論文經(jīng)典方法：logistic回歸分析及其應(yīng)用(更新版)
【正文】 僅用于自變量的剔選，也用于交互作用項是否顯著的判斷。模型擬合好， x2值大， P值小。 ? 連續(xù)型自變量 當自變量改變一個單位時，比數(shù)比為 eb 2022/8/28 29 輸出結(jié)果的解釋 模型擬合的優(yōu)劣 自變量與結(jié)果變量（因變量）有無關(guān)系 確認因變量與自變量的編碼 模型包含的各個自變量的臨床意義 由模型回歸系數(shù)計算得到的各個自變量的比數(shù)比的臨床意義 2022/8/28 30 輸出結(jié)果的解釋 模型的預(yù)測結(jié)果的評價 ?敏感度、特異度和陽性預(yù)測值 正確選擇預(yù)測概率界值，簡單地以，但并不是最好的。 logistic回歸不要求在因變量正態(tài)假設(shè)的前提下進行預(yù)測。 給定例數(shù)時自變量太多 ?刪除變量 ?合并變量及變量的分類 2022/8/28 40 其他問題 logistic回歸的局限性 ?理論上的不足： 自變量對疾病的影響是獨立的，但實際情況及推導結(jié)果不同。 C值越大（最大為 1），模型預(yù)測結(jié)果的能力越強。適用于含連續(xù)性變量的情況。當變量間有完全相關(guān)性時，后退法無法使用，可用前進法。 一個 k分類的分類變量，可以用 k1個啞變量來表示。危險性 39。未檢 39。否 39?；颊吣挲g 39。患者中文姓名 39。問卷序號 39。 一般概念 ? 一元直線回歸 ? 多元直線回歸 2022/8/28 3 一元直線回歸模型 y = a + b x + e 多元直線回歸模型 y = a + b1x1 + b2x2 + … + bkxk + e 2022/8/28 4 X：自變量 F(y) ： 因變量的 logit值 如果一定要進行直線回歸也可以做出結(jié)果，但此時效果不佳。 pnum 39。 name 39。 2 39。 /nsex 1 39。 0 39。 3 39。 Difference: 除第 1類外各分類與其前各類平均效應(yīng)比較； Helmert: 除最后 1類外各分類與其前各類平均效應(yīng)比較； Repeated: 除第 1類外各分類與其前一類比較； Polynomial: 假設(shè)類間距相等，用于數(shù)值型變量。 ? 2logL（似然比檢驗， Omnibus Test） ：檢驗全部自變量的作用是否顯著。 增加交互作用項可能增加模型的效能 2022/8/28 27 模型中各個系數(shù)的顯著性檢驗 ? Wald檢驗： 類似于直線回歸系數(shù)的t檢驗 ? Wald x2檢驗： 同上 ?似然比檢驗： 自變量不在模型中與在模型中的似然值比較。這時，各個研究對象發(fā)生某事件的概率即為條件概率。
電大資料相關(guān)推薦
鄂ICP備17016276號-1