spss logistic回归分析结果如何分析
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)。
如图1-3左侧对话框中有许多变量,但在单因素方差分析中与ICAS显著相关的为性别、年龄、有无高血压,有无糖尿病等(P<0.05),因此我们这里选择以性别和年龄为例进行分析。
在图1-3中,因为我们要分析性别和年龄与ICAS的相关程度,因此将ICAS选入因变量(Dependent)中,而将性别和年龄选入协变量(Covariates)框中,在协变量下方的“方法(Method)”一栏中,共有七个选项。采用第一种方法,即系统默认的强迫回归方法(进入“Enter”)。 接下来我们将对分类(Categorical),保存(Save),选项(Options)按照如图1-4、1-5、1-6中所示进行设置。在“分类”对话框中,因为性别为二分类变量,因此将其选入分类协变量中,参考类别为在分析中是以最小数值“0(第一个)”作为参考,还是将最大数值“1(最后一个)”作为参考,这里我们选择第一个“0”作为参考。在“存放”选项框中是指将不将数据输出到编辑显示区中。在“选项”对话框中要勾选如图几项,其中“exp(B)的CI(X)”一定要勾选,这个就是输出的OR和CI值,后面的95%为系统默认,不需要更改。
另外在“选项”对话框中,“输出”一栏中,系统默认为“在每个步骤中”,这里更改为“在最后一个步骤中”,即:输出结果将仅仅给出最终结果,而省略每一步的计算过程。由于我们采用强迫回归,逐步回归概率选项可以不管
此外还有一个选项需要说明。一是分类临界值(Classification cutoff),默认值为0.5,即按四舍五入的原则将概率预测值化为0 或者1
。如果
将数值改为0.6,则大于等于0.6 的概率值才表示为1,否则为0。其情况余依此类推。二是最大迭代值(Maximum Iterations),规定系统运算的迭代次数,默认值为20 次,为安全起见,我们将迭代次数增加到50。原因是,有时迭代次数太少,计算结果不能真正收敛。三是模型中包括常数项(Include constant in model),即模型中保留截距。除了迭代次数之外,其余两个选项均采用系统默认值。
完成后,点击各项中“继续(Continue)”按钮。返回图1-3,单击“确定”按钮。
(二)结果解读
其他结果参照文章《利用SPSS进行Logistic回归分析》中解读,这里重点将两点: 第一,分类变量编码(图1-7),由于这里包括性别分类变量,而我们对性别赋值为1和0,但在spss中系统会默认把我们的数值进行置换,即1→参数编码0,0→参数编码1,而最终输出结果是以1来计算的,而0为参考数据。所以这也就是为什么我么之前要对研究组男性的赋值进行置换了。如果男性为1那么spss中最终输出的将是女性的分析结果。
图1-7
第二,最终输出数据(图1-8)在该结果中,Exp(B)即为文献中提及的OR值,而EXP(B)的95%C.I.即为文献中提及的CI值。其中Exp(B)表示某因素(自变量)内该类别是其相应参考类别具有某种倾向性的倍数。而有的文献中提到的Crode OR和Adjust OR则分别为单因素优势率(Crode odds ratio)和多因素优势率(Adjust odds ratio),即仅对性
别单个变量的单因素分析或者对性别和年龄等多个变量进行多因素分析后所得到的不同结果。CI则为可信区间(Confidence interval)。Sig.即我们常说的P值,P<0.05为显著(无效假说不成立,具有统计学意义),P>0.05为不显著(无效假说成立,不具有统计学意义)。 二、多项(多元、多分类、Multinomial)logistic回归分析
前面讲的二元logistic回归分析仅适合因变量Y只有两种取值(二分类)的情况,当Y具有两种以上的取值时,就要用多项logistic回归(Mutinomial Logistic Regression)分析了。这种分析不仅可以用于医疗领域,也可以用于社会学、经济学、农业研究等多个领域。如不同阶段(初
一、初二、初三)学生视力下降程度,不同龋齿情况(轻度、中度、重度)下与刷牙、饮食、年龄的关系等。
下面我们以图1-2中,对apoba1(ApoB/AI)项中数值做四分位数后,将病人的ApoB/AI的比值划分为低、较低、中、高四个分位后利用多项logistic回归分析其与ICAS之间的相互关系。
首先来做四分位数,很多人在做四分位数的时候都是自己算出来的,其实在SPSS里面给出了做四分位数的程度即分析(Aanlyze)→描述统计(Descriptive Statistics)→频率(Frequencies)。打如图2-1开频率对话框。将我们要分析的数值变量Apoba1选入到变量对话框中。 选择统计量,按照图2-2中勾选四分位数选项,其他选项按照自己需要勾选,然后点击图2-1中的确定按钮,开始运算。在图2-3中可以读取我们的四分位数
值。图中百分数表示的是对该变量做的四分位数的百分比,25表示前25%的,50表示前50%的,75表示前75%的。每一项对应的后面数值即为相应的四分位数,如0.5904,即为前25%的个体与后75%个体的分位数。
按照如上方法得出ApoB/AI的比率后我们可以把该比值划分为四个区间,即当ApoB/AI的比率<0.5904为低、当0.5904≤ApoB/AI的比率≤0.88时为较低、当0.89≤ApoB/AI的比率≤1.0886时为中,当ApoB/AI的比率>1.0886时为高。然后将这一划分如图1-1中“四分位数”一项用分类数值表示即1代表低,2代表较低,3代表中,4代表高。这里还要强调的是我们要研究其与ICAS之间的相互关系,那么我们需要将其设为二分类变量,即是ICAS的情况为1,否则为0,但多项logistic回归分析也会将1,0置换,所以我们需要在这里将我们需要研究的情况置换为0,然后将其他置换为1。下面就可以进行多项logistic回归分析了。如图
