多因素非条件logistic回归分析怎么做

Posted 2023-04-16

参考技术A

多因素非条件logistic回归分析怎么做

二元logit回归
1.开启资料，依次点选： *** yse--regression--binarylogistic，开启二分回归对话方块。
2.将因变数和自变数放入格子的列表里，上面的是因变数，下面的是自变数（单变数拉入一个，多因素拉入多个）。
3.设定回归方法，这里选择最简单的方法：enter，它指的是将所有的变数一次纳入到方程。其他方法都是逐步进入的方法。
4.等级资料，连续资料不需要设定虚拟变数。多分类变数需要设定虚拟变数。
虚拟变数ABCD四类，以a为参考，那么解释就是b相对于a有无影响，c相对于a有无影响，d相对于a有无影响。
5.选项里面至少选择95%CI。
点选ok。
统计专业研究生工作室原创，请勿复杂贴上

我已经做出结果，但是p值很大，说明没有统计学意义，为何？有懂得原因的吗？（上述自己说的第一步没有做，只做了第二步）

一般是先做单因素分析，再做多因素分析；
多元线性回归可以通过标准引数β来确定贡献大小，多元logistic回归的不知道用什么来确定

多元logistic回归与多因素logistic回归分析一样吗

二者是一样的。但如果是多项逻辑回归则和多因素逻辑回归不同。多项逻辑回归是相对于二项逻辑回归而言的，多项和二项指的都是因变数的水平数，而多元和多因素逻辑回归的多元和多因素都是指自变数的个数。（南心网 SPSS逻辑回归分析）

多因素logistic回归分析 spss怎样输资料

跟其他分析的 资料路录入方法相同
一行对应一个案例资料
一列对应一个变数
有多少样本就有多少行，有多少变数就有多少列

在多因素logistic回归分析中OR值小于1怎么解释

一般来说是保护作用，但是要看你具体赋值情况
统计专业，为您服务

首先澄清几个概念：OR是odds ratio 而 logistic里关注的是odds 不是odds的比值odds ratio odds= 发生的概率 除以 不发生的概率 logistic 回归的公式是： log O = alpha + Bx 那么 O = Exp(alpha + Bx) = Exp(alpha)*Exp(Bx) 所以当x每增加1 x-->

二元logistic回归能做多因素分析吗

logistic回归 主要是看因变数的分类
如果因变数是二分类的 就用二元logistic回归
如果因变数是多个分类的，就用多元有序或者无序的logistic回归
所以你首先看你的因变数发病次数 是否算是分类变数或者是有几个分类，如果发病次数仅有很小的几个分类，用logistic回归没什么问题，如果发病次数有很多分类，可以尝试将其作为连续性变数 进行普通回归

