细胞库/细胞培养
ELISA试剂盒
实验室仪器/设备
原辅料包材
体外检测试剂
统计第八课：SPSS 之二项 Logistic 回归分析
统计第八课：SPSS 之二项 Logistic 回归分析
点击次数：3864
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。他可以从多个自变量中选出对因变量有影响的自变量，并可以给出预测公式用于预测。 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。 下面学习一下Odds、OR、RR的概念： 在病例对照研究中，可以画出下列的四格表：
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。在病例对照研究中病例组的暴露比值为： odds1 = (a/(a+c))/(c(a+c)) = a/c， 对照组的暴露比值为： odds2 = (b/(b+d))/(d/(b+d)) = b/d OR：比值比，为：病例组的暴露比值(odds1)/对照组的暴露比值(odds2) = ad/bc 换一种角度，暴露组的疾病发生比值： odds1 = (a/(a+b))/(b(a+b)) = a/b 非暴露组的疾病发生比值： odds2 = (c/(c+d))/(d/(c+d)) = c/d OR = odds1/odds2 = ad/bc 与之前的结果一致。 OR的含义与相对危险度相同，指暴露组的疾病危险性为非暴露组的多少倍。OR&1说明疾病的危险度因暴露而增加，暴露与疾病之间为“正”关联；OR&1 说明疾病的危险度因暴露而减少，暴露与疾病之间为“负”关联。 还应计算OR的置信区间，若区间跨1，一般说明该因素无意义。 关联强度大致如下：
0.9-1.0 ，1.0-1.1
0.7-0.8， 1.2-1.4
弱（前者为负关联，后者为正关联）
0.4-0.6 ，1.5-2.9
中等（同上）
0.1-0.3 ，3.0-9.0
强（同上）
& 0.1 ， 10.0以上
很强（同上）
RR:：相对危险度（relative risk）的本质为率比（rate ratio）或危险比(risk ratio)，即暴露组与非暴露组发病率之比，或发病的概率之比。但是病例对照研究不能计算发病率，所以病例对照研究中只能计算OR。当人群中疾病的发病率或者患病率很小时，OR近似等于RR，可用OR值代替RR。 不同发病率情况下，OR与RR的关系图如下：
当发病率&10%时，RR与OR很接近。当发病率增大时，两者的差别增大。当OR&1时，OR高估了RR，当OR&1时，OR低估了RR。 设疾病在非暴露人群中的发病为P0，则可用下列公式对RR记性校正： RR = OR/((1-P0)+(P0*OR)) 若P0未知，可以用c/(c+d)估计。
实际案例：以SPSS自带的银行问题为例 对银行拖欠贷款的影响因素进行分析，可选的影响因素有：客户的年龄、教育水平、工龄、居住年限、家庭收入、贷款收入比、信用卡欠款、其他债务等，从中选择出对是否拖欠贷款的预测因素，并进行预测。数据采用SPSS自带的bankloan.sav中的部分数据。
统计操作 1、 准备数据 变量视图
下面开始准备数据： 由于「default」 变量可能存在缺失值，所以要新建一个变量「alidate」当「default」不为缺失值时，将validate=1，然后通过validate来判断将不缺失的值纳入回归分析： 选择如下菜单：
点击进入「计算变量」对话框：
在「目标变量」看中输入「validate」，右边的「数字表达式」输入「1」。再点击下方的「如果...」按钮，进入对话框：
在框中输入 missing(default)= 0，含义是 defalut 变量不为缺失值。点击「继续」回到「计算变量」对话框：
点击确定，完成变量计算。
2、统计 菜单选择
进入如下的对话框（下文称「主界面」）：
将「是否拖欠贷款[default]」作为因变量选入「因变量」框中。将其与变量选入「协变量」框中，下方的「方法」下拉菜单选择「向前：LR」（即前向的最大似然法，选择变量筛选的方法，条件法和最大似然法较好，慎用 Wald 法）。将「validate」变量选入下方的「选择变量」框。点击「选择变量」框后的「规则」按钮，进入定义规则对话框：
设置条件为「validate= 1」，点击「继续」按钮返回主界面：
点击右上角「分类」按钮，进入如下的对话框：
