多元Logistic回归分析.ppt

1、1、多变量统计校正分析方法、themethodsofmultivariatestatisticalanalysis、2、多变量Logistic回归预测、multiplelogisticregressionanalysis； 第7 Logistic回归预测的基本概念Logistic回归预测的数学模型Logistic回归模型的建立和验证Logistic回归系数的解释配对病例对照数据的Logistic回归预测，4，回归预测的分类，连续型要因变量(y) -线性回归预测，多要因型要因变量(y ) -Logistic回归预测，时间序列因素变量(t) -时间序列分析，生存时间因素变量(t) -生存风险回归预

2、测，路径分析结构方程式模型分析，一个因素变量y二分类变量：生存和死亡病和无病有效和无效感染和未感染多分类有序相：疾病程度(轻度、中度、重度)治愈效果(治愈、 显效、好转、无效)多分类无有序相：手术方法(a、b、c )就诊医院手术后有感染的，也有没有感染的？ 有哪些因素引起了治疗方法的治愈、有效、好转、无效等不同效果，回归预测问题： Y=f(x )，7，如何解决这些问题？ 不存在，8，1，什么是逻辑回归预测？ 研究变量y取某值的概率变量p和自变量x的依存关系。 p=p(y=1|x)=f(x )、第1节Logistic回归预测的概念、9、2、Logistic回归预测的分类、数据的类型：非条件Log

3、istic回归预测(组数据)条件Logistic回归预测(情侣病例对照数据) 按要因变量区分的值个数：二值logistic回归预测多值logistic回归预测自变量个数：一元logistic回归预测多值logistic回归预测10、第二节logistic回归预测的数学模型，当设y为1、0变量、x为任意变量、p=p(y=1|x )时， 关于二值变量y的变量x的一维Logistic回归模型描述了y采取某值(y=1)的概率p和变量x之间的关系。 (1)设二值一元logistic回归模型：11、y为1、0变量、x1、x2、xk为任意的k变量。 如果p=p(y=1|x1，x2，xk )，变量y是关于变量

4、x1，x2，xk的k元logistic回归模型是，(2)二值多次logistic回归模型。 (13 )多值逻辑回归模型：例如，在y取值1、2、3的情况下，逻辑回归模型是p1=p(y=1)=p1p2=的1 .估计残奥仪表-最大似然法2，检查残奥仪表的显性h 0: j=0vs h 13330 为研究检查模型的显性H0: 1=k=0 vs H1: j0 4，解释残奥仪的实际意义，第三例1，自变量为二值分类变量医院研究手术切口感染的原因，收集了295例手术患者的情况。 其中手术时间在5小时以下者242例，感染者13例。 手术时间超过5小时者53例，感染者7例。 试制了有关手术切口感染(y )手术时间(

5、x )的logistic回归模型。46、53、16、数据eg7_1a； 输入x wt； 卡多斯； 1 1 7 1 0 13 0 1 46 0 0 229。 run； 专业定位设计； 模型y=x； 重量级； run； SAS普拉姆，17， thelogisticproceduredataset : work.eg7_ 1响应可变性：响应可能性：2关注度：4 3360 logitresponseprofileorderedtotalvalueycountweight 1220.0000020275.00000，18， modelfittinginformationandtestingglobaln

6、ullhypothesisbeta=0interceptinterceptandcriteriononlycovariateschi-squareforcoor.266 第二代英语单词：-2 logl 146.262142.6863.576 with1df (p=0. 0586 ) score.4. 224 with1df (p ) analysisofmaximumlikelihoodestimatesparameterstandardwaldprstandardizedoddsvariabledfestimateerrorchi-square chi-square interc . 000

7、1 . x 10.9860.49593.9542.04682.0695692.681，19，结果：20，在第四节Logistic logistic回归模型中，x=0和x=1，21，单元logistic回归模型系数的含义解释： (1)； 因此，手术时间超过5小时的感染率是手术时间在5小时以下的感染率的2.681倍，即感染的可能性增加了186.1%。 例如，手术感染问题，23，一维logistic回归模型系数的含义解释： (2)在x是对任意的x1 x2，x1 x2的连续变量，x是连续变量的情况下，OR=eb近似表示在x的相邻2个单位的相对危险度。 也就是说，x每增加1个单位，危险就相对增加或减少(

