SPSSLogistic回归分析及其应用.pptVIP

Logistic回归分析及其应用;概述;;Logistic回归曲线;一般直线回归难以解决的问题;寻找合适的模型;最终可得p值：;概述小结;Logistic回归模型的估计方法;理解“似然”;Logistic回归模型的检验;模型中回归系数的含义;分析的一般步骤;Logistic回归的分类;二项Logistic回归;从模型角度出发，不妨把事件发生的情况定义为y=1，事件未发生的情况定义为y=0，这样取值为0、1 的因变量可以写为下式： 线性函数对x的变化在p=0或p=1的附近是不敏感的、缓慢的，且非线性的程度较高。于是我们寻找一个p的函数，使得它在p=0或p=1附近时变化幅度较大，而函数的形式又不是很复杂。因此，我们引入p的logit变换。 ; ;建立回归模型：;打开二项Logistic命令;二项Logistic过程主对话框;选项对话框;起始模型卡方检验表;Hosmer-Lemeshow 检验的列联表 ; 预测方程;依据预测概率的观测量分组表;多分变量Logistic回归;最后，求得第i类的概率值： 另：参数估计表(Parameter Estimates) 中的Exp(B) 表示某因素(自变量) 内该类别是其相应参考类别具有某种倾向性的倍数。;以99年某地区中小学视力监测结果为例, 视力低下程度分轻、中、重三类。在SPSS 数据文件内, 建立三个变量:“低下程度”、“性别”、“年龄”。 “低下程度”中的1 代表轻度, 2 代表中度, 3 代表重度； “性别”中, 1 代表男性, 2 代表女性； “年龄”为定距变量。 根据所建模型中的系数可估计出一个学生某种视力低下程度的可能性大小。; ;可见性别与视力低下程度有关系(p =0. 034) , 而年龄与视力低下程度似无关(p = 0. 362) , 但这有可能是因为两者呈非线性关系而引起的, 而非真的没有关系。;解决方案： 　将年龄(连续性变量) 分为几个水平,并产生一个分类变量“学习阶段”: 0= 小学, 1= 初中, 2= 高中。删掉“年龄”变量, 将变量“性别”和“学习阶段”都选入Factor ( s) 中, 其他过程同上, 得表2. ;由表2可见，学习阶段与视力低下程度的关系有显著性意义(p 0. 001)。;引入全模型： 　Model 　　⊙Full factorial (包括交互作用的全因素模型) 　Statistics 　　√ Likelihood ratio test　得表3。 可见性别和学习阶段间无交互作用(p = 0. 612) , 因此下面的 分析仍然只考虑主效应(Main Effect)。;由√ Parameter estimates (默认) 项可得表4。;表4中共有两套Logistic 回归系数, 分别针对轻度和中度视力低下。重度作为因变量中的参考类别, 其所有系数都是0。“性别= 2”和“学习阶段= 2”分别作为其相应自变量中的参考类别, 因而其系数也均为0。 由sig 一栏可见, 两套系数中, “性别= 1”与“性别= 2”相比均有显著性差异(p 0. 001) ;“学习阶段= 0”与“学习阶段= 2”相比在轻度中有显著性差异, p =0. 002, 在中度中无显著性差异p = 0. 202,“学习阶段= 1”与“学习阶段= 2”在两种程度中均有有显著性差异, p值分别为0. 029 和0. 006 。;由表4 中的系数, 我们可估计出某个学生视力低下程度的概率。例如对一个初中男生来说, 其“性别= 1”,“学习阶段= 1”, 根据表4 中的系数B: 对于轻度, 对于中度, 由于重度是因变量中的参考组, 其所有系数均为0, 所以g 3= 0。;根据公式　　　　　　　　　　　 ，得 ;表4 中的exp (B) 表示某因素(自变量) 内该类别是其相应参考类别具有某种倾向性的倍数, 如exp (B) = 1. 581 指对于视力低下为轻度而不是重度这种情况, 男性是女性的1. 581 倍; exp (B) =2. 233 指对于视力低下为中度而不是重度这种情况, 初中生是高中生的2. 233 倍。 可见, 多分类Logistic 回归分析不仅可同时分析所有的影响因素, 还能对各因素的影响程度进行一定的量化。;在对话框中选择 Statistics √ Cell Probabilities 可得表5。（经过整理，表5中只列出了初中男生的情形。） 表中的Pearson Residual 可用于评估模型拟和的优劣, 其值的绝对值大于2 时,说明模型拟合不佳，则应考虑是否有其他原因影响了模型的拟和。;分析的一般步骤;1.变量的编码;变量的编码;2.哑变量的设置和引入;哑变量的设置;教育程度;SPSS提供的方法