关注今日：2 | 主题：194009
微信扫一扫
如何在SPSS中进行条件Logistic回归分析，
页码直达：
这个帖子发布于10年零285天前，其中的信息可能已发生改变或有所发展。
如何在SPSS中进行条件Logistic回归分析，很多书上只介绍了 非条件Logistic回归分析
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
收起全部有料回复
丁香园准中级站友
Spss电脑实验－第八节(4)对照调查比较 — 配对调查资料的条件 Logistic 回归分析Ⅳ．对照调查比较 — 配对调查资料的条件 Logistic 回归分析1. 1:1 病例对照研究的基本概念在管理工作中，我们也经常要开展对照调查。例如为什么有的人患了胃癌，有的人却不会患胃癌？如果在同一居住地选取同性别、年龄相差仅 ±2 岁的健康人作对照调查，调查他们与患胃癌有关的各种影响因素，这就是医学上很常用的所谓“1:1 病例对照研究”。病例对照研究资料常用条件Logistic 回归分析。条件Logistic 回归模型（conditional logistic regression model,CLRM)，下称CLRM 模型。2. 条件Logistic 回归模型的一个实例某地在肿瘤防治健康教育、社区干预工作中做了一项调查，内容是三种生活因素与胃癌发病的关系。调查的三种生活因素取值见表 11-6。请拟合条件Logistic 回归模型，说明胃癌发病的主要危险因素。表 11-6 三种生活因素与胃癌发病关系的取值------------------------------------------------------------------------------------------变 量 名 取 值 范 围------------------------------------------------------------------------------------------X1 (不良生活习惯) 0，1，2，3，4 表示程度（0 表示无，4 表示很多）X2 (喜吃卤食和盐腌食物) 0，1，2，3，4 表示程度（0 表示不吃，4 表示喜欢吃、吃很多）X3 (精神状况) 0 表示差，1 表示好------------------------------------------------------------------------------------------表 11-7 50 对胃癌病例（S=1）与对照（S=0）三种生活习惯调查结果------------------------------------------------------------------------------------------病例 对照 病例 对照-----------------------------------------------------------------------------No S X1 X2 X3 No S X1 X2 X3 No S X1 X2 X3 No S X1 X2 X3------------------------------------------------------------------------------------------1 1 2 4 0 1 0 3 1 0 26 1 2 2 0 26 0 1 1 02 1 3 2 1 2 0 0 1 0 27 1 2 0 1 27 0 0 2 13 1 3 0 0 3 0 2 0 1 28 1 1 1 1 28 0 3 0 14 1 3 0 0 4 0 2 0 1 29 1 2 0 1 29 0 4 0 05 1 3 0 1 5 0 0 0 0 30 1 3 1 0 30 0 0 2 16 1 2 2 0 6 0 0 1 0 31 1 1 0 1 31 0 0 0 07 1 3 1 0 7 0 2 1 0 32 1 4 2 1 32 0 1 0 18 1 3 0 0 8 0 2 0 0 33 1 4 0 1 33 0 2 0 19 1 2 2 0 9 0 1 0 1 34 1 2 0 1 34 0 0 0 110 1 1 0 0 10 0 2 0 0 35 1 1 2 0 35 0 2 0 111 1 3 0 0 11 0 0 1 1 36 1 2 0 0 36 0 2 0 112 1 3 4 0 12 0 3 2 0 37 1 0 1 1 37 0 1 1 013 1 1 1 1 13 0 2 0 0 38 1 0 0 1 38 0 4 0 014 1 2 2 1 14 0 0 2 1 39 1 3 0 1 39 0 0 1 015 1 2 3 0 15 0 2 0 0 40 1 2 0 1 40 0 3 0 116 1 2 4 1 16 0 0 0 1 41 1 2 0 0 41 0 1 0 117 1 1 1 0 17 0 0 1 1 42 1 3 0 1 42 0 0 0 118 1 1 3 1 18 0 0 0 1 43 1 2 1 1 43 0 0 0 019 1 3 4 1 19 0 2 0 0 44 1 2 0 1 44 0 1 0 