2-4打开多项logistic回归分析对话框(图2-5)。
如图2-5所示,在”因变量”中选入刚才我们输入的四分位数分类变量,在因子中输入分类变量ICAS(这里一定是分类变量,可以是一个也可以是多个),在“协变量”中输入数值变量如年龄(这里一定是数值变量,
可以是一个也可以是多个),但因本次没有对年龄进行分析,仅对ICAS进行了单因素分析,所以我们把年龄移出协变量选项。
在SPSS中对因变量的定义是,如果因变量Y有J个值(即Y有J类),以其中一个类别作为参考类别,其他类别都同他相比较生成J-1个冗余的Logit变换模型,而作为参考类别的其模型中所有系数均为0。在SPSS中可以对所选因变量的参考类别进行设置,如图2-5在因变量对话框下有一“参考类别”选项。点击后会弹出图2-6对话框。在该对话框中我们选中设定,输入数值1,这代表我们以分类数值1所代表的类别作为参考类别,即最低数值作为参考类别。 单击继续。当然也可以选择“第一类别”和“最后类别”,入选中分别表示以最低数值或最高数值作为参考类别。其他设置与二元Logistic分析相似,将我们要输出的项勾选即可,点击图2-5中确定,输出数据。 输出数据基本与二元Logistic分析相似,我们重点讲下最后一项“参考估计”,如图2-7所示,其中参考类别为ICAS=1的分类情况,而其中的ICAS=0分为2、3、4三种,分别给出了ICAS=0时的数值。而其中Exp(B)(即OR值)表示某因素(自变量)内该类别是其相应参考类别具有某种倾向性的倍数。如Exp(B)=2.235时,即表示在较轻这一类别下ICAS患者数为其他类别(ECAS和NCAS)的2.235倍。这里面的显著水平即为P值。
这里要强调的是,一些文献中在输出数据的时候经常会给出“Referent(参考)”项,这里的Referent,即为我们这里所选的参考类别1,因为
1作为参考类别,所以其所有数值为0
,即无数据输出。因此在文中需标注其为Referent。
数据分析咨询请扫描二维码
在现代信息技术的广阔世界中,大数据架构师扮演着至关重要的角色。他们不仅引领着企业的数据战略,还通过技术创新推动业务的不断 ...
2024-11-04在当今数字化时代,数据分析师已成为企业关键角色,帮助决策者通过数据驱动的洞察实现业务目标。成为一名成功的数据分析师,需要 ...
2024-11-03在当今数字化的世界中,数据分析已经成为推动商业决策的关键因素。随着公司和组织越来越依赖数据来驱动业务战略,对数据分析专 ...
2024-11-03《Python数据分析极简入门》 第2节 2 Pandas数据类型 Pandas 有两种自己独有的基本数据结构。需要注意的是,它固然有着两种数据 ...
2024-11-01《Python数据分析极简入门》 第2节 1 Pandas简介 说好开始学Python,怎么到了Pandas? 前面说过,既然定义为极简入门,我们只抓 ...
2024-10-31在当今数据驱动的世界中,数据科学与工程专业的重要性愈发凸显。无论是推动技术进步,还是在商业决策中提供精准分析,这一专业都 ...
2024-10-30在当今信息爆炸的时代,数据已成为企业决策和战略制定的核心资源。爬虫工程师因此成为数据获取和挖掘的关键角色。本文将详细介绍 ...
2024-10-30在当今数据驱动的世界中,数据分析是揭示商业洞察和推动决策的核心力量。选择合适的数据分析工具对于数据专业人士而言至关重要。 ...
2024-10-30能源企业在全球经济和环境保护双重压力下,正面临前所未有的挑战与机遇。数字化转型作为应对这些挑战的关键手段,正在深刻变革传 ...
2024-10-30近年来,随着数据科学的逐步发展,Python语言的使用率也越来越高,不仅可以做数据处理,网页开发,更是数据科学、机器学习、深度 ...
2024-10-30大数据分析师证书 针对不同知识,掌握程度的要求分为【领会】、【熟知】、【应用】三个级别,考生应按照不同知识要求进行学习。 ...
2024-10-30《Python数据分析极简入门》 附:Anaconda安装教程 注:分Windows系统下安装和MacOS系统安装 1. Windows系统下安装 第一步清华大 ...
2024-10-29拥抱数据分析的世界 - 成为一名数据分析工程师是一个充满挑战和机遇的职业选择。要成功地进入这个领域,你需要掌握一系列关键技 ...
2024-10-28降本增效:管理战略的关键 企业管理中的降本增效不仅是一项重要的战略举措,更是激发竞争力、提高盈利能力的关键。这一理念在当 ...
2024-10-28企业数字化是指利用数字技术和信息化手段,对企业的各个方面进行改造和优化,以提升生产效率、服务质量和市场竞争力的过程。实现 ...
2024-10-28数据科学专业毕业后,毕业生可以选择从事多种不同的岗位和领域。数据科学是一个快速发展且广泛应用的领域,毕业生在企业、学术界 ...
2024-10-28学习数据科学与大数据技术是当今职业发展中至关重要的一环。从基础到高级,以下是一些建议的课程路径: 基础课程: Python编程 ...
2024-10-28在信息技术和数据科学领域,数据架构师扮演着至关重要的角色。他们负责设计和管理企业中复杂的数据基础设施,以支持数据驱动的决 ...
2024-10-28进入21世纪以来,随着信息技术的迅猛发展,大数据已经成为全球最具影响力的技术之一,并成为企业数字化转型的核心驱动力。大数据 ...
2024-10-28随着科技的迅猛发展,数字化转型已成为现代企业保持竞争力和推动增长的关键战略之一。数字化不仅仅是技术的应用,它代表着一种全 ...
2024-10-28