《SPSS统计方法体系与案例实验进阶》课件 李望晨 第10、11章 Logistic回归分析、生存分析

《SPSS统计方法体系与案例实验进阶》学习目标：1、熟悉logistic回归分析的提出思想2、掌握二分类logistic回归分析3、熟悉无序多分类logistic回归分析和有序多分类logistic回归分析重点：1、二分类logistic回归分析第10章Logistic回归分析如果建立线性回归方程鉴于自变量可取任意值,则P取值范围变为显然这与P取值[0,1]相互矛盾、无法解释.考虑构造出P的单调函数使之取值为且在P=0或1附近变化敏感.取值范围为称为发生与不发生优势比,流行病学中广泛应用.不妨作变换取值范围构造与m个自变量的回归方程:其中为常数项,为回归系数.取值范围系数解释为自变量X变化一个单位,引起的改变量.回归方程等价形式为模型参数根据样本数据估计得出,因其过程复杂性而由软件完成.2模型参数2.1优势与优势比(1)优势(odds)优势(odds)是指控制其余自变量而某个自变量取值变化,结局事件发生与不发生概率的比值,即,称为比数或比值.(2)优势比(oddsratio,OR)某个影响因素不同水平的优势比值之比,也称为优势比.如有水平值C2和C1,则C2相对于C1的优势比为.OR表示影响因素不同水平变化对结局事件发生影响方向和影响能力.OR>1表示该因素为危险因素;OR<1表示该因素为保护因素;OR=1表示该因素与事件的发生没有关系.2.2系数意义假设自变量Xj有水平值C1、C2,其中C2>C1.也就是P1、P2分别表示Xj取值为C1、C2时的概率.表示控制其他自变量值,自变量Xj值每增加1个单位时变化量.设Xj暴露赋值1、非暴露赋值0,则暴露相对于非暴露的优势比则水平C2相对于水平C1的优势比:回归系数与优势比(OR)j关系为=ln(OR)j.(1)=0时,(OR)j=1,说明因素Xj对事件发生(Y=1)不起作用.(2)>0时,(OR)j>1,

说明Xj是危险因素,Xj取值增大会增加事件(Y=1)概率.(3)<0时,(OR)j<1,说明Xj是保护因素,Xj取值增大会减少事件(Y=1)概率.3.自变量赋值随着自变量赋值方式不同,参数估计值及符号也不同,则结果解释意义也不同.3.1二分类变量赋值较小的水平常作为参照水平,二分类变量X常以0和1赋值.例如“有=1,无=0”;“男=1、女=0”.水平1与水平0的优势比有解释意义.3.2无序多分类变量若为比较无序分类之间的类别变化,可以将所有分类转化设置为哑变量形式.OR用于解释其他类与参照类相比,引起结局事件Y发生与不发生概率的倍数.无序多分类的自变量X转化为哑变量:k个类别等同为k-1个哑变量(同进同出).如教育程度共4个水平(类别):文盲、小学、初中、高中以上.以“文盲”为参照,将教育程度4个水平(类别)转化为3个哑变量X1、X2、X3.表10-1哑变量设置表教育程度X1X2X3“文盲=0”000“小学=1”100“初中=2”010“高中以上=3”001仅考虑教育程度影响,则回归方程:文盲小学初中高中以上以文盲作为参照,比数比无序多分类变量须设置哑变量,以最后一个类别为默认参照.参照选取不同,则OR数值解释也不同,用户根据实际需要选择参照水平,在列表框中设置指示符,点击更改按钮并得以生效.OR值:X1→小学对比文盲、X2→初中对比文盲、X3→高中以上对比文盲.3.3有序多分类变量若为比较有序分类之间的数值变化,可以不设置哑变量,则OR用于解释等级取值每改变一个单位,引起结局事件Y发生与不发生概率的倍数变化.如果设置哑变量,则与无序分类变量相似解释.3.4连续型数值变量若以连续型数值变量作为自变量(少用),解释为取值每改变一个单位,引起结局事件Y发生与不发生概率的倍数变化,OR值变化往往无统计学意义,一般将其转化为有序分类变量(分类水平值),在每个水平值间比较分析.例如,以年龄为连续型数值变量,比较患与不患高血压的风险倍数变化.