怎样应用SPSS进行多因素Logistic 回归分析

Logistic回归主要分为三类，一种是因变数为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变数为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变数为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。
二值logistic回归：
选择分析——回归——二元logistic，开启主面板，因变数勾选你的二分类变数，这个没有什么疑问，然后看下边写着一个协变数。有没有很奇怪什么叫做协变数？在二元logistic回归里边可以认为协变数类似于自变数，或者就是自变数。把你的自变数选到协变数的框框里边。
细心的朋友会发现，在指向协变数的那个箭头下边，还有一个小小的按钮，标著a*b，这个按钮的作用是用来选择互动项的。我们知道，有时候两个变数合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有互动效应。那么我们为了模型的准确，就把这个互动效应也选到模型里去。我们在右边的那个框框里选择变数a，按住ctrl，在选择变数b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变数就出现在协变数的框框里了，就是我们的互动作用的变数。
然后在下边有一个方法的下拉选单。预设的是进入，就是强迫所有选择的变数都进入到模型里边。除去进入法以外，还有三种向前法，三种向后法。一般预设进入就可以了，如果做出来的模型有变数的p值不合格，就用其他方法在做。再下边的选择变数则是用来选择你的个案的。一般也不用管它。
选好主面板以后，单击分类（右上角），开启分类对话方块。在这个对话方块里边，左边的协变数的框框里边有你选好的自变数，右边写着分类协变数的框框则是空白的。你要把协变数里边的字元型变数和分类变数选到分类协变数里边去（系统会自动生成哑变数来方便分析，什么事哑变数具体参照前文）。这里的字元型变数指的是用值标签标注过得变数，不然光文字，系统也没法给你分析啊。选好以后，分类协变数下边还有一个更改对比的框框，我们知道，对于分类变数，spss需要有一个参照，每个分类都通过和这个参照进行比较来得到结果，更改对比这个框框就是用来选择参照的。预设的对比是指示符，也就是每个分类都和总体进行比较，除了指示符以外还有简单，差值等。这个框框不是很重要，预设就可以了。
点选继续。然后开启储存对话方块，勾选概率，组成员，包含协方差矩阵。点选继续，开启选项对话方块，勾选分类图，估计值的相关性，迭代历史，exp（B）的CI，在模型中包含常数，输出——在每个步骤中。如果你的协变数有连续型的，或者小样本，那还要勾选Ho *** er-Lemeshow拟合度，这个拟合度表现的会较好一些。
继续，确定。
然后，就会输出结果了。主要会输出六个表。
第一个表是模型系数综合检验表，要看他模型的p值是不是小于0.05，判断我们这个logistic回归方程有没有意义。
第二个表示模型汇总表。这个表里有两个R^2，叫做广义决定系数，也叫伪R^2，作用类似于线性回归里的决定系数，也是表示这个方程能够解释模型的百分之多少。由于计算方法不同，这两个广义决定系数的值往往不一样，但是出入并不会很大。
在下边的分类表则表述了模型的稳定性。这个表最后一行百分比校正下边的三个资料列出来在实际值为0或者1时，模型预测正确的百分比，以及模型总的预测正确率。一般认为预测正确概率达到百分之五十就是良好（标准真够低的），当然正确率越高越好。
在然后就是最重要的表了，方程中的变量表。第一行那个B下边是每个变数的系数。第五行的p值会告诉你每个变数是否适合留在方程里。如果有某个变数不适合，那就要从新去掉这个变数做回归。根据这个表就可以写出logistic方程了：P=Exp(常量+a1*变数1+a2*变数2.。。。)/(1+Exp(常量+a1*变数1+a2*变数2.。。。))。如果大家学过一点统计，那就应该对这个形式的方程不陌生。提供变数，它最后算出来会是一个介于0和1的数，也就是你的模型里设定的值比较大的情况发生的概率，比如你想推算会不会治愈，你设0治愈，1为没有治愈。那你的模型算出来就是没有治愈的概率。如果你想直接计算治愈的概率，那就需要更改一下设定，用1去代表治愈。
此外倒数后两列有一个EXP（B），也就是OR值，哦，这个可不是或者的意思，OR值是优势比。线上性回归里边我们用标准化系数来对比两个自变数对于因变数的影响力的强弱，在logistic回归里边我们用优势比来比较不同的情况对于因变数的影响。举个例子。比如我想看性别对于某种病是否好转的影响，假设0代表女，1代表男，0代表不好转，1代表好转。发现这个变数的OR值为2.9，那么也就是说男人的好转的可能是女人好转的2.9倍。注意，这里都是以数值较大的那个情况为基准的。而且OR值可以直接给出这个倍数。如果是0,1,2各代表一类情况的时候，那就是2是1的2.9倍，1是0的2.9倍，以此类推。OR值对于方程没什么贡献，但是有助于直观的理解模型。在使用OR值得时候一定要结合它95%的置信区间来进行判断。
此外还有相关矩阵表和概率直方图，就不再介绍了。

