统计学logistic回归分析.PPT

比分检验（score test） 　 以未包含某个或几个变量的模型为基础，保留模型中参数的估计值，并假设新增加的参数为零，计算似然函数的一价偏导数（又称有效比分）及信息距阵，两者相乘便得比分检验的统计量S 。样本量较大时， S近似服从自由度为待检验因素个数的?２分布。 Wald检验（ wald test） 　 即广义的t检验，统计量为u 　 u服从正态分布，即为标准正态离差。 　 Logistic回归系数的区间估计 　 上述三种方法中，似然比检验最可靠，比分检验一般与它相一致，但两者均要求较大的计算量；而Wald检验未考虑各因素间的综合作用，在因素间有共线性时结果不如其它两者可靠。 五、回归系数的意义 单纯从数学上讲，与多元线性回归分析中回归系数的解释并无不同，亦即bi表示xi改变一个单位时， logit P的平均变化量。 流行病学中的一些基本概念： 相对危险度（relative risk）: RR=P1/P2 比数　　　　　　　　　　　　Odds=P/(1-P) 比数比　　　OR=[P１/(1-P１)]/[P２/(1-P２)] 在患病率较小情况下，OR≈RR Logistic回归中的常数项（b0）表示，在不接触任何潜在危险／保护因素条件下，效应指标发生与不发生事件的概率之比的对数值。 Logistic回归中的回归系数（ bi ）表示，某一因素改变一个单位时，效应指标发生与不发生事件的概率之比的对数变化值，即OR的对数值。 Logistic回归系数的意义 分析因素xi为二分类变量时，存在（暴露）xi ＝１，不存在（未暴露）xi ＝０，则Logistic回归中xi的系数bi就是暴露与非暴露优势比的对数值．即OR=exp(bi)=e (bi) 分析因素xi为多分类变量时，为方便起见，常用1，2，…，k分别表示k个不同的类别。进行Logistic回归分析前需将该变量转换成k-1个指示变量或哑变量（design/dummy variable），这样指示变量都是一个二分变量，每一个指示变量均有一个估计系数，即回归系数，其解释同前。 分析因素xi为等级变量时，如果每个等级的作用相同，可按计量资料处理：如以最小或最大等级作参考组，并按等级顺序依次取为0，1，2，…。此时， e(bi) 表示xi增加一个等级时的优势比， e(k* bi)表示xi增加k个等级时的优势比。如果每个等级的作用不相同，则应按多分类资料处理。 分析因素xi为连续性变量时， e(bi)表示xi增加一个计量单位时的优势比。 多因素Logistic回归分析时，对回归系数的解释都是指在其它所有自变量固定的情况下的优势比。存在因素间交互作用时， Logistic回归系数的解释变得更为复杂，应特别小心。 根据Wald检验，可知Logistic回归系数bi服从u分布。因此其可信区间为 进而，优势比e(bi)的可信区间为 六、 Logistic回归分析方法 基本思想同线性回归分析。 从所用的方法看，有强迫法、前进法、后退法和逐步法。在这些方法中，筛选变量的过程与线性回归过程的完全一样。但其中所用的统计量不再是线性回归分析中的F统计量，而是以上介绍的参数检验方法中的三种统计量之一。 为计算方便，通常向前选取变量用似然比或比分检验，而向后剔除变量常用Wald检验。 七、条件Logistic回归 对配对/比调查资料，应该用条件Logistic回归分析。 对于配比资料，第i个配比组可以建立一个Logistic回归： 假设自变量在各配比组中对结果变量的作用是相同的，即自变量的回归系数与配比组无关。 配比设计的Logistic回归模型 其中不含常数项。 可以看出此回归模型与非条件Logistic回归模型十分相似，只不过这里的参数估计是根据条件概率得到的，因此称为条件Logistic回归模型。 条件Logistic回归的回归系数检验与分析，和非条件Logistic回归完全相同。 八、logistic回归的应用 1.疾病（某结果）的危险因素分析和筛选 用回归模型中的回归系数（βi）和OR说明危险因素与疾病的关系。 适用的资料： 前瞻性研究设计、病例对照研究设计、 横断面研究设计的资料。 三类研究计算的logistic 回归模型的β意义是一致。仅常数项不同。（证明略） 2.校正混杂因素，对疗效做评价 在临床研究和疗效的评价，组间某些因素构成不一致干扰疗效分析，通过该法可控制非处理因素，正确评价疗效。 3.预测与判别 预测个体在某因素存在条件下，发生某事件（发病）的概率