实际上,由X岁变为X+1岁,1岁增加前后患高血压风险优势比往往无变化.于是,不妨将年龄分组,讨论高年龄组相对于低年龄（参照组）每改变一个级别引起的患高血压风险的优势比,更有实际解释意义.二、应用条件及范围(1)数据来自随机样本,观察对象之间相互独立.(2)因变量为二分类变量.自变量一般为定序变量或定类变量(须转换哑变量).(3)自变量与logit(P)(即)之间为线性表达式关系.(4)样本量足够大,否则参数估计值不稳定现象,有时甚至无法计算.经验认为,试验和对照人数至少为30~50例,样本量至少为自变量数5~10倍.三、Logistic回归分析的应用Logistic回归广泛用于社会、心理或流行病调查领域的影响因素分析.(1)寻找危险(影响)因素,筛选因变量的危险(影响)因素.(2)预测:根据自变量预测某事件发生的概率(3)判别:根据自变量判断属于某事件的概率Logistic回归一般步骤:“变量编码→哑变量设置→自变量单因素分析→变量筛选→交互作用考察→模型优选→模型评价→结果解释”.在专业设计(调查问卷)时有意选择具有实际意义的自变量,在统计设计时首先进行单因素分析(粗选),继续由Logistic回归方法作多因素分析.【实例1】[问题叙述]筛选糖尿病发生的影响因素,由Logistic回归模型进行分析.令X1,X2,...,X7为自变量,Y为因变量(二分类).表10-2糖尿病患病可能影响因素赋值表因素变量名赋值说明年龄(岁)X1连续变量性别X2男=1、女=0糖尿病家族史X3无=0、有=1体重指数X4超重=1、肥胖=2、正常=3吸烟X5不吸烟=0、吸烟=1饮酒X6不饮酒=0、饮酒=1血压X7正常=0、不正常=1糖尿病Y患病=1、不患病=0表10-3糖尿病相关影响因素调查资料(不列出、见数据库)[实验目的]理解二分类Logistic回归分析的基本原理、应用条件、主要用途,掌握模型参数与优势比OR值的关系与含义,利用SPSS根据样本数据建立因变量关于自变量的Logistic回归方程,筛选出主要的影响因素,并解释实际意义.[操作步骤]变量要求:一个因变量,变量类型为数值型或字符型,且是为二分类变量;一个(或多个)自变量,类型可以是连续型变量,也可以是定序变量或定类变量.定义9个变量:编号X1,X2,...,X7,Y,变量类型为数值型的,分别录入关数据.菜单选择:主菜单“分析(Analyze)”→“回归(Regression)”→“二元Logistic(BinaryLogistic)”.界面设置:选择因变量Y进入“因变量(Dependent)”框,选自变量X1,X2,...,X7到“协变量(Covariates)”框;在“方法(Method)”中选择“向前:条件(Forward:Conditional)”方法.自变量筛选方法:进入(强行进入法,所有变量一次全部进入方程)、向前:条件(向前法,基于条件参数似然比检验的结果剔除变量)向前:LR(向前法,基于偏最大似然比检验的结果剔除变量)向前:Wald(向前法,基于Wald统计量的结果剔除变量)向后:条件(后退法,基于条件参数似然比检验的结果剔除变量)向后:LR(后退法,基于偏最大似然比检验的结果剔除变量)向后:Wald(后退法,基于Wald统计量的结果剔除变量).无序多分类自变量X4-体重指数(超重=1、肥胖=2、正常=3),须设置哑变量.在三个以上类别情况下,单击“分类(Categorical)”按钮,设置哑变量.将X4选入“分类协变量(CategoricalCvariates)”框,对比方式以默认“指示符”,参考类别是“最后一个”,点击更改.OR值是以“体重正常”为参照,超重和肥胖相对优势之比.单击“继续(Continue)”;单击“选项(Options)”按钮,选取“exp(B)CI:95%”,生成OR值95%可信区间.单击“确定(OK)”按钮.表10-5哑变量赋值情况频率参数编码(1)(2)体重指数超重101.000.000肥胖8.0001.000正常12.000.000[结果分析]表10-4和表10-5显示因变量Y和哑变量X4的赋值情况.