spss统计学分析之非条件二元logistic回归分析

发布人

Logistic 回归分析
	
	第一节非条件Logistic回归分析
	 
	一、方法原理
	多重回归分析研究一个正态随机因变量Y与一组自变量X（X1，X2，X3，?，Xp）的数量关系，但我们经常遇到因变量为二分类变量的情况，如发病与否、死亡与否等，需要研究该分类变量与一组自变量之间的关系，则采用二分类Logistic回归，又称非条件Logistic回归。
	二、分析示例
	某医师希望研究病人的性别（0为女性，1为男性）、心电图检查是否异常（0为正常、1为轻度正常、2为重度正常）、年龄（岁）与患冠心病与否有关，相关数据见视频。
	三、设置哑变量。如果自变量为多分类变量（如血型等），由于多分类变量和因变量之间不存在线性关系，须用哑变量的方式来分析，系统将产生K-1个哑变量（K为该变量的水平数）。哑变量的设置有对比方式和参考类别两个设置项目，设置方式指各哑变量之间的对比方式，有指示符（indicator）、简单（simple）、差值（difference）、Helmert、重复（repeated）、多项式（polynomial）、偏差（deviation）等形式，我们通常用到的为默认的指示符，并且需要以最后一个或第一个为参考类别，其他水平都与参考水平作比较。本例当中心电图表现x，有3个水平（正常x=0、轻度异常xx=1、重度异常x，=2），按默认的指示符（indicator）方法，若选用最后一个（L）为参考类别，则系统生成的两个哑变量的赋值如下。
	1 0 该组反映正常组与重度异常比较。
	0 1 该组反映轻度异常与重度异常比较。
	0 0 该组为参考的重度异常水平，在统计结果中无法体现。
	若选用第一个（F）为参考类型，则系统生成的两个哑变量的赋值如下。
	0  0 该组为参考的正常水平，在统计结果中无法体现。
	1  0 该组反映轻度异常与正常水平的比较。
	0  1 该组反映重度异常与正常水平的比较。
	可见，选用不同的参考水平，所代表的含义是不一样的，所以大家在进行结果解释时需要特别注意。
	 
	 
		 
	四.OR值的解释
	下图将输出Logistic回归分析中一个非常重要的指标OR。Exp（B）的CI，即OR值的95%可信区间，OR值（比数比）是流行病中一个重要的指标，其计算公式为：构成比
	（病例中暴露的比例/病例中非暴露的比例）/（对照中暴露的比例/对照中非暴露的比例）。
	如OR=2，则说明病例中暴露于该危险因素的比例为对照中的2倍，显示该因素可能与疾病发生有关。
	 
	五、注意事项
	1.二分类（Binary Logistic）过程默认以因变量较大取值的概率P来建立模型，因此我们对因变量0和1赋值时一定要注意，0代表不发生（即不感兴趣的事件，y=0），1代表发生（即感兴趣事件，y=1）。如我们的血红蛋白是否低下为因变量进行模拟，那么低于某值为发生，代表血红蛋白不正常（y=1），否则为不发生，即血红蛋白正常（y=0）。因变量的赋值决定了模型的解释，大家需要特别注意。
	2.和多重线性回归分析一样，Logisitc回归分析的自变量也有连续变量、等级变量和分类变量3种，对于连续变量和分类变量（转换为哑变量）比较好处理，比较棘手的是等级变量（也称多分类有序变量），如文化程度可以分为文盲、小学、初中、高中及以上，如本例中心电图表现分为正常、轻度异常和重度异常3种。这样的等级资料可以以连续变量的形式引入模型，但其前提条件是等级分组与Logit（P）呈线性关系，其效应等比例增加（或降低），如果该前提不能满足，则只能将等级变量当作分类变量，用哑变量来进行分析。

打开封面下载高清视频观看高清视频视频下载器