020 1 0 2 0 20 0 0 0 0 45 1 1 1 1 45 0 0 0 121 1 3 2 1 21 0 3 1 0 46 1 0 1 1 46 0 0 0 022 1 1 0 0 22 0 2 0 1 47 1 2 1 0 47 0 0 0 023 1 3 0 0 23 0 2 2 0 48 1 2 0 1 48 0 1 1 024 1 1 1 1 24 0 0 1 1 49 1 1 2 1 49 0 0 0 125 1 1 2 0 25 0 2 0 0 50 1 2 0 1 50 0 0 3 1-------------------------------------------------------------------------------------------3. 条件Logistic 回归模型的拟合原理与方法本例以 SPSS 软件包来拟合 CLRM 模型。SPSS 虽有一个 LOGISTIC REGRESSION 命令，却无法拟合条件 Logistic模型(CLRM)，但有拟合 Cox 回归模型的固有命令（COXREG）。 回顾一下Cox 回归模型的公式：h (t,X) = h0(t) exp (X1 β1 + X2 β2 + ...+ Xp βp)将两侧同时取对数可得：LN(h(t,X)) = LN (h0(t)) + (X1 β1 + X2 β2 + ...+ Xp βp)如果是含有分层变量的Cox 回归模型, 则公式变为：Spss电脑实验－第八节(4)对照调查比较 — 配对调查资料的条件 Logistic ... 页码，1/3 LN(h(t,X)) = LN (h0i(t)) + (X1 β1 + X2 β2 + ...+ Xp βp)各层的基线风险函数h0i(t) 可以完全无关，而协变量的系数则在所有层中保持不变。作为半参数的方法，Cox 模型在拟合时并不估计基线风险函数h0i(t)，只估计各协变量的系数值β。这则与条件 Logistic 回归模型不关心αi 的大小，只解出系数值β的思路一致。而且两者都以最大似然法（LR）来拟合。把配对因素作为分层因素，即可消除配对因素的作用，因此可用分层变量控制法的原理，来拟合条件 Logistic 回归模型。在使用SPSS的COXREG 命令拟合条件 Logistic 模型时（Analyze → Survival → Cox Regression），要回答下列5个对话框：① Time: 给每行记录一个虚拟的生存时间（Time)，一般默认“病例” 生存时间短（例如为“1”），“对照” 生存时间长（例如为“2”）。只要“对照” 的生存时间（例如“2”～“100”）长于“病例”即可。因为SPSS 会把在最短的完全数据的生存时间之前的截尾数据（Censored）全部去掉而不参加分析。输出分层状态时，Event=“1”；Censored= “2”。② Status 与 Define Event: 选入虚拟生存状态变量。定义事件时“病例”全为“1”（Single value），为完全数据；“对照” 全“0”，为截尾数据。此值“1”表示事件已发生，本例即“病例”。③ Covariates: 选入要进行分析的协变量（即自变量 X1，X2，X3）。④ Method: 用 FSTEP（LR），即似然比法。⑤ Strata: 录入配对的对子号，“1”指第1 个对子（含“病例”为“1”一行与“对照” 者为“0”一行）；“2”指第2 个对子。本例指变量“No”。4. 拟合条件Logistic 回归模型所用程序文件所用程序文件名为 CondLogiRegre.sps。*Conditional Logistic R filename: CondLogiRegre.sps.*---------------------------------------------------------------.*Fang Ji-Qian: Med. Stat. and Computer Experiment, P.492:.* Using COX-Regression to fit Conditional Logistic Regression:.DATA LIST FREE /No Status Time x1 x2 x3.BEGIN DATA.1 1 1 2 4 0 1 0 2 3 1 0 2 1 1 3 2 1 2 0 2 0 1 03 1 1 3 0 0 3 0 2 2 0 1 4 1 1 3 0 0 4 0 2 2 0 15 1 1 3 0 1 5 0 2 0 0 0 6 1 1 2 2 0 6 0 2 0 1 07 1 1 3 1 0 7 0 2 2 1 0 8 1 1 3 0 0 8 0 2 2 0 09 1 1 2 2 0 9 0 2 1 0 1 10 1 1 1 0 0 10 0 2 2 0 011 1 1 3 0 0 11 0 2 0 1 1 12 1 1 3 4 0 12 0 2 3 2 013 1 1 1 1 1 13 0 2 2 0 0 14 1 1 2 2 1 14 0 2 0 2 115 1 1 2 3 0 15 0 2 2 0 0 16 1 1 2 4 1 16 0 2 0 0 117 1 1 1 