请注意:二分类Logistic过程默认以因变量较大取值的概率P(Y=1),分析结果时要弄清因变量的赋值情况,确保解释正确性;可以设置哑变量的对照类型,默认最后一个.(2)回归方程的检验与分析表10-6模型的整体性检验结果卡方dfSig.步骤1步骤14.4491.000块14.4491.000模型14.4491.000步骤2步骤9.5841.002块24.0332.000模型24.0332.000统计量为24.033,对应的概率值P=0.000<0.001,在显著性水平0.05下模型有统计学意义.表10-7模型拟合优度分析结果步骤-2对数似然值Cox&SnellR方NagelkerkeR方126.605a.382.513217.021b.551.739经拟合优度分析,Cox&SnellR2=0.551,NagelkerkeR2=0.739,越接近1说明拟合优度越好,本例中的拟合优度情况良好.模型回归系数检验方法常用Wald卡方检验.表10-8模型回归系数及其检验和OR值BS.EWald卡方统计量dfSig.Exp(B)即OR值Exp(B)的95%C.I.下限上限步骤1aX33.245.99810.5771.00125.6673.631181.437常量-1.299.6513.9791.046.273步骤2bX1.187.0766.0561.0141.2051.0391.398X33.5521.4026.4181.01134.8802.234544.468常量-9.9323.8016.8281.009.000B、SE、Wald、df、Sig、Exp(B)及95%CI分别表示偏回归系数、标准误、统计量、自由度、P值、OR值及其95%置信区间.经分析,经过2次变量筛选后,X1(年龄)、X3(糖尿病家族史)被引入方程,回归系数的Wald检验,对应的概率值P均小于0.05,说明都有统计学意义.(3)结论Logistic回归方程或影响因素有年龄(OR=1.205)和糖尿病家族史(OR=34.880),OR值均大于1,说明年龄、糖尿病家族史为糖尿病的危险因素,糖尿病家族史是最危险因素.若年龄每增加一岁,患与不患糖尿病风险之比是原来年龄的1.205倍;若有糖尿病家族史,患与不患糖尿病风险之比是无糖尿病家族史的34.880倍.由此认为,有糖尿病家族史的老年居民是糖尿病的高发、易发人群.补充:由经验常识,年龄增长1岁则患与不患糖尿病风险之比往往变化不明显.此题若对年龄按分段组别来划分:(1)如果将年龄组别划分为有序分类数值,则年龄每上升一个等级,患与不患糖尿病风险之比是原来年龄等级的倍数.(2)如果将年龄组别划分为无序分类数值,则不妨以低年龄组作为参照,解释其他年龄组与低年龄组患与不患糖尿病风险的倍数.【练习1】[问题叙述]胃癌手术后预后因素分析资料共98例,指标如下:Y:手术后三年情况(死亡=1、存活=0)X1:胃癌位置(1=胃底、2=胃体、3=胃窦)X2:胃癌大小(0、1、2、3、4、5级)X3:大体类型(1=溃疡、2=肿块、3=浸润)X4:组织学类型(1=腺癌、2=粘液癌、3=未分化癌、4=混合型)X5:深度(1、2、3、4、5、6级)X6:淋巴结转移(0、1、2、3级)X7:手术方式(1=I式、2=Ⅱ式、3=近胃、4=全切除)X8:血色素(g/L)X9:白细胞(个/立方毫米)X10:手术时年令(岁)X11:性别(1=男性、0=女性)X12:是否化疗(1=用化疗、0=未用化疗)请以Y为因变量,X1~X12为自变量,逐步进行Logistic回归.注意:X1、X3、X4和X7为无序多分类变量,应设置为哑变量;X2、X5、X6为有序多分类变量,不必设置为哑变量;X8、X9为连续型数值变量,不必设置为哑变量.不同类型变量筛选中,OR值解释将会有差别.11.1生命表分析一、核心知识生存资料中要获得各时间点上生存函数的估计值,常用寿命表法.特点:疗效指标中既有结局变量、又有时间变量,随访对象可能会释放或死于其他疾病,由于研究经费和时间限制不可能等到所有观察对象都出现结局才终止.生存分析方法既考虑结局Y,又考虑生存时间t.生存时间:从起始事件到终点事件之间所经历的时间跨度.失效事件:反映治疗效果特征的时间,又称死亡事件或终点事件.资料类型:

