浅显易懂逻辑回归分析.ppt

            Logistic 回归分析回归分析SPSS操作实例3Logistic回归分析的用途12结果分析4Logistic回归分析的意义1.1.逻辑回归（逻辑回归（logistic regressionlogistic regression）是用来）是用来做什么做什么? ?•①     估计某事物的可能性估计某事物的可能性例：比如某一套衣服今天能否卖出去？或者某一个广告能否被用户点击? 我们希望得到这个数值来帮助决策衣服上不上架，以及广告展不展示•② 适用于流行病学资料的危险因素分析适用于流行病学资料的危险因素分析例：比如吸烟、年龄、性别是否为肺癌的危险因素或是保护因素？ 比如哪些因素导致了人群中有的人患胃癌而有的人不患胃癌？   2.2.什么是逻辑回归（什么是逻辑回归（logistic regressionlogistic regression））? ? 简单的来说它是线性回归的一种，事实上它是一个被logistic方程归一化后的线性回归在许多实际问题中，比如流行病学常研究的二分类因变量（患病与未患病、阳性与阴性等）与一组（x1x2….xn）自变量的关系这类问题时，我们需要回归产生一个类似概率值（ 0-1 ）之间的数值来进行预测。

这种情况下这个数值必须是0~1之间，而线性回归就显得无能为力了，因此人们引入了Logistic 方程来做归一化使得因变量的取值框定在了0~1之间这种变换方法我们就称之为逻辑回归3. SPSS3. SPSS实例实例          本次以广泛使用的二分类logistic回归为例为大家介绍SPSS的操作过程      例：为研究急性肾功能衰退（ARF）患者的危险因素，获得了422名住院患者的临床资料，本资料共涉及29个变量分别为：sex、age、社会支持、慢性病、手术、糖尿病、瘤黄疸、透析方式、死亡等，其中透析方式为多分类变量，有4个水平逻辑回归方程运算具体是怎么做的并不重要，对使用者来（逻辑回归方程运算具体是怎么做的并不重要，对使用者来说，我们就把它当成一条程序命令就好逻辑回归方程推说，我们就把它当成一条程序命令就好逻辑回归方程推导，求解方法可详见卫生统计学）导，求解方法可详见卫生统计学）（1）操作过程如下（见数据文件“logistics-1.sav”））一般过程一般过程•菜单选择•分析•回归•二元logistic•弹出逻辑回    归主对话框逻辑回归主对话框如下图所示有进入法、前进法和后退法三大类，三类之下又有细分。

“分类”钮：如果你的自变量是多分类的（如血型等），你必须要将它用哑变量的方式来分析，那么就要用该按钮将该变量指定为分类变量如果有必要，可用里面的选择按钮进行详细的定义，如以哪个取值作为基础水平各水平间比较的方法是什么等当然，如果你弄不明白，不改也可以，默认的是以最大取值为基础水平，用“指示符”（每一类与参照类进行比较）做比较“保存”钮：起到将中间结果存储起来供后续分析的作用，如右图所示，共有预测值、影响强度因子和残差三大类 “选项”钮：这一部分非常重要，在这里我们可以对模型作精确定义，还可以选择模型预测情况的描述方式，如“统计量和图”中的“分类图”就是非常重要的模型预测工具，“估计值的相关性”则是重要的模型诊断工具，“迭代历史记录”可以看到迭代的具体情况，从而得知你的模型是否在迭代时存在病态，下方则可以确定进入和排除的概率标准，这在逐步回归中是非常有用的选项”框：这一部分我们可以对模型作精确定义，还可以选择模型预测情况的描述方式输出”框：系统默认为输出每一步骤的统计图、统计表及统计量步进概率”是逐步筛选变量的概率水准本例的具体的分析操作如下：本例的具体的分析操作如下：1.分析==》回归==》二元logistics... 2.因变量框：选入“死亡”3.协变量框：选入sex/age/…/感染4.方法：进入5.“分类”钮：   》分类协变量：透析方式(指示符（第一）)6.“保存”钮：   》预测值：概率、组成员7.“选项”钮：    》统计量和图：分类图、迭代记录、优势比（OR）的95%可信区间    》输出：在最后一个步骤中    》在模型中包括常数8. “确定”钮：单击 4.4.结果分析结果分析 左表为记录处理情况汇总，即有多少例记录被纳入了下面的分析，可见此处因不存在缺失值，422条记录均纳入了分析。

                          主要结果解释        二分类变量，本例为变量“死亡”，有两个水平，变量标记为：0=“N”（未死亡）；1=“Y”(死亡) 此处已经开始了拟合，块0拟合的是只有常数的无效模型，上表为分类预测表，可见在259例观察值为N的记录中，共有259例被预测为N，163例Y也都被预测为N，总预测准确率为61.4%，这是不纳入任何解释变量时的预测准确率，相当于比较基线块 0: 起始起始块     左表为在块 0处尚未纳入分析方程的侯选变量，所作的检验，表示如果分别将他们纳入方程，则方程的改变是否会有显著意义可见如果将“age，社会支持、手术、糖尿病等（sig.<0.05）变量”纳入方程，则方程的改变是有显著意义的 块 1: 方法方法 = 输入入 第一个表为全局检验的最后一步，作的步骤、块和模型的检验，可见3个检验都是有意义的 第二个表为分类表，它表示了每一步的预测情况汇总，展示了对疾病结局是否死亡进行判别分类，以预测概率0.5为判别分界点（cut value），可见可见准确率由准确率由““块块 0 0””的的61.4%61.4%上升到了上升到了91%91%，效果，效果不错。

不错1对于死亡有显著影响的变量（p<0.05）有“肿瘤、CR、昏迷”2 B为偏回归系数3 SE为偏回归系数的标准误4 wald统计量用于检验总体偏回归系数与0的差别有无统计学意义5 Exp(B)为优势比，或比数比（OR）其中，肿瘤、昏迷是危险因素判别分类图：       对死亡(“N”（未死亡）；“Y”(死亡))进行判别分类，以预测概率0.5为判别分界点，每个符号代表5例横轴表示对死亡的预测概率，纵轴表示频数当预测的概率值大于0.5时，则预测结果为Y，反之为N，由上图可见，该模型预测的是比较好的Thanks!部分资料从网络收集整理而来，供大家参考，感谢您的关注！。