spss回归分析大全.ppt

* 步骤：2.将变量拖入相应位置，“杀死数目”拖入响应频率。“蟑螂数”拖入观测值汇总。“计量”选为协变量。在“转换”栏中选择对数底为10. 3.在选项中勾选从数据中计算，点击“继续”并点击“确定” * 4.模型设置：点击“模型”，进入模型界面；选择“设定/步进式”模型；把“因素”列表中的“agecat”和“active”放入“强制输入项”栏，建立项选择“主效应”；如图进行设置。 * 5.统计量设置：点击“统计量”， 进行图示设置。 用于选择关于统计模型的统计量 用于选择关于模型参数的输出统计量 设置分组定义 * 6.收敛标准设置：点击“条件”，设置收敛准则。 * 7.选项设置：点击“选项”，在此设置逐步回归的参数。 * 8.保存设置：点击“保存”，勾选需要保存到数据集中的变量。 * 9.结果分析：按“确定”，获得需要的分析结果。 拟合优度表格：零假设是模型能够很好拟合原始数据。Pearson统计量和偏差统计量的显著水平都大于0.1，不能否定零假设，即最终模型显著成立。 零假设认为某效应从模型中剔除后系数没有变化。由于卡方检验的显著水平（Sig值）都 远远小于0.01，故不能否定零假设，认为3个效应对系数的影响都是显著的，不能剔除。 * * * Ordinal Regression 序数回归分析 相关分析 与 回归分析 定义： 是根据反应变量水平是否有序来区分的有序多分类的Logistic回归，又称之为等级回归分析，序数回归的过程在语法中称为 PLUM 。 应用： 如疗效可以分为无效、缓解、好转、治愈4个等级，其中缓解与好转是病人的主观体验，难以测量与量化，用序数回归就可以分析这样的有序变量。 Ordinal Regression 序数回归分析 有序结果变量回归的适用条件: (1) 一个因变量,它是两个或以上水平的分类变量。无论是主观(名义变量)或客观(有序结果变量)的分类均可。 (2) 一个或以上的协变量,它可以是分类变量或连续型变量。 患者对药物剂量可能的反应可以分为 无、轻微、适度或剧烈。轻微反应和适度反应之间的差别很难或不可能量化，并且这种差别是取决于感觉的。另外，轻微反应和适度反应之间的差别可能比适度反应和剧烈反应之间的差别更大或更小。 相关分析 与 回归分析 序数回归和线性回归： 当你试图预测有序反应时，一般线性回归模型并不能很好地工作。这些方法仅可以衡量结果（定）变量是在一个区间范围。这不是真正的有序结果变量，因此，回归模型可能无法准确反映数据之间的关系。一个有序变量，最重要的就是排序。因此，如果您将两个相邻的类别折叠成一个较大的类别，这只是一个很小的变化，使用旧的和新的类别建立的模型应十分类似。不幸的是，线性回归对类别的使用很敏感，类别合并前建成的模型和合并后建成的模型有很大不同。 广义线性模型： 适合每一类别中的有序变量的单独方程。每一个方程给出了在相应类别或者任何较低类别中的预测概率。没有建立预测模型，而所有的案件都必须在最后一类或较低类别，其概率为1，正因为如此，对于最后一类预测方程是不需要的。 序数回归数据注意事项： （1) 数据。假设因变量是序数并且可以是数值或字符串。通过对因变量的值进行升序排序来确定排列顺序。最低值定义第一个类别。假设因变量是分类变量。协变量必须为数值。请注意：使用多个连续协变量很容易使创建的单元概率表非常大。 (2）假设。只允许使用一个因变量，并且必须指定该因变量。另外，对于多个自变量值的各个不同模式，假设该因变量是独立的多项变量。 输出的统计量与图形包括： 协变量中每个分类变量的观测频数、预测频数、累计频数、频数与累计频数的Pearson残差、观察概率与预测概率和累积概率；还有参数估计值的渐进相关矩阵与协方差矩阵、Prarson卡方统计量、似然比卡方统计量、拟合优度统计量、迭代历史、参数估计值、标准误差和CoxSnell R方统计量等。 序数回归使用总体思路： （1）需要确定因变量的序。 （2）需要决定是否使用预测模型的位置组件。 （3）需要决定是否使用规模组件，如果需要，确定哪一个预测值需要使用。 在许多情况下，规模组件是没有必要的，只有位置组件的模型也将提供很好的数据总结。在保持事情简单同时获利益时，通常最好的是只使用位置组件的模型，并有证据表明只有位置组件的模型为您的数据不足时才添加一个规模组件。 （4）需要决定哪些链接功能最适合您的研究问题和数据结构。 链接功能： 是累积概率估计的改造模式。 连接函数表 应用举例： 某药品公司开发新药，服用者受试者服用后的疗效分为5个等级，“很好”“好”“中等”“差”“很差”。分别赋值1到5 。