该对话框用来设置自变量中的分类变量，左边的为刚才选入的协变量，必须将所有分类变量选入右边的「分类协变量框中」。本例中只有「教育程度 [ed]」为分类变量，将它选入右边框中，下方的「更改对比」可以默认。点击「继续」按钮返回主界面。 回到主界面后点击「选项」按钮，进入对话框：
勾选「分类图」和「Hosmer-Lemeshow 拟合度」复选框，输出栏中选择「在最后一个步骤中」，其余参数默认即可。「Hosmer-Lemeshow 拟合度」能较好的检验该模型的拟合程度。 点击继续回到主界面，点击「确定」输出结果。
四、结果分析
以上是案例处理摘要及变量的编码。
上表是关于模型拟合度的检验。这用Cox&Snell R方和Negelkerke R方代替了线性回归中的R方，他们呢的值越接近1，说明拟合度越好，这个他们分别为0.298和0.436，单纯看这一点，似乎模型的拟合度不好，但是该参数主要是用于模型之间的对比。
这是H-L检验表，P = 0.381 & 0.05接受0假设，认为该模型能很好拟合数据。
H-L检验的随机性表，比较观测值与期望值，表中观测值与期望值大致相同，可以直观的认为，该模型拟合度较好。
这个是最终模型的预测结果列联表。在700例数据中进行预测，在未拖欠贷款的478+39 = 517例中，有478例预测正确，正确率92.5%；在91+92 = 183例拖欠贷款的用户中，有92例预测正确，正确率50.3%。总的正确率81.4%。可以看出该模型对于非拖欠贷款者预测效果较好。
这是最终拟合的结果，四个变量入选，P 值均&0.05。列「B」为偏回归系数，「S.E.」为标准误差，「Wals」为 Wald 统计量。「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。如工龄为 2 年的用户的拖欠贷款的发生比（Odds）是工龄为 1 年的用户的 0.785 倍。
最终的拟合方程式：logit(P) = -0.791 - 0.243*employ - 0.081*address + 0.088*detbinc + 0.573*creddebt。用该方程可以做预测，预测值大于 0.5 说明用户可能会拖欠贷款，小于 0.5 说明可能不会拖欠贷款。
这是不在方程中的变量，其P均大于0.05，没有统计学意义。 这是预测概率的直方图。横轴为拖欠贷款的预测概率（0 为不拖欠，1 为拖欠），纵轴为观测的频数，符号「Y」代表拖欠，「N」代表不拖欠。若预测正确，所有的 Y 均应在横轴 0.5 分界点的右边，所有的 N 均应该在 0.5 分界点的左边，数据分布为「U」型，中间数据少，两头数据多。可以直观的看出，本模型对于不拖欠贷款的预测较好，对于拖欠贷款的预测相对较差。
想了解更多有用的、有意思的前沿资讯以及酷炫的实验方法的你，都可以成为师兄的好伙伴
wudihero007
相关实验方法
本网站所有注明“来源：丁香园”的文字、图片和音视频资料，版权均属于丁香园所有，非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：丁香园”。本网所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
难度系数：
共441人点评打分
难度系数：
共190人点评打分
难度系数：
共157人点评打分
难度系数：
共151人点评打分
难度系数：
共130人点评打分
丁香通采购热线：400-
Copyright (C)
DXY All Rights Reserved.第1页/共13页
如何用spss17.0进行二元和多元logistic回归分析
一、二元logistic回归分析
二元logistic回归分析的前提为因变量是可以转化为0、1的二分变量，如：死亡或者生存，男性或者女性，有或无，Yes或No，是或否的情况。
下面以医学中不同类型脑梗塞与年龄和性别之间的相互关系来进行二元logistic回归分析。
（一）数据准备和SPSS选项设置
第一步，原始数据的转化：如图1-1所示，其中脑梗塞可以分为ICAS、ECAS和NCAS三种，但现在我们仅考虑性别和年龄与ICAS的关系，因此将分组数据ICAS、ECAS和NCAS转化为1、0分类，是ICAS赋值为1，否赋值为0。年龄为数值变量，可直接输入到spss中，而性别需要转化为（1、0）分类变量输入到spss当中，假设男性为1，女性为0，但在后续分析中系统会将1，0置换（下面还会介绍），因此为方便期间我们这里先将男女赋值置换，即男性为“0”，女性为“1”。 图 1-1