1 0 17 0 2 0 1 1 18 1 1 1 3 1 18 0 2 0 0 119 1 1 3 4 1 19 0 2 2 0 0 20 1 1 0 2 0 20 0 2 0 0 021 1 1 3 2 1 21 0 2 3 1 0 22 1 1 1 0 0 22 0 2 2 0 123 1 1 3 0 0 23 0 2 2 2 0 24 1 1 1 1 1 24 0 2 0 1 125 1 1 1 2 0 25 0 2 2 0 0 26 1 1 2 2 0 26 0 2 1 1 027 1 1 2 0 1 27 0 2 0 2 1 28 1 1 1 1 1 28 0 2 3 0 129 1 1 2 0 1 29 0 2 4 0 0 30 1 1 3 1 0 30 0 2 0 2 131 1 1 1 0 1 31 0 2 0 0 0 32 1 1 4 2 1 32 0 2 1 0 133 1 1 4 0 1 33 0 2 2 0 1 34 1 1 2 0 1 34 0 2 0 0 135 1 1 1 2 0 35 0 2 2 0 1 36 1 1 2 0 0 36 0 2 2 0 137 1 1 0 1 1 37 0 2 1 1 0 38 1 1 0 0 1 38 0 2 4 0 039 1 1 3 0 1 39 0 2 0 1 0 40 1 1 2 0 1 40 0 2 3 0 141 1 1 2 0 0 41 0 2 1 0 1 42 1 1 3 0 1 42 0 2 0 0 143 1 1 2 1 1 43 0 2 0 0 0 44 1 1 2 0 1 44 0 2 1 0 045 1 1 1 1 1 45 0 2 0 0 1 46 1 1 0 1 1 46 0 2 0 0 047 1 1 2 1 0 47 0 2 0 0 0 48 1 1 2 0 1 48 0 2 1 1 049 1 1 1 2 1 49 0 2 0 0 1 50 1 1 2 0 1 50 0 2 0 3 1END DATA.LIST VARIABLES=ALL /FORMAT=NUMBERED /CASES=FROM 1 TO 50.* When programing:.* Status: Case=1; Control=0.* Time: Case=1; Control=2, that is,the survival time of Control should longer than Case.* Define Event: Single value: 1 means Case.* Covariate: Inpute the independence variables.* Method: ENTER, FSTEP, BSTEP, etc.* Strata: The No. of per pairs, that is,No.COXREG Time /STATUS=Status(1)/STRATA=No/METHOD=FSTEP(LR) X1 X2 X3/PRINT=DEFAULT CI(95)/CRITERIA=PIN(0.05) POUT(0.1) ITERATE(20).*--------------------------------------------------------------------------.5. 拟合条件Logistic 回归模型的主要运算结果运行程序文件 CondLogiRegre.sps 可得到下列主要结果：Variables in the EquationB SE Wald df Sig. Exp(B) 95.0% CI for Exp(B)Lower UpperStep 1 X1 0.659 0.220 8.973 1 0.003 1.932 1.256 2.973Step 2 X1 0.785 0.257 9.351 1 0.002 2.193 1.326 3.629X2 0.814 0.307 7.042 1 0.008 2.257 1.237 4.118回归系数 B 表示病例与对照变量值之差与患病优势的关系，即 Exp(B) 表示病例与对照暴露水平相差 1 个单位时患病的比数比（Odd Ratio, OR）。从表中可见，X3（精神状况）未被引入回归模型，只引入影响因素 X1 与 X2,说明精神状况的好坏与胃癌发病无显著相关，而 X1 (不良生活习惯) 和X2 (喜吃卤食和盐腌食物)与患胃癌有较密切的关系。注意：X1 与 X2 的回归系数 B 都是正值（前者为0.785,后者为0.814），OR 值都大于 1（前者 Exp(B) = OR = 2.193,后者 Exp(B) = OR = 2.257），而且都有统计学显著性（前者 Sig.= P = 0.002,后者 P = 0.008）。说明不良生活习惯、喜吃卤食和盐腌食物会增加胃癌发病机会；而且不良生活习惯越多、卤食和盐腌食物吃得越多，胃癌发病的机会就越大
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
丁香园准中级站友
