列联表 卡方检验与对数线性模型.ppt

Poisson对数线性模型简介在某些固定的条件下, 人们认为某些事件出现的次数服从Poisson分布, 比如在某一个时间段内某种疾病的发生病数, 显微镜下的微生物数, 血球数, 门诊病人数, 投保数, 商店的顾客数, 公共汽车到达数, 电话接通数等等. 然而, 条件是不断变化的. 因此, 所涉及的Poisson分布的参数也随着变化. Poisson对数线性模型 假定哮喘发生服从Poisson分布；但是由于条件不同，Poisson分布的参数l也应该随着条件的变化而改变。这里的条件就是给出的性别、空气污染程度与年龄。当然，如何影响以及这些条件影响是否显著则是我们所关心的。这个模型可以写成 这里m为常数项，ai为性别（i=1,2分别代表女性和男性两个水平），bj为空气污染程度（j=1,2,3代表低、中高三个污染水平），x为连续变量年龄，而g为年龄前面的系数，eij为残差项。 Poisson对数线性模型 从对于数据(asthma.sav)的Poisson对数线性模型的相应SPSS输出，可以得到对m的估计为4.9820，对ai的两个值的“估计”为-0.0608、 0.0000，对bj的三个值的“估计”为-0.1484，0.1223、0.0000，对g的估计为 0.0126。 注意，这里的对主效应aI和bj的估计只有相对意义；它们在一个参数为0的约束条件下得到的。 从模型看上去，年龄和性别对哮喘影响都不那么重要。轻度污染显然比中度污染和严重污染哮喘要好。但是似乎严重污染时哮喘稍微比中度污染少些(差别不显著)。 通过更进一步的分析（这里不进行），可以发现，中度和严重空气污染（无论单独还是一起）和轻度空气污染比较都显著增加哮喘人数，而中度及严重污染时的哮喘人数并没有显著区别。 数据(asthma.sav) m=read.table(d:/booktj1/data/asthma.txt) names(m)=c(Sex,Polution,Age,Count) attach(m) a=glm(Count~Sex+Polution+Age,family=poisson) Sex=factor(Sex);Polution=factor(Polution) a=glm(Count~Sex+Polution+Age,family=poisson) summary(a) 数据(asthma.sav) m=read.table(d:/booktj1/data/asthma.txt) Call: glm(formula = Count ~ Sex + Polution + Age, family = poisson) Deviance Residuals: Min 1Q Median 3Q Max -1.7901 -0.6700 -0.0651 0.6093 1.5848 Coefficients: Estimate Std. Error z value Pr(|z|) (Intercept) 1.730712 0.140238 12.341 2e-16 *** Sex2 0.023926 0.090543 0.264 0.7916 Polution2 0.297465 0.112353 2.648 0.0081 ** Polution3 0.174346 0.115519 1.509 0.1312 Age 0.004407 0.002333 1.889 0.0589 . --- Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1 (Dispersion parameter for poisson family taken to be 1) Null deviance: 56.577 on 59 degrees of freedom Residual deviance: 45.772 on 55 degrees of freedom AIC: 289.41 Number of Fisher Scoring iterations: 4 SPSS的实现 [数据asthma.sav] 假定已经加权 这时的选项为Analyze－Loglinear－General, 首先选择格子中频数的分布,这里是Poisson分布。 然后把两个变量（sex，polut）选入Factors（因子），把age选入Cell Covariate(s)。 再选Model（模型），这里以选Cust