统计学原理第六章重点专题logistic回归.pptVIP

专题 ：Logistic回归 Logistic回归分析 在回归分析或方差分析中,我们用一些变量(自变量)说明或预测因变量的变化. Logistic回归分析 logistic回归分析 P 某一特征发生的概率。 　　为“机会”或“优比”(odds),表示某一特征发 生与不发生之比。 为优比率(odds ratio) logit P为优比之对数(log odds) Logistic回归分析 案例：低出生体重儿调查 在中国出生缺陷监测网上进行的低出生体重儿(体重2500g)发生率的调查。 一年内所抽医院所有的新生儿。共监测2367例无其它系统畸形的新生儿。 其中低体重儿为110例，总发生率为4.65％。 同时调查了一些可疑因素。目的是探讨哪些因素与新生儿的出生体重有关。 调查的有关因素 单因素分析结果 变量选不进的原因：发生频率过低 母亲年龄与低体重发生率的关系 母亲年龄与低体重发生率的关系 父亲年龄与低体重发生率的关系 选择变量的尺度 同类性质指标的多元分析 多元逐步回归 母亲年龄与低体重发生率的关系 建模策略 任一建模过程均应从详细的各变量的单因素分析开始。 对性质相同的一些自变量进行部分多因素分析，并探讨自变量纳入模型时的适宜尺度，及自变量间的必要的一些变量变换。 在单变量分析和相关自变量分析的基础上，进行多因素的逐步筛选， 在多因素筛选模型的基础上，考虑有无必要纳入变量的交互作用项。 不同的模型 不同的分析思维、不同的统计方法所得模型可能不一样，应该允许多个模型并存，只要他们真正较好地反映了因素与现象间的联系。 16.67 1 5 4 40 ? 4.33 10 221 3 30 ? 3.72 41 1062 2 25 ? 5.41 55 961 1 20 ? 22.27 3 　 8 0 20 % 2500g 2500g 体重 母亲 年龄组 MAGE MAGE 变量选不进的原因：非线性关系 年龄分组 0 1 2 3 4 0 5 10 15 20 25 发生率(%) 9.68 3 28 4 40 ? 4.84 20 393 3 30 ? 3.94 55 1341 2 25 ? 6.07 32 493 1 20 ? 0 0 　2 0 20 % 2500g 2500g 体重 父亲年 龄组 FAGE FAGE 变量选不进的原因：非线性关系 0.106 1.615 0.6380 1.0305 常数项 0.179 1.344 0.1484 0.1994 FAGE2 0.256 1.136 0.6392 0.7259 FAGE 0.052 1.945 0.1689 0.3286 MAGE2 0.016 2.414 0.6291 1.5187 MAGE 3 0.004 2.844 0.5877 1.6715 常数项 0.019 2.352 0.1337 0.3146 FAGE2 0.017 2.382 0.5821 1.3864 FAGE 2 0.003 2.996 0.4731 1.4173 常数项 0.004 2.913 0.1498 0.4365 MAGE2 0.001 3.239 0.5648 1.8296 MAGE 1 Pz z 标准误 估计系数 变 量 模型 0.000 12.367 0.2520 3.1164 常数项 0.177 1.351 0.2550 0.3444 RGLC 0.548 0.601 0.1877 -0.1128 CC 0.035 1.342 0.1765 0.2234 XZLC 6 0.000 19.815 0.1487 2.9466 常数项 0.409 0.826 0.0855 0.0706 PX 0.003 3.009 0.4456 1.3408 RGZ 5 0.000 17.789 0.1640 2.9182 常数项 0.756 0.311 0.1574 0.0489 FDB 0.476 0.714 0.9944 0.7095 MDB 0.003 2.921 0.4410 1.2880 FSA 0.003 3.020 0.4449 1.3435 FSB 4 Pz z 标准误 估计系数 变 量 模型 0.015 -2.443 0.5252 -1.2832 常数项 0.046 1.992 0.3509 0.6990 XZLC 0.005 2.798 0.1944 0.5439 RGZ 0.001 3.211 0.1665 0.5348 MAGE2 0.000 -3.494 0.6317 -2.2070 MAGE P z 标准误 估计系数