多项logistic回归：
选择分析——回归——多项logistic，开启主面板，因变数大家都知道选什么，因变数下边有一个参考类别，预设的第一类别就可以。再然后出现了两个框框，因子和协变数。很明显，这两个框框都是要你选因变数的，那么到底有什么区别呢？嘿嘿，区别就在于，因子里边放的是无序的分类变数，比如性别，职业什么的，以及连续变数（实际上做logistic回归时大部分自变数都是分类变数，连续变数是比较少的。），而协变数里边放的是等级资料，比如病情的严重程度啊，年龄啊（以十年为一个年龄段撒，一年一个的话就看成连续变数吧还是）之类的。在二项logistic回归里边，系统会自动生成哑变数，可是在多项logistic回归里边，就要自己手动设定了。参照上边的解释，不难知道设定好的哑变数要放到因子那个框框里去。
然后点开模型那个对话方块，哇，好恐怖的一个对话方块，都不知道是干嘛的。好，我们一点点来看。上边我们已经说过互动作用是干嘛的了，那么不难理解，主效应就是变数本身对模型的影响。明确了这一点以后，这个对话方块就没有那么难选了。指定模型那一栏有三个模型，主效应指的是只做自变数和因变数的方程，就是最普通的那种。全因子指的是包含了所有主效应和所有因子和因子的互动效应的模型（我也不明白为什么只有全因子，没有全协变数。这个问题真的很难，所以别追问我啦。）第三个是设定/步进式。这个是自己手动设定互动项和主效应项的，而且还可以设定这个项是强制输入的还是逐步进入的。这个概念就不用再罗嗦了吧啊？
点选继续，开启统计量对话方块，勾选个案处理摘要，伪R方，步骤摘要，模型拟合度资讯，单元格可能性，分类表，拟合度，估计，似然比检验，继续。开启条件，全勾，继续，开启选项，勾选为分级强制条目和移除专案。开启储存，勾选包含协方差矩阵。确定（总算选完了）。
结果和二项logistic回归差不多，就是多了一个似然比检验，p值小于0.05认为变数有意义。然后我们直接看引数估计表。假设我们的因变数有n个类，那引数估计表会给出n-1组的截距，变数1，变数2。我们我们用Zm代表Exp（常量m+am1*变数1+am2*变数2+。。。），那么就有第m类情况发生的概率为Zn/1+Z2+Z3+……+Zn(如果我们以第一类为参考类别的话，我们就不会有关于第一类的引数，那么第一类就是预设的1，也就是说Z1为1)。

有序回归（累积logistic回归）：
选择选单分析——回归——有序，开启主面板。因变数，因子，协变数如何选取就不在重复了。选项对话方块预设。开启输出对话方块，勾选拟合度统计，摘要统计，引数估计，平行线检验，估计响应概率，实际类别概率，确定，位置对话方块和上文的模型对话方块类似，也不重复了。确定。
结果里边特有的一个表是平行线检验表。这个表的p值小于0.05则认为斜率系数对于不同的类别是不一样的。此外引数估计表得出的引数也有所不同。假设我们的因变数有四个水平，自变数有两个，那么引数估计表会给出三个阈值a1,a2，a3（也就是截距），两个自变数的引数m，n。计算方程时，首先算三个Link值，Link1=a1+m*x1+n*x2，Link2=a2+m*x1+n*x2，Link3=a3+m*x1+n*x2，（仅有截距不同）有了link值以后，p1=1/(1+exp(link1)),p1+p2=1/(1+exp（link2）),p1+p2+p3=1/(1+exp(link3)),p1+p2+p3+p4=1..
通过上边的这几个方程就能计算出各自的概率了。

Logistic回归到这里基本就已经结束了。大家一定要记熟公式，弄混可就糟糕了。希望能对你有所帮助呦。

logit回归
1.开启资料，依次点选： *** yse--regression--binarylogistic，开启二分回归对话方块。
2.将因变数和自变数放入格子的列表里，上面的是因变数，下面的是自变数（单变数拉入一个，多因素拉入多个）。
3.设定回归方法，这里选择最简单的方法：enter，它指的是将所有的变数一次纳入到方程。其他方法都是逐步进入的方法。
4.等级资料，连续资料不需要设定虚拟变数。多分类变数需要设定虚拟变数。
5.选项里面至少选择95%CI。
点选ok。
统计专业研究生工作室原创，请勿复杂贴上

