[醫(yī)學]logistic回歸-文庫吧
2025-09-19 22:45 本頁面
【正文】 增加了自變量后， G的變化量是否有統(tǒng)計學意義，即此改善是否有意義。 ? 因此似然比檢驗也可用于對模型中的回歸參數(shù)進行假設(shè)檢驗。 ? 似然比檢驗的結(jié)果比較穩(wěn)健，因此使用更普遍。 ? 先做 單因素分析 ： ? 對連續(xù)變量先做兩組頻數(shù)分布，必要時轉(zhuǎn)化成分類變量（考慮參數(shù)實際意義）； ? 對有序變量先做兩組頻數(shù)分布表 ，必要時轉(zhuǎn)化為無序分類變量（啞變量）或二分類變量； ? 對可能相關(guān)的自變量進行 部分多因素分析 ，考察自變量間的相關(guān)關(guān)系。 建模策略 建模策略 ? 在單變量分析和相關(guān)自變量分析的基礎(chǔ)上，進行 多因素逐步篩選 ； ? 納入模型的因素： ? 單變量分析有統(tǒng)計學意義 ? 專業(yè)上有意義 ? 需要調(diào)整的混雜因素（始終放在模型中） ? 在多因素篩選模型的基礎(chǔ)上，考慮有無必要納入變量的 交互作用項 。 SAS中的 LOGISTIC過程 Proc logistic descending。 Model 因變量 =自變量表 /selection= sle= sls= stb； Freq 頻數(shù)變量； Run； ? Proc logistic語句默認計算應(yīng)變量值最小（陰性結(jié)果 一般賦值為 0）的概率，但是通常我們想要得到的是陽性結(jié)果的概率，即賦值最大的數(shù)值的概率（二分類變量時一般賦值為 1），于是使用選項“ descending”解決這一問題。 ? Selection用于選擇篩選自變量的方法，有 backward（向后法）、 forward（向前法）、 stepwise（逐步法）、 score（最優(yōu)子集法）、 none（完全法）五個選項，默認為 none； ? SLE=概率值，入選標準，規(guī)定變量入選模型的顯著性水平，前進法的默認是 ，逐步法是 ? SLS=概率值，剔除標準，指定變量保留在模型的顯著水平，后退法默認為 ，逐步法是 ? 標準化偏回歸系數(shù) STB 可用來比較各個自變量作用的大小 實例 1 ?假設(shè)我們有一個數(shù)據(jù)， 45個觀測值，四個變量，包括： ? age（年齡，數(shù)值型）； ? vision（視力狀況，二分類： 1表示差， 0表示好）； ? drive（駕車教育，二分類： 1表示參加過駕車教育， 0表示沒有）； ? Accident（去年是否發(fā)生事故，二分類： 1表示出過事故， 0表示沒有）。 ?考察前三個變量與發(fā)生事故的關(guān)系。 程序 data logistic 。 input accident age vision drive 。 cards。 1 17 1 1 1 44 0 0 1 48 1 0 1 55 0 0 1 75 1 1 0 35 0 1 …………… 1 31 0 1 1 16 1 0 1 61 1 0 。 run。 proc logistic data=logistic descending 。 model accident=age vision drive/selection=stepwise sle= sls= stb。 run 。 結(jié)果 1：本模型的基本信息 ? 需要注意的是 Response Profile 中， accident=1排在首位。前面我們說過， SAS的 Logistic回歸方程 log(odds)默認的形式是處理那個變量值比較小的，加上 descending選項后，accident=1就排在首位了。 結(jié)果 2： 自變量進入模型的次序 三種檢驗方法結(jié)果均提示變量vision有統(tǒng)計學意義 AIC、 SC、 2log L 三個信息量標準均用來比較不同的模型，它們數(shù)值越小，模型擬合就越好 結(jié)果 2： 自變量進入模型的次序 ? Step2變量 drive進入后，模型的表現(xiàn)變好了，因為這時 AIC ，SC， 2logL 的值變小了， 2 Log L 和 Score 對應(yīng)的 p值也更小 結(jié)果 3： 參數(shù)檢驗結(jié)果及回歸模型 log(p/(1p))=+**drive ? 視力的
教學課件相關(guān)推薦
鄂ICP備17016276號-1