个模型看上去和回归模型很象，但由于对于分布的假设不同，不能简单地用线性回归的方法来套用(和Logistic回归类似)；计算过程也很不一样。当然我们把这个留给计算机去操心了。只要利用数据来拟合这个模型就可以得到对于参数m的估计（没有意义），以及ai和bj的“估计”。 有了估计的参数，就可以预测出任何i，j水平组合的频数mij了（通过其对数）。 注意，这里的估计之所以打引号是因为一个变量的各个水平的影响是相对的,因此,只有事先固定一个参数值(比如a1=0),或者设定类似于Sai=0这样的约束，才可能估计出各个的值。没有约束，则这些参数是估计不出来的。 * ppt课件 多项分布对数线性模型 二维列联表的更完全的对数线性模型为 这里的(αβ)ij代表第一个变量的第i个水平和第二