完全数据或截尾数据.截尾:

失访、退出或终止.学习目标：1、掌握寿命表法和LM法2、掌握COX回归分析重点：1、COX回归分析第11章生存分析1.基本原理寿命表法采用与编制生命表相似的原理计算生存率,通过计数落入区间[t,t+k]内的失效和截尾的观察例数来估计该区间死亡概率,然后根据概率的乘法原则,将不同时期的生存概率相乘,得到自观察开始到指定某一时刻的生存率.2.应用条件(1)寿命表法适用于区间数据:当资料是按照固定时间间隔收集,随访结果是该年或该月期间若干观察人数、出现预期观察结果数和截尾数(删失数),数据总结成若干个时段频数表形式,每位患者确切生存时间未知,应当用寿命表法进行研究;(2)寿命表法适用于观察例数较多而分组的大样本生存资料.

3.适用范围与对象(1)估计某生存时间的生存率,以及生存时间中位数;(2)绘制各种曲线:如生存函数、风险函数曲线等;(3)对某一研究因素不同水平的生存时间分布的比较;(4)控制另一个因素后对研究因素不同水平的生存时间分布的比较;(5)对多组生存时间分布进行两两比较.【实例1】[问题叙述]现有450例肺癌患者的随访资料,请对其生存情况进行描述.表11-1450例肺癌患者的随访资料术后年数012345678910期间死亡人数9082655240302015842期间删失人数324108542121[实验目的]理解寿命表基本思想、应用条件及适用范围,掌握SPSS操作方法和结果解读.[操作步骤]变量要求:将资料整理成频数表形式,时间变量,类型为数值型;频数变量,类型为数值型,加权;结局变量,类型为数值型;还可以有分组变量,类型为数值型.随访时间数据是时间变量取值;随访期间的死亡和删失人数是频数变量取值;结局变量取值为1和0:若频数为死亡则赋值1,若频数为删失(截尾)则赋值0.定义一个时间变量“术后年数”,一个频数变量“人数”,一个结局变量“结局”,并设置其“值(Value)”为“1=死亡,0=删失”.将术后年数录入时间变量,将期间死亡人数和期间删失人数录入频数变量,将频数变量对应的两类数据分别录入1、0至结局变量.菜单选择:(1)变量加权:主菜单“数据(Data)”→“加权个案(WeightCases)”→“加权个案(Weightcasesby)”;选频数变量“人数”到“频率变量(FrequencyVariable)”框,点击“确定(OK)”按钮.(2)生命表分析:主菜单“分析(Analyze)”→“生存函数(Survival)”→“寿命表(LifeTables)”.界面设置:将“术后年数”选入“时间(Time)”栏;在“显示时间间隔(Displaytimeintervals)”区域,在“0到(0through)”框填入最大生存时间的上限10;在“步长(by)”框填入生存时间的组距1;在“状态(Status)”框选入结局变量“结局”,点击“定义事件(DefineEvents)”按钮,在“单值(SingleValue)”框填入1.在主界面中,单击“选项(Option)”按钮,在“图形(Plot)”区域,勾选“生存函数(Survival)”,点击“继续(Continue)”,其它按默认值,点击“确定(OK)”按钮.经分析,中位数生存时间为2.78年,表明术后死亡人数达到一半时间为2.78年.其他指标:☆终结比例,即死亡概率;☆生存比例,即生存概率;☆期末的累积生存比例,即截止本段上限的累积生存概率;☆概率密度指所有个体在时点t后单位时间内死亡概率估计值;☆风险率,表示活过时点t后、单位时间内死亡概率估计值;☆风险率的标准误等.