第二步：打开“二值Logistic 回归分析”对话框：
沿着主菜单的“分析（Analyze）→回归（Regression）→二元logistic（Binary Logistic）”的路径（图1-2）打开二值Logistic 回归分析选项框（图1-3）。
第1页/共13页
寻找更多 ""上传时间：
陈老师spss数据分析教程之spss有序多分类Logistic回归分析
专辑名称：
专辑创建者：
视频数：270
谦瑞数据分析公司高级数据分析师，SPSS统计软件金牌讲师陈老师为您每日更新SPSS统计学课程，敬请关注哦！
56官方微信
扫一扫发现精彩关注今日：0 | 主题：191525
微信扫一扫
SPSS logistic回归分析 三组如何操作
页码直达：
各位前辈，我自学SPSS，想做logistic回归分析，我的分组是三组，可是看的很多教程都是两组，而且看的一篇文献中单因素分析是三组的比较，但是后来多因素回归的时候还是两组，是因为logistic回归只能两组比较吗？如果不是的话，三组怎么操作？非常感谢！
不知道邀请谁？试试他们
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
再补充一下我的问题，我是按照不同的临床结局分为三组，其中一组（A组）是想研究的方向，另外两组（B、C组）是不同的对照，在单因素ANOVA分析中有几个因素在组间有差异，有的是A与B组有差异，有的是A与B、C组有差异，然后打算做logistic回归分析，能否把B组和C组合并，然后用二元logistic回归分析？还是分别对A组和B组进行二元回归分析，但是带入的自变量仅仅是两组间有差异的因素，而不是三组间有差异的因素？非常感谢各位牛人赐教！
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
logistic回归不仅能两组，三组还能做多组的比较。 如上图，常见的两组比较选择二元Logistic回归分析，多组分析根据因变量的关系选择多项或者有序Logistic回归分析，如果是分类变量（如三组分类为工人、农民、教师）则选择多项Logistic回归分析，如果是有序变量（例如，轻、中、重）则选择有序Logistic回归分析（不仅限于3组，多组也行，但也不要太多，分组太多就显示不出来Logistic回归的优势了或者违反了Logistic回归的立论依据了）。 根据你的表述（看的似懂非懂，好像A和B/C都有可以比较的依据，B、C直接没什么关系），我还是建议你分别用二分类Logistic回归分析做吧。
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
非常感谢楼上，我是想研究导致B的原因，单因素ANOVA发现了一些因素，有的B与A有关，有的B与C有关，有的B与A、C均有关，但是我不研究A和C。你的意思是我把A和B拿出来，然后带入这两组之间有差异的因素，同理B和C比较是吗？ 我自己试了试多项logistic回归，得出的结果是我带入的因素都有相关性，我十分怀疑结果是否可信，不知道是不是操作的不对。 PS：还有一个问题，我的临床结局A、B、C是不是作为因变量？自变量是分类变量，协变量是数值变量？我发现组间有差异的因素全是数值变量，是不是就是没有自变量，全是协变量？ 不好意思，比较小白，希望大牛答疑~
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
spss多项无序结果解释有点问题的不建议spss
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
这是我多项logistic回归的结果，请大牛看看结果有意义吗 如果不行的话下一步怎么做？（PS：我参考的文献研究两组之间差异，用的二项logistic回归，forward LR法）
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
意义不怎么大啊亲
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
微信扫一扫
广告宣传推广
政治敏感、违法虚假信息
恶意灌水、重复发帖
违规侵权、站友争执
附件异常、链接失效
关于丁香园