医用统计学十三logistic回归模型.pptxVIP

; 内容提要;对分类变量的分析，当考察的影响因素较少，且也为分类变量时，常用列联表（Contingency Table）进行整理，并用?2检验或分层?2检验进行分析，但存在以下局限性： 无法描述其作用大小和方向，更不能考察各因素间是否有交互作用； 当控制的分层因素较多时，将导致检验结果不可靠； ?2检验无法对连续性自变量进行分析（致命缺陷）。;logistic回归模型适合于应变量为二项分类的资料，在医学研究领域中的应用广泛。如流行病病因学研究（包括队列研究、病例对照研究、横断面研究??）、临床疗效研究（如疗效与治疗方法、患病轻中重等因素关系）、卫生服务研究（如是否就诊与性别、年龄、文化程度的关系）等等。;模型简介; 反应变量为二分类变量或某事件的发生率； 自变量与logit（P）之间为线性关系； 残差合计为0，且服从二项分布； 各观测间相互独立。;例1 某医师希望研究病人的年龄age、性别sex（0为女性、1为男性）、心电图检验是否异常ecg（ST段压低、0为正常、1为轻度异常、2为重度异常）与冠心病ca是否有关，数据见logistic_binary.sav。;简单分析实例;简单分析实例;简单分析实例;简单分析实例;简单分析实例;预测概率π;哑变量设置;例2 Hosmer 和Lemeshow于1989年研究了低出生体重婴儿的影响因素，结果变量为是否娩出低出生体重儿（变量名为LOW，1表示低出生体重儿，0表示非低出生体重儿），考虑的自变量有产妇妊娠前体重、产妇年龄、种族、是否吸烟、早产次数、是否患高血压等。（数据文件见：logistic_step.sav。）;哑变量设置;哑变量设置;哑变量设置;哑变量设置;哑变量设置; 参照水平最好要有实际意义，不推荐使用其他作为参照； 参照水平组要有一定的频数作保证，应不少于30或50例； 对有序自变量的分析： 从专业出发确定； 分别以哑变量和连续性变量的方式引入模型进行比较后确定。; Forward：Conditional （最可靠） Forward：LR Forward：Wald （应当慎用） Backward： Conditional （最可靠） Backward：LR Backward：Wald（应当慎用）;逐步回归;逐步回归;逐步回归;;逐步回归;对数似然值与伪决定系数 模型预测正确率 ROC曲线;对数似然值与伪决定系数： -2 倍对数似然值表示模型的拟合效果，其值越小，越接近于0，说明模型拟合效果越好。 但是，当自变量中存在缺失值时，因为一般统计软件在进行计算时会把含有缺失值的记录予以剔除，不参与统计分析，此时不能用-2log likelihood 对不同模型的拟合效果进行比较。;模型预测正确率：;ROC曲线：;模型拟合效果检验;模型拟合效果检验;模型拟合效果检验;模型拟合效果检验;模型拟合优度检验（Test of Goodness Fit ）： 考察当前模型是否可以进一步改善，检验当前模型与饱和模型的预测效果之差是否有统计学意义。; Pearson 和Deviance 拟合优度检验： 当自变量很多，或包含连续性自变量时，不可以用这两种方法。 似然比检验： 主要用于考察饱和模型是否可以进一步简化。 Hosmer－Lemeshow检验： 通常用于自变量很多，或包含连续性自变量的情况。;点击主对话框中的options按钮，出现如下所示的对话框：;拟合优度检验;①用save子对话框可以保存各种残差； ②如果残差的绝对值大于2，提示该记录可能是异常点。;多重共线性的对偏回归系数的影响与线性回归模型中的表现一致，如增加或删除一条记录，模型中偏回归系数值发生较大变化，专业上认为有意义的因素无统计学意义等等。 如果在进行logistic模型分析中，尤其是在向模型中引入交互作用项时出现了回归结果反常现象，则自变量之间的多重共线性是需要排除的一种可能。;目前SPSS的logistic过程中尚没有关于多重共线性诊断的结果输出，代替方法之一是运用相同的反应变量与自变量，拟合线性回归模型，并进行相应的共线性诊断。;匹配设计（matched design）是在设计阶段控制混杂因素的一种方法。当得到一名研究病例后，选择一名或多名非病例作为对照，选择相应对照的条件是：某些需要控制的混杂因素与该病例之间相同或相似，从而形成一个匹配的对子。一个匹配的对子可以只有 1个病例和1个对照，称1：1匹配；当病例很罕见时，常采用 1个病例，多个对照，此时称为1：m匹配，常用的 m一般小于等于4，不同的对子，m可以不同；还可设计m：n匹配，即不同对子的病例与对照个数均可不同，这样的设计增加了收集资料的灵活性。;对于这类匹配设计资料，如果采用以上介绍的非条件