二元logistic回归模型，关于结果的求助

来源：蜘蛛抓取(WebSpider) 时间：2016-10-24 01:54 标签： 二元logistic回归公式
如何用spss17.0进行二元和多元logistic回归分析
一、二元logistic回归分析
二元logistic回归分析的前提为因变量是可以转化为0、1的二分变量，如：死亡或者生存，男性或者女性，有或无，Yes或No，是或否的情况。
下面以医学中不同类型脑梗塞与年龄和性别之间的相互关系来进行二元logistic回归分析。
（一）数据准备和SPSS选项设置
第一步，原始数据的转化：如图1-1所示，其中脑梗塞可以分为ICAS、ECAS和NCAS三种，但现在我们仅考虑性别和年龄与ICAS的关系，因此将分组数据ICAS、ECAS和NCAS转化为1、0分类，是ICAS赋值为1，否赋值为0。年龄为数值变量，可直接输入到spss中，而性别需要转化为（1、0）分类变量输入到spss当中，假设男性为1，女性为0，但在后续分析中系统会将1，0置换（下面还会介绍），因此为方便期间我们这里先将男女赋值置换，即男性为“0”，女性为“1”。
第二步：打开“二值Logistic 回归分析”对话框：
沿着主菜单的“分析（Analyze）→回归（Regression）→二元logistic（Binary Logistic）”的路径（图1-2）打开二值Logistic 回归分析选项框（图1-3）。
如图1-3左侧对话框中有许多变量，但在单因素方差分析中与ICAS显著相关的为性别、年龄、有无高血压，有无糖尿病等（P&0.05），因此我们这里选择以性别和年龄为例进行分析。
在图1-3中，因为我们要分析性别和年龄与ICAS的相关程度，因此将ICAS选入因变量（Dependent）中，而将性别和年龄选入协变量（Covariates）框中，在协变量下方的“方法（Method）”一栏中，共有七个选项。采用第一种方法，即系统默认的强迫回归方法（进入“Enter”）。
接下来我们将对分类（Categorical），保存（Save），选项（Options）按照如图1-4、1-5、1-6中所示进行设置。在“分类”对话框中，因为性别为二分类变量，因此将其选入分类协变量中，参考类别为在分析中是以最小数值“0（第一个）”作为参考，还是将最大数值“1（最后一个）”作为参考，这里我们选择第一个“0”作为参考。在“存放”选项框中是指将不将数据输出到编辑显示区中。在“选项”对话框中要勾选如图几项，其中“exp(B)的CI(X)”一定要勾选，这个就是输出的OR和CI值，后面的95%为系统默认，不需要更改。
图1-4 分类 图1-5 保存 图1-6 选项
另外在“选项”对话框中，“输出”一栏中，系统默认为“在每个步骤中”，这里更改为“在最后一个步骤中”，即：输出结果将仅仅给出最终结果，而省略每一步的计算过程。由于我们采用强迫回归，逐步回归概率选项可以不管
此外还有一个选项需要说明。一是分类临界值（Classification cutoff），默认值为0.5，即按四舍五入的原则将概率预测值化为0 或者1。如果将数值改为0.6，则大于等于0.6 的概率值才表示为1，否则为0。其情况余依此类推。二是最大迭代值（Maximum Iterations），规定系统运算的迭代次数，默认值为20 次，为安全起见，我们将迭代次数增加到50。原因是，有时迭代次数太少，计算结果不能真正收敛。三是模型中包括常数项（Include constant in model），即模型中保留截距。除了迭代次数之外，其余两个选项均采用系统默认值。
完成后，点击各项中“继续（Continue）”按钮。返回图1-3，单击“确定”按钮。
（二）结果解读
其他结果参照文章《利用SPSS进行Logistic回归分析》中解读，这里重点将两点： 第一，分类变量编码（图1-7），由于这里包括性别分类变量，而我们对性别赋值为1和0，但在spss中系统会默认把我们的数值进行置换，即1→参数编码0，0→参数编码1，而最终输出结果是以1来计算的，而0为参考数据。所以这也就是为什么我么之前要对研究组男性的赋值进行置换了。如果男性为1那么spss中最终输出的将是女性的分析结果。
第二，最终输出数据（图1-8）在该结果中，Exp(B)即为文献中提及的OR值，而EXP(B)的95%C.I.即为文献中提及的CI值。其中Exp(B)表示某因素（自变量）内该类别是其相应参考类别具有某种倾向性的倍数。而有的文献中提到的Crode OR和Adjust OR则分别为单因素优势率（Crode odds ratio）和多因素优势率（Adjust odds ratio），即仅对性别单个变量的单因素分析或者对性别和年龄等多个变量进行多因素分析后所得到的不同结果。CI则为可信区间（Confidence interval）。Sig.即我们常说的P值，P&0.05为显著（无效假说不成立，具有统计学意义），P&0.05为不显著（无效假说成立，不具有统计学意义）。
