spss統(tǒng)計分析第六章回歸分析-資料下載頁
2025-05-09 08:32本頁面
【正文】 置變量引入模型或從模型中剔除的判據(jù) ) Use probability of F：采用 F概率作為變量引入模型或從模型中剔除的判據(jù)。 Entry： sigT值 ≤方程； Removal： 的 sigT值 ≥歸方程剔除。 Use F values（采用 F值作為變量引入模型或從模型中剔除的判據(jù)） Entry： sigF值 ≥方程； Removal： 的 sigF值 ≤歸方程剔除。 練習(xí)題 為研究男性高血壓患者血壓與年齡、身高、體重等變量間的關(guān)系，隨機(jī)測量了 32名 40歲以上的男性患者的血壓、年齡、體重以及吸煙史（過去吸煙或現(xiàn)在吸煙設(shè)置為 1，不吸煙為 0）。試建立回歸方程。 二、曲線回歸分析 線性回歸可以滿足許多數(shù)據(jù)分析，然而線性回歸不會對所有的問題都適用，有時因變量與自變量是通過一個已知或未知的非線性函數(shù)關(guān)系相聯(lián)系。盡管有可能通過一些函數(shù)的轉(zhuǎn)換方法，在一定范圍內(nèi)將它們轉(zhuǎn)變?yōu)榫€性關(guān)系，但這種轉(zhuǎn)換有可能導(dǎo)致更為復(fù)雜的計算或數(shù)據(jù)失真。 在很多情況下有兩個相關(guān)的變量，用戶希望利用其中的一個變量對另一個變量進(jìn)行預(yù)測，此時可采用的方法也很多；從簡單的直線模型到復(fù)雜的時間序列模型。如果不能馬上根據(jù)觀測量數(shù)據(jù)確定一種最佳模型，可以利用曲線估計在眾多的回歸模型中來建立一個簡單而又比較適合的模型。 例 題 汽車每加侖汽油行駛的里程數(shù)（ mpg）與汽車重量（ weight）建立回歸方程。 Data13－ 01 線形回歸方程 Y=b0+b1X 二次回歸方程Y=b0+b1X+b2X2 復(fù)合曲線回歸方程 Y=b0(b1X) 等比級數(shù)曲線回歸方程 對數(shù)回歸方程 三次回歸方程Y=b0+b1X+b2X2+b3X3 三、 Logistic回歸分析 多元線性回歸要求 Y是呈正態(tài)分布的連續(xù)型隨機(jī)變量。難以處理因變量為二值變量的情況。 在醫(yī)學(xué)中，存在很多二值化的狀態(tài)，比如生存與死亡、感染與不感染、有效與無效、患病與不患病等等。這時，我們往往要分析生存與死亡或感染與不感染與哪些因素有關(guān)。而這些因素（自變量）可能是二值數(shù)據(jù)或等級分組資料或是計量資料，此時，可以使用 logistic回歸來分析因變量（二值變量）與自變量的關(guān)系。 logistic回歸的基本概念： 設(shè) P表示某事件發(fā)生的概率，取值范圍為 0～ 1， 1－ P是該事件不發(fā)生的概率，將比值 P/（ 1－ P）取自然對數(shù)得 ln(P/1－ P)，即對 P作 logit轉(zhuǎn)換，記為 logitP，則 logitP的取值范圍在 ∝ ， +∝ 之間。以 logitP為因變量，建立線形回歸方程： logitP =b0+∑bixi p=exp（ b0 +∑bixi） /[1+ exp (b0 +∑bixi)] OR=eв=expв 可見： b0表示一個不接觸危險因素（自變量取值全為 0時）的個體發(fā)病（死亡或感染）的比值的對數(shù)。 b0是常數(shù)。 bi 表示危險因素改變一個單位時，比值的對數(shù)的改變量。在實際比較 xi對比值的對數(shù)影響時，應(yīng)使用標(biāo)準(zhǔn)化的系數(shù)，以克服自變量不同量綱的影響。 bi稱為 logistic回歸系數(shù)。 數(shù)據(jù)背景（ data1302） 北京醫(yī)科大學(xué)附屬人民醫(yī)院內(nèi)分泌科盧紋凱教授課題。頸總動脈中層厚度 imt化，因變量 type值為 1；非硬化 imt＜ ，因變量 type值為 0。糖尿病患者 123例數(shù)據(jù)。研究哪些指標(biāo)可以判斷糖尿病患者是否動脈硬化。自變量AGE年齡、 ALB尿白蛋白、 BMI體重指數(shù)、 ISI胰島素敏感指數(shù)、 SBP收縮壓、 TG甘油三脂、 CHO膽固醇、DURA糖尿病程。其中尿白蛋白、甘油三脂、膽固醇三項生化指標(biāo)在回歸估計過程中均使用他們的對數(shù)變量： ALBLN、 TGLN、 CHOLN。
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1