Spss电脑实验－第八节(4)对照调查比较 — 配对调查资料的条件 Logistic 回归分析Ⅳ．对照调查比较 — 配对调查资料的条件 Logistic 回归分析1. 1:1 病例对照研究的基本概念在管理工作中，我们也经常要开展对照调查。例如为什么有的人患了胃癌，有的人却不会患胃癌？如果在同一居住地选取同性别、年龄相差仅 ±2 岁的健康人作对照调查，调查他们与患胃癌有关的各种影响因素，这就是医学上很常用的所谓“1:1 病例对照研究”。病例对照研究资料常用条件Logistic 回归分析。条件Logistic 回归模型（conditional logistic regression model,CLRM)，下称CLRM 模型。2. 条件Logistic 回归模型的一个实例某地在肿瘤防治健康教育、社区干预工作中做了一项调查，内容是三种生活因素与胃癌发病的关系。调查的三种生活因素取值见表 11-6。请拟合条件Logistic 回归模型，说明胃癌发病的主要危险因素。表 11-6 三种生活因素与胃癌发病关系的取值------------------------------------------------------------------------------------------变 量 名 取 值 范 围------------------------------------------------------------------------------------------X1 (不良生活习惯) 0，1，2，3，4 表示程度（0 表示无，4 表示很多）X2 (喜吃卤食和盐腌食物) 0，1，2，3，4 表示程度（0 表示不吃，4 表示喜欢吃、吃很多）X3 (精神状况) 0 表示差，1 表示好------------------------------------------------------------------------------------------表 11-7 50 对胃癌病例（S=1）与对照（S=0）三种生活习惯调查结果------------------------------------------------------------------------------------------病例 对照 病例 对照-----------------------------------------------------------------------------No S X1 X2 X3 No S X1 X2 X3 No S X1 X2 X3 No S X1 X2 X3------------------------------------------------------------------------------------------1 1 2 4 0 1 0 3 1 0 26 1 2 2 0 26 0 1 1 02 1 3 2 1 2 0 0 1 0 27 1 2 0 1 27 0 0 2 13 1 3 0 0 3 0 2 0 1 28 1 1 1 1 28 0 3 0 14 1 3 0 0 4 0 2 0 1 29 1 2 0 1 29 0 4 0 05 1 3 0 1 5 0 0 0 0 30 1 3 1 0 30 0 0 2 16 1 2 2 0 6 0 0 1 0 31 1 1 0 1 31 0 0 0 07 1 3 1 0 7 0 2 1 0 32 1 4 2 1 32 0 1 0 18 1 3 0 0 8 0 2 0 0 33 1 4 0 1 33 0 2 0 19 1 2 2 0 9 0 1 0 1 34 1 2 0 1 34 0 0 0 110 1 1 0 0 10 0 2 0 0 35 1 1 2 0 35 0 2 0 111 1 3 0 0 11 0 0 1 1 36 1 2 0 0 36 0 2 0 112 1 3 4 0 12 0 3 2 0 37 1 0 1 1 37 0 1 1 013 1 1 1 1 13 0 2 0 0 38 1 0 0 1 38 0 4 0 014 1 2 2 1 14 0 0 2 1 39 1 3 0 1 39 0 0 1 015 1 2 3 0 15 0 2 0 0 40 1 2 0 1 40 0 3 0 116 1 2 4 1 16 0 0 0 1 41 1 2 0 0 41 0 1 0 117 1 1 1 0 17 0 0 1 1 42 1 3 0 1 42 0 0 0 118 1 1 3 1 18 0 0 0 1 43 1 2 1 1 43 0 0 0 019 1 3 4 1 19 0 2 0 0 44 1 2 0 1 44 0 1 0 020 1 0 2 0 20 0 0 0 0 45 1 1 1 1 45 0 0 0 121 1 3 2 1 21 0 3 1 0 46 1 0 1 1 46 0 0 0 022 1 1 0 0 22 0 2 0 1 47 1 2 1 0 47 0 0 0 023 1 3 0 0 23 0 2 2 0 48 1 2 0 1 48 0 1 1 024 1 1 1 1 24 0 0 1 1 49 1 1 2 1 49 0 0 0 125 1 1 2 0 25 0 2 0 0 50 1 2 0 1 50 0 0 3 1-------------------------------------------------------------------------------------------3. 