期初时间期初记入数期内退出数历险数期间终结数终结比例生存比例期末累积生存比例概率密度风险率04503448.50090.20.80.80.201.2213572356.00082.23.77.62.184.2622734271.00065.24.76.47.148.27320410199.00052.26.74.35.122.3041428138.00040.29.71.25.100.34594591.50030.33.67.16.080.39659457.00020.35.65.11.058.43735234.00015.44.56.06.047.57818117.5008.46.54.03.027.599928.0004.50.50.02.016.6710312.5002.80.20.00.000.00表11-2肺癌患者术后寿命表图11-2为累积生存率曲线图,横坐标为生存的时间,而纵坐标是生存函数的大小.显然,随着时间流逝,生存的概率递减,曲线呈下降趋势.11.2Kaplan-Meier分析一、核心知识Kaplan-Meier法利用条件概率及概率乘法原理计算生存率及标准误,又称乘积极限法(Product-LimitMethod,P-L法).1.1生存率计算:(1)生存时间由小到大排列;(2)生存时间t对应的死亡人数;(3)期初观察人数;(4)计算条件死亡率及条件生存率;(5)计算活过t时点的生存率.生存率的标准误计算:1.2生存曲线:以生存时间为横轴,生存率为纵轴绘制生存曲线并描述生存过程,又称K—M曲线,分析时应注意曲线高度和下降坡度.1.3中位生存时间（生存时间中位数）:50%个体存货期大于该时间.2.应用条件Kaplan-Meier分析适用于小样本或者大样本未分组资料的生存率的估计和组间生存率的比较,主要用于样本含量较小的资料分析.3.适用范围与对象(1)估计各生存时间的生存率和中位生存时间;(2)绘制曲线:如生存函数、风险函数曲线等;(3)某因素不同水平的生存时间有无差异比较;(4)控制某个分层因素后对研究因素不同水平的生存时间分布比较;(5)多组生存时间分布两两比较;(6)各总体分布比较采用Log-rank等非参数方法.【实例2】[问题叙述]中药加化疗(中药组)和化疗(对照组)疗法治疗白血病,随访记录患者生存时间,不带“+”号者表示已死亡,即完全数据;带“+”号者表示尚存活,即截尾数据,请作生存分析.表11-3两组疗法治疗白血病随访资料(单位:月)中药组102+12+13186+19+269+8+6+43+943124对照组2+137+11+61113177[实验目的]理解Kaplan-Meier法基本思想、应用条件及适用范围,掌握SPSS操作方法和结果解读.[操作步骤]变量要求:时间变量,类型为数值型;结局变量,类型为数值型;还可以有分组变量,类型为数值型或字符型.随访时间数据是时间变量取值;结局变量取值为1和0(死亡为1,截尾为0).定义时间变量“生存时间”;结局变量“结局”,并设置其“值(Value)”为“1=死亡,0=截尾”;分组变量,设置其“值(Value)”为“1=中药组,2=对照组”.将生存时间录入时间变量,将死亡和截尾数据分别对应录入1、0至结局变量,将组别分别对应录入1、2至分组变量.菜单选择:“分析(Analyze)”→“生存函数(Survival)”→“Kaplan-Meier…”.界面设置:将“生存时间”选入“时间(Time)”栏;将“结局”选入“状态(Status)”栏,点击“定义事件(DefineEvents)”按钮,在“单值(SingleValue)”框填入1;将分组变量“组别”选入“因子(Factor)”框.在主界面中,单击“选项(Option)”按钮,在“图(Plot)”区域,勾选“生存函数(Survival)”,点击“继续(Continue)”;单击“比较因子(CompareFactor)”按钮,勾选“对数秩(Log-rank)”,用于检验时间分布是否相同,点击“继续(Continue)”;其它按默认值,点击“确定(OK)”按钮.