用reg過程進(jìn)行回歸分析-資料下載頁
2025-06-24 05:04本頁面
【正文】 r CovariatesAIC .SC .2 LOG L with 2 DF (p=)（相當(dāng)于似然比χ2檢驗(yàn)）Score . . with 2 DF (p=)（相當(dāng)于Pearsonχ2檢驗(yàn)） 模型的總的檢驗(yàn)，故模型總體有意義。 Analysis of Maximum Likelihood Estimates Parameter Standard Wald Pr Standardized OddSVariable DF Estimate Error ChiSquare ChiSquare Estimate Ratio 自由度 參數(shù)估計 標(biāo)準(zhǔn)誤 Waldχ2 P值 標(biāo)準(zhǔn)化回歸系數(shù) 比值比INTERCPT 1 . .X2 1 X4 1 Association of Predicted Probabilities and Observed Responses 預(yù)測數(shù)和觀測數(shù)的關(guān)聯(lián)性分析 Concordant = % Somers39。 D = Discordant = % Gamma = Tied = % Taua = (153 pairs) c = 最后一部分是關(guān)于預(yù)測概率和觀察到的結(jié)果的關(guān)聯(lián)性，包括對不同結(jié)果的個數(shù)和四種秩相關(guān)指數(shù)的分析。逐步回歸法篩選出兩個有意義的變量X2和X4，，，事實(shí)上，比數(shù)比OR=ebeta。據(jù)此，寫出本例的回歸方程如下：LogitP=++。，但沒有被剔除出去，這是因?yàn)樗捎玫暮Y選方法為Stepwise，X4的P值并沒有超過剔除標(biāo)準(zhǔn)，因此仍在方程內(nèi)。結(jié)合專業(yè)，最終的方程仍然保留了X4。本例用逐步回歸法篩選出對患腎細(xì)胞癌有意義的危險因素有兩個，腎細(xì)胞癌血管內(nèi)皮生長因子(VEGF)的等級越高，腎癌細(xì)胞核組織學(xué)分級越高，患腎細(xì)胞癌的危險越大。比較兩個標(biāo)準(zhǔn)化回歸系數(shù)，X2對于患腎細(xì)胞癌的影響要大于X4。3 glm過程glm過程也存在于stat模塊中，它執(zhí)行以最小二乘法進(jìn)行模型擬合的功能。以此過程可以實(shí)現(xiàn)的統(tǒng)計學(xué)方法有回歸分析、方差分析、協(xié)方差分析、多元方差分析以及偏相關(guān)分析。glm過程對數(shù)據(jù)的分析處理均在一般線性模型的框架下進(jìn)行，反應(yīng)變量可以為一個或多個連續(xù)型變量，自變量可為連續(xù)型也可為離散型。glm過程的一般格式如下：PROC GLM 選項(xiàng)列表 。 CLASS 變量名列表 。 MODEL 應(yīng)變量=自變量列表 / 選項(xiàng)列表 。 ABSORB 變量名列表 。 BY 變量名列表 。 FREQ 變量名列表 。 ID 變量名列表 。 WEIGHT 變量名列表 。 CONTRAST 39。標(biāo)記39。 效應(yīng)表達(dá)式 常數(shù)向量 ... 效應(yīng)表達(dá)式 常數(shù)向量 / 選項(xiàng)列表 。 ESTIMATE 39。標(biāo)記39。 效應(yīng)表達(dá)式 常數(shù)向量 ... 效應(yīng)表達(dá)式 常數(shù)向量 / 選項(xiàng)列表 。 LSMEANS效應(yīng)表達(dá)式 / 選項(xiàng)列表 。 MANOVA 檢驗(yàn)選項(xiàng) / 詳細(xì)選項(xiàng) 。 MEANS 效應(yīng)表達(dá)式 / 選項(xiàng)列表 。 OUTPUT OUT=數(shù)據(jù)集名 keyword=names ... keyword=names / 選項(xiàng) 。RANDOM效應(yīng)表達(dá)式 / 選項(xiàng)列表 。 REPEATED 因素表達(dá)式 / 選項(xiàng)列表 。 TEST H=變量表達(dá)式 E=變量表達(dá)式 / 選項(xiàng)列表 。 Proc glm語句標(biāo)志glm過程的開始，此句后的選項(xiàng)可有以下項(xiàng)目。DATA=數(shù)據(jù)集名ALPHA=pMANOVAMULTIPASSNAMELEN=nNOPRINTORDER=DATA|FORMATTED|FREQ|INTERNAL OUTSTAT=SASdataset可以看到此選項(xiàng)列表僅比anova過程的多了一個項(xiàng)目，即“alpha=p”選項(xiàng)，此選項(xiàng)用來指定計算過程中所采用的顯著性水平。其余選項(xiàng)的用法和含義與anova過程的相同，這里不再多說了。大家可以比較一下glm過程和anova過程所涉及的語句，anova過程中涉及的所有語句都包含在glm過程所涉及的語句中，其用法和功能也都是基本相同的，這一部分語句這里就不再贅述。Contrast語句使你可以用自定義的方式進(jìn)行假設(shè)檢驗(yàn)，它必須出現(xiàn)在model語句之后，如果用到manova語句、repeated語句、random語句或test語句，contrast語句必須出現(xiàn)在這些語句之前。標(biāo)記用來標(biāo)識所進(jìn)行的檢驗(yàn)，用以標(biāo)識的文字或符號需用單引號括起來。效應(yīng)表達(dá)式用以指定假設(shè)檢驗(yàn)的因素（組合），這些因素（組合）必須是model語句中出現(xiàn)過的。效應(yīng)表達(dá)式后的常數(shù)向量用以指定相應(yīng)因素（組合）各水平的值，在指定各水平的情況下進(jìn)行相關(guān)因素的分析。Estimate語句可實(shí)現(xiàn)對線性方程的估計，它也必須出現(xiàn)在model語句之后，使用的規(guī)則和contrast語句基本相同。其中的語句元素的含義和用法也與contrast語句相同。Lsmeans語句用以指示SAS對指定的因素（組合）計算應(yīng)變量的最小二乘均數(shù)并輸出到結(jié)果中。Output語句我們在以前的內(nèi)容中接觸過，其功能和用法和以前的內(nèi)容也基本相同，各位請參考以前的內(nèi)容使用。Random語句用以指定哪些因素（組合）是隨機(jī)變量，即相對于這些因素（組合），樣本是來自于正態(tài)總體的隨機(jī)樣本，這樣SAS可對相應(yīng)因素（組合）作隨機(jī)效應(yīng)模型的分析。對以上幾條語句的理解完全來自SAS的幫助文件，由于專業(yè)知識深度不夠以及英語水平有限的原因，以上關(guān)于這幾種語句的內(nèi)容會存在很多的錯誤與偏差，還請各位多多諒解，也希望各位能多多指點(diǎn)。進(jìn)一步的內(nèi)容我會給出及時的更
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1