条件Logistic 回归模型的拟合原理与方法本例以 SPSS 软件包来拟合 CLRM 模型。SPSS 虽有一个 LOGISTIC REGRESSION 命令，却无法拟合条件 Logistic模型(CLRM)，但有拟合 Cox 回归模型的固有命令（COXREG）。 回顾一下Cox 回归模型的公式：h (t,X) = h0(t) exp (X1 β1 + X2 β2 + ...+ Xp βp)将两侧同时取对数可得：LN(h(t,X)) = LN (h0(t)) + (X1 β1 + X2 β2 + ...+ Xp βp)如果是含有分层变量的Cox 回归模型, 则公式变为：Spss电脑实验－第八节(4)对照调查比较 — 配对调查资料的条件 Logistic ... 页码，1/3 LN(h(t,X)) = LN (h0i(t)) + (X1 β1 + X2 β2 + ...+ Xp βp)各层的基线风险函数h0i(t) 可以完全无关，而协变量的系数则在所有层中保持不变。作为半参数的方法，Cox 模型在拟合时并不估计基线风险函数h0i(t)，只估计各协变量的系数值β。这则与条件 Logistic 回归模型不关心αi 的大小，只解出系数值β的思路一致。而且两者都以最大似然法（LR）来拟合。把配对因素作为分层因素，即可消除配对因素的作用，因此可用分层变量控制法的原理，来拟合条件 Logistic 回归模型。在使用SPSS的COXREG 命令拟合条件 Logistic 模型时（Analyze → Survival → Cox Regression），要回答下列5个对话框：① Time: 给每行记录一个虚拟的生存时间（Time)，一般默认“病例” 生存时间短（例如为“1”），“对照” 生存时间长（例如为“2”）。只要“对照” 的生存时间（例如“2”～“100”）长于“病例”即可。因为SPSS 会把在最短的完全数据的生存时间之前的截尾数据（Censored）全部去掉而不参加分析。输出分层状态时，Event=“1”；Censored= “2”。② Status 与 Define Event: 选入虚拟生存状态变量。定义事件时“病例”全为“1”（Single value），为完全数据；“对照” 全“0”，为截尾数据。此值“1”表示事件已发生，本例即“病例”。③ Covariates: 选入要进行分析的协变量（即自变量 X1，X2，X3）。④ Method: 用 FSTEP（LR），即似然比法。⑤ Strata: 录入配对的对子号，“1”指第1 个对子（含“病例”为“1”一行与“对照” 者为“0”一行）；“2”指第2 个对子。本例指变量“No”。4. 拟合条件Logistic 回归模型所用程序文件所用程序文件名为 CondLogiRegre.sps。*Conditional Logistic R filename: CondLogiRegre.sps.*---------------------------------------------------------------.*Fang Ji-Qian: Med. Stat. and Computer Experiment, P.492:.* Using COX-Regression to fit Conditional Logistic Regression:.DATA LIST FREE /No Status Time x1 x2 x3.BEGIN DATA.1 1 1 2 4 0 1 0 2 3 1 0 2 1 1 3 2 1 2 0 2 0 1 03 1 1 3 0 0 3 0 2 2 0 1 4 1 1 3 0 0 4 0 2 2 0 15 1 1 3 0 1 5 0 2 0 0 0 6 1 1 2 2 0 6 0 2 0 1 07 1 1 3 1 0 7 0 2 2 1 0 8 1 1 3 0 0 8 0 2 2 0 09 1 1 2 2 0 9 0 2 1 0 1 10 1 1 1 0 0 10 0 2 2 0 011 1 1 3 0 0 11 0 2 0 1 1 12 1 1 3 4 0 12 0 2 3 2 013 1 1 1 1 1 13 0 2 2 0 0 14 1 1 2 2 1 14 0 2 0 2 115 1 1 2 3 0 15 0 2 2 0 0 16 1 1 2 4 1 16 0 2 0 0 117 1 1 1 1 0 17 0 2 0 1 1 18 1 1 1 3 1 18 0 2 0 0 119 1 1 3 4 1 19 0 2 2 0 0 20 1 1 0 2 0 20 0 2 0 0 021 1 1 3 2 1 21 0 2 3 1 0 22 1 1 1 0 0 22 0 2 2 0 123 1 1 3 0 0 23 0 2 2 2 0 24 1 1 1 1 1 24 0 2 0 1 125 1 1 1 2 0 25 0 2 2 0 0 26 1 1 2 2 0 26 0 2 1 1 027 1 1 2 0 1 27 0 2 0 2 