线性回归计算方法及公式 (2).ppt

Logistic回归

第21页,共36页，星期六，2024年，5月多元回归分析可用来分析多个自变量与一个因变量的关系，模型中因变量Y是边连续性随机变量，并要求呈正态分布。但在医学研究中，常碰到因变量的取值仅有两个，如药物实验中，动物出现死亡或生存，死亡概率与药物剂量有关。设P表示死亡概率，X表示药物剂量，P和X的关系显然不能用一般线性回归模型P＝B0＋B1X来表示。这时可用Logistic回归分析。第22页,共36页，星期六，2024年，5月内容安排Logistic回归模型模型参数的意义Logistic回归模型的参数估计Logistic回归方程的假设检验Logistic回归模型中自变量的筛选Logistic回归的应用第23页,共36页，星期六，2024年，5月Logistic回归模型先引入Logistic分布函数，表达式为：F（x)=ex/(1+ex)X的取值在正负无穷大之间；F(x)则在0－1之间取值，并呈单调上升S型曲线。人们正是利用Logistic分布函数这一特征，将其应用到临床医学和流行病学中来描述事件发生的概率。第24页,共36页，星期六，2024年，5月以因变量D＝1表示死亡，D＝0表示生存，以P（D＝1／X）表示暴露于药物剂量X的动物死亡的概率，设P（D＝1／X）＝eBo+BX/(1+eBo+BX)记Logit(P)=ln[p/(1-p)],则上式可表示为：Logit(P)＝Bo+BX这里X的取值仍是任意的，Logit(P)的值亦在正负无穷大之间，概率P的数值则必然在0－1之间。p/(1-p)为事件的优势，Logit(P)为对数优势，故logistic回归又称对数优势线性回归第25页,共36页，星期六，2024年，5月一般地，设某事件D发生（D＝1）的概率P依赖于多个自变量（x1,x2,…,xp)，且P（D＝1）＝eBo+B1X1+…+BpXp/(1+eBo+B1X1+…+BpXp)或Logit(P)＝Bo+B1X1+…+BpXp则称该事件发生的概率与变量间关系符合多元Logistic回归或对数优势线性回归。第26页,共36页，星期六，2024年，5月logistic回归模型参数的意义优势比（oddsratio,OR)：暴露人群发病优势与非暴露人群发病优势之比。P(1)/[1-p(1)]OR=———————P(0)/[1-p(0)]Ln(oR)=logit[p(1)]-logit[p(0)]=(B0+B×1)－(B0+B×0)=B可见B是暴露剂量增加一个单位所引起的对数优势的增量，或单位暴露剂量与零剂量死亡优势比的对数。eB就是两剂量死亡优势比。常数项B0是所有变量X等于零时事件发生优势的对数。第27页,共36页，星期六，2024年，5月Logistic回归的参数估计Logistic回归模型的参数估计常用最大似然法，最大似然法的基本思想是先建立似然函数或对数似然函数，似然函数或对数似然函数达到极大时参数的取值，即为参数的最大似然估计值。其步骤为对对数似然函数中的待估参数分别求一阶偏导数，令其为0得一方程组，然后求解。由于似然函数的偏导数为非线性函数，参数估计需用非线性方程组的数值法求解。常用的数值法为Newton-Raphson法。不同研究的设计方案不同，其似然函数的构造略有差别，故Logistic回归有非条件Logistic回归与条件Logistic回归两种。第28页,共36页，星期六，2024年，5月Logistic回归的假设检验1、拟合优度检验：目的是检验模型估计值与实际观察值的符合程度。SAS程序提供了下列统计量。A、AIC和SC：对同一份资料，在模型比较中，这两个越小，表明模型越合适。B、－2LogL：用于检验全部自变量（协变量）的联合作用。如显著，表明全部协变量的联合作用显著；如不显著，表明全部协变量的联合作用不大，可予忽视。C、Score：用于检验全部协变量联合作用的显著性，但不包截距项。第29页,共36页，星期六，2024年，5月2、偏回归系数的显著性检验：目的是检验回归模型中自变量的系数是否为零，等价于总体优势比OR是否为零。H0：B等于零H1：B不等于零A、wald检验：B、Scoretest:C、likelih