二、多项（多元、多分类、Multinomial）logistic回归分析
前面讲的二元logistic回归分析仅适合因变量Y只有两种取值（二分类）的情况，当Y具有两种以上的取值时，就要用多项logistic回归（Mutinomial Logistic Regression）分析了。这种分析不仅可以用于医疗领域，也可以用于社会学、经济学、农业研究等多个领域。如不同阶段（初一、初二、初三）学生视力下降程度，不同龋齿情况（轻度、中度、重度）下与刷牙、饮食、年龄的关系等。
下面我们以图1-2中，对apoba1（ApoB/AI）项中数值做四分位数后，将病人的ApoB/AI的比值划分为低、较低、中、高四个分位后利用多项logistic回归分析其与ICAS之间的相互关系。
首先来做四分位数，很多人在做四分位数的时候都是自己算出来的，其实在SPSS里面给出了做四分位数的程度即分析（Aanlyze）→描述统计（Descriptive Statistics）→频率（Frequencies）。打如图2-1开频率对话框。将我们要分析的数值变量Apoba1选入到变量对话框中。
选择统计量，按照图2-2中勾选四分位数选项，其他选项按照自己需要勾选，然后点击图2-1中的确定按钮，开始运算。在图2-3中可以读取我们的四分位数二元logistic回归，关于结果的求助_百度知道logistic二元回归分析结果中没有模型的参数拟合结果那个表格，不知道是数据哪里出了问题?求指教啊_百度知道二元Logistic回归中自变量的处理和解读（一）——无序多分类变量的处理
来源：临床流行病学和循证医学
二元Logistic回归常用与解决结局是二分类变量的问题，我们在33期和51期介绍了他的基本概念和SPSS实现办法。在实际进行Logistic回归的过程中，我们还会遇到很多现实问题，尤其是在自变量的处理上经常拿不准。比如自变量是否一定是二分类变量？多分类变量作为自变量如何处理？连续变量是否可以当做自变量？多分类变量和连续变量做自变量的时候，结果OR值如何解读等等。接下来几期我们就对此进行简单说明。
无序多分类变量作为自变量的设置
所谓的无序多分类变量，通常是指变量有多种情况，但各种情况的赋值间不存在大小上的差异。比如用数值代表患者的居住地（1=北京，2=上海，3=广州，4=成都……）。此时数值的大小并没有实际意义，因此我们需要用到前面介绍过的哑变量的概念。在SPSS中，并不用手动生成哑变量，而只是简单的在Logistic回归的“分类”选项中进行设置就好了。
举个例子：我们希望探讨教育程度、家庭收入、居住地这三个因素（自变量）是否与患者脱落（因变量）之间存在关系。在建立Logistic回归模型分析的时候，我们会这样引入变量：
其中“地址”变量是无序多分类变量。我们要通过上面对话框右上角的“分类”选项将其转换为哑变量。
如图所示，将地址变量选中，之后通过中间的方向符号丢到右边“分类协变量”区域。下面“更改对比”框中的“对比(N):”可以选择“指示符”或是“简单”，参考类别选择任意一个皆可。点击继续，地址变量就已经成功被标记为按哑变量处理了。这一步骤对于无需多分类变量可以说是必须选项，否则SPSS会认为我们的数据的数值之间存在大小的差异，比如2比1大1个单位，4比1大3个单位……导致出现错误的分析结果。
同样别忘了在选项中选择输出OR值的可信区间，如下图：
变量筛选方法我们选择向后的方法（图1）。
&从Hosmer-Lemeshow检验看，模型的拟合还是不错的，p＞0.1。
再看模型中的变量：
&我们看到，模型中的地址变量已经被当做了4个变量处理了，在结果输出中占了4行。其中第一行是参考类别，也就是我们在“分类”选项中选择的“最后一个”或是“第一个”。在这个例子中，我们选择的是最后一个，也就是“地址”变量中“4”对应的地址。具体对应关系如下：
结果的解读我们就不多说了，详细解读可参照第33期（回复33）。我们看到“地址”对应的一系列哑变量中，参照组是没有参数估计和OR值（Exp（B））的。原因很简单，参照嘛，本身就是被别人比的，OR自然也应该是1。其实在Logistic回归中，我们可以吧参照组想象为其他哑变量（地址1~3）的共用“0”。
也正因此，地址（1）~地址（3）的OR值，其意义也是：当患者来源于“地址（1）”时，其脱落的风险是患者来源于“地址”（此处为参照项）时的OR倍。
实用循证医学
实用循证医学秉承“合作、分享”的理念，充分发挥系统评价方面的资源优势，分享循证医学理念和系统评价知识，为您提供专业的系统评价培训和咨询服务！
微信号：EBMSRS
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。

我要回帖

更多关于 二元logistic回归公式 的文章

 

随机推荐