[结果分析]分组总数事件数删失N百分比对照组107330.0%中药组168850.0%整体26151142.3%表11-4两组人群生存率估计表分组时间状态此时生存的累积比例累积事件数剩余个案数估计标准误对照组11.000死亡.900.0951922.000存活..1833.000死亡.788.1342746.000死亡.675.1553657.000死亡.563.1654567.000存活..44711.000死亡.422.17453811.000存活..52913.000死亡.211.173611017.000死亡.000.00070分组时间状态此时生存的累积比例累积事件数剩余个案数估计标准误中药组14.000死亡.933.06411426.000存活..11336.000存活..11248.000存活..11159.000死亡.848.10021069.000存活..29710.000死亡.754.12638812.000存活..37913.000死亡.646.147461018.000死亡.539.157551119.000存活..541224.000死亡.404.166631326.000死亡.269.156721431.000死亡.135.123811543.000存活..80生存率估计表中“此时生存的累积比例估计值”表示该时点的生存率估计值.两组的平均生存时间中,中位数平均时间、标准误及95%置信区间等信息.中药组生存时间均值为22.013个月,中位数为24个月;对照组生存时间均值为9.775个月,中位数为11个月.分组均值中位数估计标准误95%置信区间估计标准误95%置信区间下限上限下限上限对照组9.7751.9745.90513.64511.0004.9401.31820.682中药组22.0133.66314.83429.19324.0007.5199.26238.738整体17.5392.79312.06523.01213.0003.4816.17719.823两组及多组生存曲线的比较采用Log-rank检验,即以生存时间对数为基础推导.表11-6两组生存率LogRank比较卡方dfSig.LogRank(Mantel-Cox)6.5791.010为分组的不同水平检验生存分布等同性.经分析,两组比较LogRank检验结果(对应的概率值P=0.010),检验结果表明两组生存率差异有统计学意义.经分析,两组生存曲线的大致分布规律,并可以进行两组生存率比较,看出中药组(组别1)预后效果比对照组(组别2)好.11.3Cox回归分析一、核心知识Cox回归模型是1972年由英国统计学家Cox提出,主要用来研究各种因素(称为协变量或伴随变量等)对于生存期长短的关系.生存资料同时考虑生存结局和生存时间,生存时间不服从正态分布,可能含有删失,面对这些特点,传统多因素分析方法无能为力.因此传统分析方法不能同时处理生存结局和生存时间,也不能处理删失时间.(1)Logistic回归以生存结局为因变量,仅考虑结局好坏(死亡或生存),而未考虑出现该结局的时间长短,无论死亡在随访早期或晚期,处理均相同.(2)多重线性回归以生存时间为因变量,虽能考虑生存时间,但生存时间一般不服从正态分布,而且传统线性回归不能有效利用删失时间.☆Cox回归以生存结局和生存时间为因变量,同时分析众多因素对生存期的影响,分析带有删失生存时间的资料,且不要求资料服从特定的分布.其中是协变量;是回归系数,由样本估计而得.系数含义:在其他协变量不变情况下,协变量Xi每改变一个单位引起相对危险度/风险比的自然对数的该变量.>0表示协变量是危险因素,越大生存时间越短;<0表示协变量是保护因素,越大生存时间越长.1.基本原理(详见医学统计学教材)Cox回归模型基本形式为:2.应用条件Cox回归模型假定预后因素对其死亡风险作用强度在所有时间上都保持一致.3.适用范围与对象(1)因素分析:分析哪些因素(协变量)影响生存期的长短;(2)计算各因素在排除其它因素影响后,对于死亡的相对危险度;如某因素xi的偏回归系数为bi,则该因素xi对于死亡的比数比为exp(bi).