8、OR-1)*100%。 24、例2、自变量为连续型数值变量，为分析新生儿出生时体重(birthwt )与支气管肺发育不良症(BPD )的关系，对223名新生儿进行了调查。 调查的数据如下表所示。 二十五、data eg7_2； dobirthwt=750、1150、1550； do bpd=1，0； 输入wt； 输出； 结束； 结束； 卡多斯； 49 19 18 62 9 66 run； 原始数据=eg 2设计； 模型bpd=比特； 重量级； run； SAS普拉姆，26， responseprofileorderedvaluebpdcount 17620147 modelfittinginf

9、ormationandtestingglobalnullhypothesisbeta=0interceptinterceptaand squareforcovariatesaic 288.140229.166.sc 291.547235.980.-2logl 286.140225.16660.974带宽1 df. 56.008带宽1 df (p=0. 0001 analysisofmaximumlikelihoodestimatesparameterstandardwaldprstandardizedoddsvariabledfestimateerrorchi-square chi-squar

10、e interc 1. birthwt1-0. 003970.00058845.60920.0001-0.702480.996、SAS输出结果27，1 .对变量bpd的参数birthwt的logistic回归模型为2，其中，对参数birth wt的回归系数是统一的OR=0.996表示新生儿出生体重每增加1单位(g )，患BPD病的机会就会减少约0.4%。 也就是说，患bpd病的概率随着新生儿的出生体重增加而降低。 3 .根据上述回归模型可以预测新生儿出生时有得BPD病的可能性。28、一元logistic回归模型系数的含义解释： (3)如果x是分类变量，则x为分类变量，特别是如果名义变量，则需要

11、将x转换为虚拟变量，进行logistic回归预测。 的双曲馀弦值。 如果x是g个分类的分类变量，则将x的g-1个虚拟变量放入模型中。 每个虚拟变量的OR值表示该组和参照组的相对危险度。什么是虚拟变量？ 的双曲馀弦值。 包含g个类的分类变量可以创建g个虚拟变量。 30、如何使用SAS计程仪程序创建虚拟变量？ 数据d 2； set d1； 阵列a 3稳定技术工作器； do i=1 to 3； ai=(x1=I ) :结束； run； 数据d 2； set d1； 阵列a 3稳定技术工作器； do i=1 to 3； 一架飞机=一架飞机=一架飞机。 else ai=0； 结束； run； 31、如何

12、解析虚拟变量？ (g -将1个虚拟变量放入模型进行解析，将虚拟变量作为参照变量保留；(2)各虚拟变量的OR值表示该虚拟变量组和参照变量组的相对危险度。 32、例3、自变量通过分类变量了解冠心病与人种之间的关系，某研究所调查了100个样本，数据如下表所示。 估计不同家庭之间冠心病的相对危险度。 y=1为冠心病，y=0为冠心病。 x=1为黑人，x=2为白人，x=3为其他人种。 将变量x转换为虚拟变量。 变量名称包括黑色、白色和黑色。 三十三、data eg7_3； doy=1，0； do x=1 to 3。 输入wt； 输出； 结束； 结束； 卡多斯； 20五25十20运行； 数据生成器； 设定e

13、g7_ 3； array a 3黑白之翼； do i=1 to 3； ai=(x=i )； 结束； run； 专业定位设计； 模型y=黑色other； 重量级； run； 34、以White为参照组， thelogisticprocedureresponseprofileorderedtotalvalueycountweight 1350.00000020350.0000000 modelfittinginformationandtestinglo 0 withoutwithcriterioncovariatescovariateschi-squareforcovariatesaic 138.629131.038.sc 138.629130。 629125.03813.592 with3df (p=0. 0035 ) score. 12.889 with3df (p=0. 0049 ) analysisof