SPSS Logistic回归分析及其应用 图文课件.pptVIP

* * 一个比较明智的做法是报告是否已经考虑了所有重要的或指定的交互作用，并且进行了检验。 由表2可见，学习阶段与视力低下程度的关系有显著性意义(p 0. 001)。 引入全模型： 　Model 　　⊙Full factorial (包括交互作用的全因素模型) 　Statistics 　　√ Likelihood ratio test　得表3。 可见性别和学习阶段间无交互作用(p = 0. 612) , 因此下面的 分析仍然只考虑主效应(Main Effect)。 由√ Parameter estimates (默认) 项可得表4。 表4中共有两套Logistic 回归系数, 分别针对轻度和中度视力低下。重度作为因变量中的参考类别, 其所有系数都是0。“性别= 2”和“学习阶段= 2”分别作为其相应自变量中的参考类别, 因而其系数也均为0。 由sig 一栏可见, 两套系数中, “性别= 1”与“性别= 2”相比均有显著性差异(p 0. 001) ;“学习阶段= 0”与“学习阶段= 2”相比在轻度中有显著性差异, p =0. 002, 在中度中无显著性差异p = 0. 202,“学习阶段= 1”与“学习阶段= 2”在两种程度中均有有显著性差异, p值分别为0. 029 和0. 006 。 由表4 中的系数, 我们可估计出某个学生视力低下程度的概率。例如对一个初中男生来说, 其“性别= 1”,“学习阶段= 1”, 根据表4 中的系数B: 对于轻度, 对于中度, 由于重度是因变量中的参考组, 其所有系数均为0, 所以g 3= 0。 根据公式　　　　　　　　　　　 ，得 因此，该初中男生轻度视力低下的概率为0. 413, 中度视力低下的概率为0. 205, 重度视力低下的概率为0. 382。 表4 中的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, 如exp (B) = 1. 581 指对于视力低下为轻度而不是重度这种情况, 男性是女性的1. 581 倍; exp (B) =2. 233 指对于视力低下为中度而不是重度这种情况, 初中生是高中生的2. 233 倍。 可见, 多分类Logistic 回归分析不仅可同时分析所有的影响因素, 还能对各因素的影响程度进行一定的量化。 在对话框中选择 Statistics √ Cell Probabilities 可得表5。（经过整理，表5中只列出了初中男生的情形。） 表中的Pearson Residual 可用于评估模型拟和的优劣, 其值的绝对值大于2 时,说明模型拟合不佳，则应考虑是否有其他原因影响了模型的拟和。 分析的一般步骤 变量的编码 哑变量的设置和引入(设置参照类) 各个自变量的单因素分析 变量的筛选 交互作用的引入 建立多个模型 选择较优的模型 模型应用条件的评价 输出结果的解释 1.变量的编码 变量的编码要易于识别 注意编码的等级关系 改变分类变量的编码，其分析的意义并不改变。 牢记编码 使用变量数值标识（value labels） 记录编码内容 变量的编码 变量名 变量标签 变量值 值标识 SEX 性别 1 男 2 女 EDU 教育程度 0 文盲 1 小学 2 初中及以上 2.哑变量的设置和引入 哑变量，又称指示变量或设计矩阵。 有利于检验等级变量各个等级间的变化是否相同。 一个k分类的分类变量，可以用k-1个哑变量来表示。 哑变量的设置 教育程度 X1 X2 X3 文盲：0 0 0 0 小学：1 1 0 0 初中：2 0 1 0 高中：3 0 0 1 教育程度：文盲，小学，初中，高中以上 教育程度 X1 X2 X3 文盲：0 1 0 0 小学：1 0 1 0 初中：2 0 0 1 高中：3 0 0 0 以高中作为参照 SPSS提供的方法 Indicator: 默认。以第1 或最后1类作对照，其他每类与对照比较； Sample: 以第1 或最后1类作对照，其他每类与对照比较，但反映平均效应。 Difference: 除第1类外各分类与其前各类平均