(3)比较各因素对于生存期长短的相对重要性;比较标准化偏回归系数bi绝对值大小,越大对生存期长短作用也大.COX模型分析时的样本含量不宜太小;自变量较多时,要进行多元共线性诊断;【实例3】[问题叙述]为探讨某恶性肿瘤的预后,收集了25例患者的生存时间、生存结局及影响因素.影响因素包括病人年龄、性别、组织学类型、治疗方式、淋巴结转移,生存时间以月计算,变量的赋值和所收集的资料.请用Cox回归模型进行分析.因素变量名赋值说明年龄X1单位(岁)性别X2女=0、男=1组织学类型X3高分化=0、低分化=1治疗方法X4传统疗法=0、新疗法=1淋巴结转移X5否=0、是=1生存时间t单位(月)生存结局Y删失=0、死亡=1表11-8收集的25例恶性肿瘤患者生存时间(月)NOX1X2X3X4X5tY15401115202570000510358010135144310111030548010071640000060074400005808360101291939101070010420000670……………………[实验目的]理解Cox回归模型基本思想、应用条件及适用范围,掌握SPSS操作方法和结果解读.[操作步骤]变量要求:一个时间变量,类型为数值型;一个结局变量,类型为数值型;多个影响因素变量(定类、定序、定距及定比数据变量),类型为数值或字符型.随访时间数据是时间变量取值;结局变量取值为1和0(死亡为1,截尾为0).定义因素变量“年龄”、“性别”、“组织学类型”、“治疗方式”、“淋巴结转移”,时间变量“生存时间”,结局变量“生存结局”,设置“值(Value)”“1=死亡,0=截尾”.将影响因素X1~X5数据分别录入影响因素变量,将生存时间录入时间变量,将死亡和截尾两类数据分别对应录入1、0至结局变量.菜单选择:主菜单“分析(Analyze)”→“生存函数(Survival)”→“Cox回归(CoxRegression)”.界面设置:将时间变量“生存时间”选入“时间(Time)”框;把结局变量“生存结局”选入“状态(Status)”框,点击“定义事件(DefineEvent)”按钮,“单值(Singlevalue)”中输入1;把影响因素变量“年龄、性别、组织学类型、治疗方式、淋巴结转移”选入“协变量(Covariates)”框;方法选择“条件:向前(ForwardConditional)”.点击“分类(Categorical)”按钮,一般将多分类无序变量选入“分类协变量(CategoricalCovariates)”框,系统将作为哑变量处理.将“治疗方式”和“组织学类型”选入,“参考类别(ReferenceCategory)”选“第一个(First)”,一定点击“更改(Change)”;点击“选项(Options)”按钮,在“模型统计量(ModelStatistics)”区域选择“CI用于exp(B)95%(CIforexp(B)95%)”;点击“绘图(Plots)”按钮,勾选“生存函数(Survival)”,将“协变量值的位置”框中的“治疗方式”选入“单线(SeparateLinesfor)”框.点击“继续(Continue)”,点击“确定(OK)”.[结果分析]表11-9Cox回归模型整体性检验步骤-2倍对数似然值整体(得分)从上一步骤开始更改从上一块开始更改卡方dfSig.卡方dfSig.卡方dfSig.1a30.7986.0771.0145.9541.0155.9541.0152b22.16813.2292.0018.6311.00314.5842.0013c18.70914.7303.0023.4581.06318.0433.000经Cox回归模型整体性检验,三种Cox回归模型整体都有统计学意义.表11-10Cox回归模型参数检验BSEWalddfSig.Exp(B)95%CI用于Exp(B)下部上部步骤1治疗方法-2.2