1 28 1 1 1 1 1 28 0 2 3 0 129 1 1 2 0 1 29 0 2 4 0 0 30 1 1 3 1 0 30 0 2 0 2 131 1 1 1 0 1 31 0 2 0 0 0 32 1 1 4 2 1 32 0 2 1 0 133 1 1 4 0 1 33 0 2 2 0 1 34 1 1 2 0 1 34 0 2 0 0 135 1 1 1 2 0 35 0 2 2 0 1 36 1 1 2 0 0 36 0 2 2 0 137 1 1 0 1 1 37 0 2 1 1 0 38 1 1 0 0 1 38 0 2 4 0 039 1 1 3 0 1 39 0 2 0 1 0 40 1 1 2 0 1 40 0 2 3 0 141 1 1 2 0 0 41 0 2 1 0 1 42 1 1 3 0 1 42 0 2 0 0 143 1 1 2 1 1 43 0 2 0 0 0 44 1 1 2 0 1 44 0 2 1 0 045 1 1 1 1 1 45 0 2 0 0 1 46 1 1 0 1 1 46 0 2 0 0 047 1 1 2 1 0 47 0 2 0 0 0 48 1 1 2 0 1 48 0 2 1 1 049 1 1 1 2 1 49 0 2 0 0 1 50 1 1 2 0 1 50 0 2 0 3 1END DATA.LIST VARIABLES=ALL /FORMAT=NUMBERED /CASES=FROM 1 TO 50.* When programing:.* Status: Case=1; Control=0.* Time: Case=1; Control=2, that is,the survival time of Control should longer than Case.* Define Event: Single value: 1 means Case.* Covariate: Inpute the independence variables.* Method: ENTER, FSTEP, BSTEP, etc.* Strata: The No. of per pairs, that is,No.COXREG Time /STATUS=Status(1)/STRATA=No/METHOD=FSTEP(LR) X1 X2 X3/PRINT=DEFAULT CI(95)/CRITERIA=PIN(0.05) POUT(0.1) ITERATE(20).*--------------------------------------------------------------------------.5. 拟合条件Logistic 回归模型的主要运算结果运行程序文件 CondLogiRegre.sps 可得到下列主要结果：Variables in the EquationB SE Wald df Sig. Exp(B) 95.0% CI for Exp(B)Lower UpperStep 1 X1 0.659 0.220 8.973 1 0.003 1.932 1.256 2.973Step 2 X1 0.785 0.257 9.351 1 0.002 2.193 1.326 3.629X2 0.814 0.307 7.042 1 0.008 2.257 1.237 4.118回归系数 B 表示病例与对照变量值之差与患病优势的关系，即 Exp(B) 表示病例与对照暴露水平相差 1 个单位时患病的比数比（Odd Ratio, OR）。从表中可见，X3（精神状况）未被引入回归模型，只引入影响因素 X1 与 X2,说明精神状况的好坏与胃癌发病无显著相关，而 X1 (不良生活习惯) 和X2 (喜吃卤食和盐腌食物)与患胃癌有较密切的关系。注意：X1 与 X2 的回归系数 B 都是正值（前者为0.785,后者为0.814），OR 值都大于 1（前者 Exp(B) = OR = 2.193,后者 Exp(B) = OR = 2.257），而且都有统计学显著性（前者 Sig.= P = 0.002,后者 P = 0.008）。说明不良生活习惯、喜吃卤食和盐腌食物会增加胃癌发病机会；而且不良生活习惯越多、卤食和盐腌食物吃得越多，胃癌发病的机会就越大
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
谢谢新新手
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
我想问问 “Variable view“栏中共建几个函数呀？“num
x3 ”是这6个吗？那么输入数据时，按怎样顺序输入数据？不理解这句话： “录入配对的对子号，“1”指第1 个对子（含“病例”为“1”一行与“对照” 者为“0”行）”。是不是输入一组病例组再输入一组对照，还是输完病例组再输入对照，请说详细一些。谢谢！
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
请教：SPSS软件中条件Logistic 回归分析说清楚，谢谢！看了以上还不是很清楚。