怎么由logistics分析结果得到其影响因素的大小

参考技术A

Logistic回归简介

Logistic回归：主要用于因变量为分类变量（如疾病的缓解、不缓解，评比中的好、中、差等）的回归分析，自变量可以为分类变量，也可以为连续变量。因变量为二分类的称为二项logistic回归，因变量为多分类的称为多元logistic回归。

Odds：称为比值、比数，是指某事件发生的可能性(概率)与不发生的可能性（概率）之比。

OR（Odds Ratio）：比值比，优势比。

2.SPSS中做Logistic回归的操作步骤

分析>回归>二元Logistic回归

选择因变量和自变量（协变量）

3.结果怎么看

一些指标和数据怎么看

“EXP(B)”即为相应变量的OR值（又叫优势比，比值比），为在其他条件不变的情况下，自变量每改变1个单位，事件的发生比“Odds”的变化率。

伪决定系数cox  Snell R2和Nagelkerke R2，这两个指标从不同角度反映了当前模型中自变量解释了因变量的变异占因变量总变异的比例。但对于Logistic回归而言，通常看到的伪决定系数的大小不像线性回归模型中的决定系数那么大。

预测结果列联表解释，看”分类表“中的数据，提供了2类样本的预测正确率和总的正确率。

建立Logistic回归方程

logit（P）=β-0+β1*X1+β2*X2+……+βm*Xm

4.自变量的筛选方法和逐步回归

与线性回归类似，在Logistic回归中应尽量纳入对因变量有影响作用的变量，而将对因变量没有影响或影响较小的变量排除在模型之外。

①.Wald检验：Wals是一个统计量，用检验自变量对因变量是否有影响的。它越大，或者说它对应的sig越小，则影响越显著。

②.似然比检验（Likelihood Ratio

Test）：Logistic模型的估计一般是使用极大似然法，即使得模型的似然函数L达到最大值。-2lnL被称为Diviance，记为D。L越大，则D越大，模型预测效果越好。似然比检验是通过比较是否包含某个或几个参数β的多个模型的D值。

③.比分检验（Score Test）

以上三种假设检验中，似然比检验是基于整个模型的拟合情况进行的，结果最为可靠；比分检验结果一般与似然比检验结果一致。最差的就是Wald检验，它考虑各因素的综合作用，当因素间存在共线性的时候，结果不可靠。故在筛选变量时，用Wald法应慎重。

SPSS中提供了六种自变量的筛选方法，向前法（Forward）和向后法（Backward）分别有三种。基于条件参数估计和偏最大似然估计的筛选方法都比较可靠，尤以后者为佳。但基于Wald统计量的检验则不然，它实际上未考虑各因素的综合作用，当因素间存在共线性时，结果不可靠，故应当慎用。

5.模型效果的判断指标

①.对数似然值与伪决定系数

Logistic模型是通过极大似然法求解的，极大似然值实际上也是一个概率，取值在0～1之间。取值为1，代表模型达到完美，此时其对数值为0；似然值越小，则其对数值越负，因此－2倍的对数似然值就可以用来表示模型的拟合效果，其值越小，越接近于0，说明模型拟合效果越好。

②.模型预测正确率

对因变量结局预测的准确程度也可以反映模型的效果，SPSS在Logistic回归过程中会输出包含预测分类结果与原始数据分类结果的列联表，默认是按照概率是否大于0.5进行分割。

③.ROC曲线

ROC曲线即受试者工作特征曲线（Receiver

Operating Characteristic Curve），或译作接受者操作特征曲线。它是一种广泛应用的数据统计方法，1950年应用于雷达信号检测的分析，用于区别“噪声”与“信号”。在对Logistic回归模型拟合效果进行判断时，通过ROC曲线可直接使用模型预测概率进行。应用ROC曲线可帮助研究者确定合理的预测概率分类点，即将预测概率大于（或小于）多少的研究对象判断为阳性结果（或阴性结果）。ROC曲线，预测效果最佳时，曲线应该是从左下角垂直上升至顶，然后水平方向向右延伸到右上角。如果ROC曲线沿着主对角线方向分布，表示分类是机遇造成的，正确分类和错分的概率各为50％，此时该诊断方法完全无效。