多元統(tǒng)計方法講義-文庫吧資料
2025-02-15 17:18本頁面
【正文】 1表示陽性或較嚴重情況。上述三種方法中，似然比檢驗最可靠，比分檢驗一般與它相一致，但兩者均要求較大的計算量；而 Wald檢驗未考慮各因素間的綜合作用，在因素間有共線性時結(jié)果不如其它兩者可靠。zWald 檢驗 （ wald test） 即廣義的 t檢驗，統(tǒng)計量為 u u服從正態(tài)分布，即為標準正態(tài)離差。z比分檢驗 （ score test） 以未包含某個或幾個變量的模型為基礎(chǔ)，保留模型中參數(shù)的估計值，并假設(shè)新增加的參數(shù)為零，計算似然函數(shù)的一價偏導(dǎo)數(shù)（又稱有效比分）及信息距陣，兩者相乘便得比分檢驗的統(tǒng)計量 S 。z 個人認為，還應(yīng)考慮模型的整體擬合優(yōu)度，并結(jié)合專業(yè)知識手工增加或剔除變量全局擇優(yōu)指標z 擬合分類表z 最大似然函數(shù)值 L（＝ 1）或 logL（＝ 0）即 2log likelihood＝ 0z 擬合優(yōu)度檢驗z 通過上述指標，比較不同方程擬合優(yōu)度的優(yōu)劣R2越大，擬合越好越大，擬合越好模型擬合優(yōu)度指標，模型擬合優(yōu)度指標，?2值越小，值越小，P值越大表明模型越好值越大表明模型越好逐步選擇法三種向前 逐步逐步 法，協(xié)變量引入檢驗均基于 score統(tǒng)計量刪除變量基于條件估計的似然比刪除變量基于最大偏似然估計似然比刪除變量基于Wald統(tǒng)計量似然比檢驗（ likehood ratio test）z通過比較包含與不包含某一個或幾個待檢驗觀察因素的兩個模型的對數(shù)似然函數(shù)變化來進行，其統(tǒng)計量為 G （ 又稱 Deviance）。結(jié)果 3模型擬合優(yōu)度指標，模型擬合優(yōu)度指標，?2值越小，值越小，P值越大表明模型越好值越大表明模型越好兩種兩種 R2的解釋與線性的解釋與線性方程同，方程同， ％在流行病學(xué)％在流行病學(xué)研究中算一個比較好的了研究中算一個比較好的了判別分析用表判別分析用表結(jié)果 4?Wald檢驗檢驗 （（ wald test）） 即廣義的即廣義的 t檢驗，統(tǒng)計量為檢驗，統(tǒng)計量為u,下面詳細討論之下面詳細討論之參數(shù)估計的相關(guān)矩陣，每步各協(xié)變量的零級相關(guān)系數(shù)（簡單相關(guān)系數(shù)）均?。?），提示各協(xié)變量間相互獨立至此，一個最簡單logistic方程建立和檢驗告一段落，下面涉及自變量的選擇自變量的選擇和強影響點的挑選強影響點的挑選自變量的篩選z 目的：與多元線性回歸分析類似，當自變量的數(shù)目較多時，為使 logistic回歸方程比較穩(wěn)定和便于解釋。因此其可信區(qū)間為進而，優(yōu)勢比 e(bi)的可信區(qū)間為參數(shù)估計似然函數(shù)計算方法最大似然法迭代法1. 初始值2. 迭代次數(shù)3. 人為精度4. 可能不收斂5. 總體來說，解比6. 較穩(wěn)定。 存在因素間交互作用時， Logistic回歸系數(shù)的解釋變得更為復(fù)雜，應(yīng)特別小心。 多因素 Logistic回歸分析時，對回歸系數(shù)的解釋都是指在 其它所有自變量固定 的情況下的優(yōu)勢比。單純從數(shù)學(xué)上講，與多元線性回歸分析中回歸系數(shù)的解釋并無不同，亦即 bi表示 xi改變一個單位時， logit P的平均變化量。z Logistic回歸中的回歸系數(shù)（ bi ） 表示，某一因素改變一個單位時，效應(yīng)指標發(fā)生與不發(fā)生事件的概率之比的對數(shù)變化值，即 OR或 RR的對數(shù)值。z 適用于流行病學(xué)資料的因素分析z 實驗室中藥物的劑量 反應(yīng)關(guān)系z 臨床試驗評價z 疾病的預(yù)后因素分析二、 Logistic回歸模型z Logistic回歸的分類 二分類 多分類 其中二分較為常用 條件 Logistic回歸 非條件 Logistic回歸 兩者針對的資料類型不一樣，后者者針對 成組研究，前者針對配對或配伍研究?？捎?sas實現(xiàn)。如確實需要嚴格的模型擬合，如確實需要嚴格的模型擬合，SAS可能是更好的選擇可能是更好的選擇回歸的發(fā)展z 加權(quán)回歸z 有重復(fù)測量的回歸分析：對每一個回歸變量 x的 y有多次重復(fù)的測量值。其其 syntax模式應(yīng)該有更多選項，但鑒模式應(yīng)該有更多選項，但鑒于介紹這方面內(nèi)容的書籍文獻較少。但共線性的問題會因此而突出，舉例共線性很大SPSS菜單在處理回歸中選項較少，菜單在處理回歸中選項較少，但完全可以滿足一般模型的擬合。 多重共線性： 自變量存在較強的線性關(guān)系216。 逐步回歸不是萬能的，一個 good of fit好的模型建立需要多方面考證。 應(yīng)變量為連續(xù)變量，自變量可以為連續(xù)變量、分類變量或有序變量216。控制： 指定應(yīng)變量 Y的值查看自變量的改變量影響因素分析，控制混雜因素影響因素分析，控制混雜因素在醫(yī)學(xué)研究中最為長用，個人認為對模型擬合要求較低，特別在控制混雜的控制模式中后兩種用途對模型要求嚴格二、應(yīng)用條件二、應(yīng)用條件回歸系數(shù)符號反常與主要變量選不進方程的原因分析z 有重要影響的因素未包括在內(nèi)z 某些變量個體間的差異很大z 樣本內(nèi)突出點上數(shù)據(jù)誤差大z 變量的變化范圍較小z 樣本數(shù)太少上述各項在用最小二乘法求解方程過程中對殘差等重要中間指標的影響大，造成最小二乘法的失效。影響因素分析，控制混雜因素216。多重共線性的診斷zSPSS中的指標z 容許度：越近似于 0，共線性越強z 特征根：越近似于 0，共線性越強
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1