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
自己顶一下
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软件中条件Logistic 回归分析，spss数据格式，下图为1:3配对设计
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
条件Logistic回归分析必须是配对资料吗？
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
yayaiiiiii SPSS软件中条件Logistic 回归分析，spss数据格式，下图为1:3配对设计条件Logistic回归分析必须是严格配对的吗？比如，我的资料是128对115的病例对照研究，可以用吗？
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
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Logistic回归在临床数据分析中的应用要求
Logistic回归在临床数据分析中的应用要求
LinkLabVIP
Logistic回归是一种研究某个事件发生的概率与多个影响因素之间关系的的非线性回归的统计方法，根据结果之间的关系以及结果变量的取值个数，可以分为有序多分类Logistic回归、无序多分类Logistic回归、二分类Logistic回归，前两者是基于二分类Logistic回归的，二分类Logistic回归在临床医学中是应用最为广泛的，具有良好的判别和预测功能。在临床病因研究中，二分类Logistic回归主要用于分析疾病和危险因素间联系，与多元线性回归分析要求因变量是来自正态总体的连续性随机变量不同，二分类Logistic回归要分析其影响因素的结果必须是分类型变量，例如疾病的良性和恶性、肿瘤是否复发、感染和未感染、药物有效和无效或者是否患某种疾病等等只有两种分类的变量。另外，进行Logistic回归的观察样本要求相互独立，因此不适用于遗传性疾病或者家族聚集性疾病的发病因素研究。因为Logistic回归模型是在大样本的基础上建立起来的，所以进行分析时要求有足够的样本量，而为了保证根据样本得到的模型稳定性，样本量要随着引入模型自变量的的数目而增加，一般认为样本量至少要是自变量个数的10-20倍，如果要求更严格的话，二分类结果中的每一类的样本量都要达到自变量的至少十倍左右。例如，想要分析9个自变量与因变量肿瘤良性或者恶性的关系，按照严格要求，肿瘤良性和肿瘤恶性的病例数都要达到至少90例，而不能有140例肿瘤良性但只有40例肿瘤恶性；当然如果是非严格要求的话，只要 90~180例病例数就可以进行分析。当然，临床上可能会遇到自变量多然而样本量又不能保证充足的情况，这就需要对自变量进行分析和预先进行筛选，先过滤掉一部分自变量，再用剩余的自变量与因变量进行回归分析。对自变量的初步筛选，可以按照事先确定的检验水准（一般取检验水准为0.20），对每个自变量进行逐一分析，将没有统计学意义的排除在外，只将可能有统计学意义的自变量引入Logistic回归分析过程。主要有以下两种方法：一种是将某一自变量与因变量进行单变量logistic回归分析，如果自变量回归系数P值小于0.2则可以引入多变量Logistic回归分析，反之则剔除该变量；另外还可以将因变量作为分组因素，将样本分为两组，判断某一自变量的组间差异是否有统计学意义（检验水准一般取0.2），根据自变量的类型，可以选择卡方检验、t检验、秩和检验等等，选出有统计学意义的自变量。需要注意的是，初步筛选只是选出了具有统计学意义的自变量，但是不能代替该因素在临床和流行病学方面的意义，而且结合专业知识和临床经验，必要时可以将部分重要的自变量强行纳入回归分析，使建立的回归模型能够得到临床和流行病学的合理解释。最后，关于Logistic回归分析可以选择专业软件来实现。比如LinkLab，新型电子数据库采集系统，“一站式”医学科研管理工具！LinkLab是一款符合cFDA对于EDC系统规范的临床科研数据采集系统，以哈佛大学临床研究数据库（RedCap）和盖茨基金研发的随访软件（CommCare）为蓝本研发而成，可用于临床科研的数据管理，实现eCRF自定义设计、患者数据采集和管理、自定义病例筛选和导出、在线统计分析和展示、及多中心人员流程化管理等功能。旨在以更低成本、更短时间、更高质量完成最具颠覆性的临床科学研究。点击下方【阅读原文】，可免费注册试用！LinkLab 主体功能目前需要在电脑端操作哦，电脑端申请实名认证后才能体验科研项目的创建、自主搭建符合您个人需求的临床科研电子数据库等强大功能。目前LinkLab手机端只是基于电脑端项目创建后的数据收集管理功能。鼓励大家电脑端登录LinkLab官方网站【】完成认证后进行更好的用户体验！“一站式”医学科研管理工具！LinkLab帮您轻松做科研成为更好的临床医生！
本文仅代表作者观点，不代表百度立场。系作者授权百家号发表，未经许可不得转载。
LinkLabVIP
百家号 最近更新：
简介: LinkLab——“一站式”医学科研管理工具！
作者最新文章