logistic回归及其分析攻略.pptVIP

图1妊娠次数和流产次数与logitP的关系logistic回归案例分析非线性，考虑虚拟变量线性，可直接纳入方程logistic回归案例分析2：单因素分析proclogisticdesc;modely=age;proclogisticdesc;modely=chage;proclogisticdesc;classrs(param=referenceref=first);modely=rs;proclogisticdesc;modely=lc;proclogisticdesc;modely=mr;run;logistic回归案例分析2：单因素分析logistic回归案例分析单因素分析初步结论：由于年龄的影响在单因素分析中无统计学意义，且OR值也较为接近1，在多因素分析中不再考虑年龄因素，仅对其它4个因素进行分析。logistic回归案例分析3：多因素分析（去掉年龄）proclogisticdesc;classrs(param=referenceref=first);modely=chagerslcmr;run;多因素分析结果：logistic回归案例分析多因素分析小结：为什么rs变得无统计学意义了？相关分析结果显示，妊娠次数与流产次数具有较强的相关性（r=0.55，P0.001）。logistic回归案例分析多因素分析小结：可以设想，妊娠次数对乳腺增生可能并无影响或影响很小，单因素中的影响可能主要是通过流产次数这一因素起作用的，当多因素分析中校正了流产次数的影响后，妊娠次数的影响变得无统计学意义。将妊娠次数这一变量去掉，重新拟合方程。logistic回归案例分析logistic回归案例分析去掉妊娠次数后重新拟合，同时评价模型的拟合优度proclogisticdesc;modely=chagelcmr/aggregatescale=none;run;模型中所有变量均有统计学意义。与含rs变量的模型相比，AIC和SC均降低，似然比差别很小。说明去掉rs后模型更优含rs模型不含rs模型logistic回归案例分析模型的拟合优度评价：P值小于0.05，提示拟合不充分指标值距离1较远，提示可能有过离散现象存在，意味着可能结果存在假阳性logistic回归案例分析模型诊断：proclogisticdesc;modely=chagelcmr/aggregatescale=noneinfluence;run;logistic回归案例分析模型诊断图（部分）：

并无明显的异常点logistic回归案例分析进一步考虑是否可能存在交互效应：考虑母乳喂养与初产年龄的交互作用proclogisticdesc;modely=chagelcmrchage*mr/aggregatescale=none;run;logistic回归案例分析初产年龄与母乳喂养可能存在一定的交互效应为什么mr和chage变得无统计学意义？一旦模型中加入交互项，变量便不再反映主效应，而是单独效应。此时mr反映的是chage=0时的效应，同样，chage反映的是mr=0时的效应。logistic回归案例分析交互项的进一步解释：对于母乳喂养的人（mr=0），初产年龄=25与初产年龄25岁的人相比，其效应（参数估计值）为0.2717。对于非母乳喂养的人（mr=1），初产年龄=25与初产年龄25岁的人相比，其效应（参数估计值）为0.2717+1.4587=1.7304。logistic回归案例分析如果想详细了解mr和chage两个变量组合的效应，可将这两个变量组合，即（chage=0，mr=0）、（chage=0，mr=1）、（chage=1，mr=0）、（chage=1，mr=1）四类。将该四分类变量做成虚拟变量，本例，初产年龄小、母乳喂养风险相对较低，将其作为参照组，产生三个虚拟变量。这三个虚拟变量分别为：(chage=0，mr=1)相对(chage=0，mr=0)的风险（即非母乳喂养的风险）(chage=1，mr=0)相对(chage=0，mr=0)的风险（即初产年龄=25的风险）(chage=1，mr=1)相对(chage=0，mr=0)的风险（即非母乳喂养和初产年龄=25共同的风险）。logistic回归案例分析DATAexample8_6;INPUTyagechagerslcmr;IFchage=1and