多變項迴歸分析.pptx

多變項迴歸分析;Key words;我們研究的主題 （依變數）資料有些是像第七章中討論的連續型（或稱數值型）資料，有些是像第八章中討論的二元類別型資料，有些則是像第九章中討論的計數資料。不同的資料形態導致分析的迴歸模型及方法都有相當大的差異。 若主題資料是二元類別型資料，用卜瓦松迴歸模型去分析就會發生嚴重的錯誤。不同迴歸模型的迴歸係數也各有不同的解釋和代表的意義，分析時要特別注意。;我們在第七-九章中已經介紹了如何利用不同的迴歸模型探討一個自變數和???個依變數之間的關係，如何利用迴歸模型做預測。但在醫學資料的分析中我們很少會遇到僅用一個自變數分析的情形。 重要的原因之一是經常有許多風險因子（自變數）會同時影響要研究的依變數，單一自變數的分析結論經常有干擾（confounding）的情形產生。;賀爾蒙治療　VS　冠狀動脈性心臟病;要從研究方法的設計上解決的話，我們在收集資料時，觀察到一位接受賀爾蒙治療的婦女（可稱為案例）就找一位年齡（干擾變數）相仿沒接受賀爾蒙治療的婦女（可稱為對照）同步追蹤觀察冠狀動脈性心臟病發生的情形 （此設計是以年齡相配(matching) 的設計），接著用檢定方法(例如McNemar檢定) 處理分析。 若要從分析方法下手的話，則通常要使用多變項迴歸分析方法，將干擾變數放進迴歸模型中和主要的風險變數同步分析，這種作法稱為控制干擾因子的作法（control of confounding），是本章討論的重點。;多變項迴歸模型;?;?;二個自變數以上的迴歸模型;?;?;?;Ｒ-web;?;我們用年齡來調整勝算比的估計，並檢視年齡是否為干擾因子: 以點選方式選用路徑: “ ?分析方法 ?廣義線性模式 ?邏輯特連結函數 ?步驟一 （資料匯入）: 使用個人資料檔 ?步驟二（參數設定）: 選擇依變數: 心血管疾病； 自變數: 抽菸量，年齡 ?開始分析“ 表10-2.調整年齡後抽菸量對心血管疾病的影響 表10-2中的結果顯示：年齡及抽菸量都是心血管疾病的風險因子；他們的勝算比對數分別為1.732及0.138。;?;多變項迴歸模型中的交互作用;?;?;Ｒ-web;?;分層分析;以心血管疾病的研究為例，可將分析的資料分成男女二層，然後使用表10-3的邏輯斯廻歸模型個別分析層內資料並下結論。 這種作法的好處是分析模型中不必考慮複雜的交互作用，但缺點是層內資料會變少檢定力會變低，風險因子有可能得不到顯著的分析結果。因此，若是某一層的資料明顯的不足時，分層分析可能就不適合。 以下我們用性別分層，將資料分成男女二層， 分別有 24051及 40438筆資料。 ;R-web;?;表10-5. 年齡和抽菸量交互作用對心血管疾病的影響 （男性） 針對男性而言，表10-5的結果顯示：年齡及抽菸量都是心血管疾病的風險因子；他們的勝算比對數估計分別為1.730及0.401，交互作用的勝算比對數為-0.404；他們檢定統計量的p值都小於0.03，表示統計上???著的不為零。 ;?;作業 ;The End