医学统计(1-1).pptVIP

;医学统计（11）——多重线性回归——logistic回归;回归分析的分类;;;直线回归(linear regression)又称简单线性回归(simple linear regression)，是描述两变量的线性依存关系，它的任务就是找出一条最能描述变量间非确定性关系的一条直线，此直线为回归直线，相应的方程为直线回归方程。;如果某一个变量随着另一个变量的变化而变化，并且它们的变化在直角坐标系中呈直线趋势，那么就可以用一个直线回归方程来定量地描述它们之间的数量关系，这就是直线回归分析。 直线回归分析中两个变量的地位不同，其中一个变量是依赖另一个变量而变化的，因此分别称为反应变量(dependent variable)和自变量(independent variable)，习惯上分别用Y和X来表示。; 两种变量 ; 直线回归是分析两变量间线性依存变化的数量的关系;多元（多重）线性回归;多元线性回归分析数据格式;多元线性回归模型;多元线性回归模型的应用条件：;多元线性回归的分析步骤：;*;红涉撰绿琐巴滨痞颖譬辗识聂订吴柑拟汲榆哄爹移体缆汞滨贱耍灯公帜听医学统计(11)医学统计(11);多重线性回归方程的检验 整体回归效应的检验——方差分析法;决定系数R2 ;偏回归系数的t检验;【例1】观察30名儿童血中血红蛋白、钙、镁、铁的含量。试研究血红蛋白与微量元素的关系？;1.求多重线性回归方程;2.对回归方程进行检验;3.计算决定系数;4.偏回归系数检验;SPSS软件操作;第2步：输入原始数据;第3步：线性回归（1）;第3步：线性回归（2）;结果解读：回归方程的方差分析;结果解读：全部自变量的偏回归系数;第3步：线性回归（2）;第3步： 线性回归（6）;第3步： 线性回归（7）;第3步： 线性回归（8）;第3步： 线性回归（9）;第3步： 线性回归（10）;自变量选择的常用算法;2、删除法（Remove）： 根据设定的条件直接剔除部分自变量。;3、向前引入法（Forward）:自变量由少到多一个一个引入回归方程，将与因变量的相关系数最大的第一个自变量选入方程并进行检验，如果F值Fa ，拒绝H0 ；将其余的变量中与因变量的相关系数最大的第二个自变量选入方程，当F值Fa ，拒绝H0 ；如此下去，不断引入新的自变量，直到不能拒绝H0，再没有变量被引入为止。;4、向后剔除法（Backward）:  自变量由多到少一个一个从回归方程中剔除，首先，对预先选定自变量全部进行回归，然后把对因变量影响不显著的自变量从方程中剔除并进行检验，如果F值Fa ，接受H0 ，一个一个剔除对因变量不显著的自变量，直到再不能剔除为止。;5、逐步引入—剔除法（Stepwise）: 向前引入法与向后剔除法的结合。;【例2】27名糖尿病人的血清总胆固醇、甘油三脂、空腹胰岛素、糖化血红蛋白、空腹血糖的测量值列于表中，试建立血糖与其它几项指标关系的多元线性回归方程。;SPSS软件操作;第2步：输入原始数据;第3步：线性回归（1）;第3步：线性回归（2）;第3步： 线性回归（3）;第3步： 线性回归（4）;第3步： 线性回归（5）;第3步： 线性回归（6）;第3步： 线性回归（7）;多元线性回归的应用;2.估计与预测:实际工作中某些指标是难以测定的,此时可通过建立这些指标与另一些容易测量指标的多重线性回归模型,用易测指标估计难测指标。;3.统计控制:;多元线性回归应用的注意事项;(3)无序分类变量 自变量为二分类变量: 自变量为多分类变量：假定有n类，则用n－1个取值为0或1的哑变量来表示这些类别。;2.样本含量： n至少是X个数m的5～10倍 3.关于逐步回归： 不要盲目信任，结合专业知识。 4.多重共线性： 指自变量之间存在较强的线性关系;提示可能存在多重共线性的情况： 整个模型的检验结果为Pα，但各自变量的偏回归系数的检验结果Pα。 专业上认为应该有统计学意义的自变量检验结果却无统计学意义。 自变量的偏回归系数取值大小甚至符号明显与实际情况相违背，难以解释。 增加或删除一个自变量或一条记录，自变量回归系数发生较大变化。;;logistic回归（logistic regression）是研究因变量为二分类或多分类观察结果与影响因素（自变量）之间关系的一种多变量分析方法，属概率型非线性回归。;在医学研究中，常需要分析疾病与各种危险因素间的定量关系，同时为了能真实反映暴露因素与观察结果间的关系，需要控制混杂因素的影响。常用的分析方法有： （1）Mantel-Haenszel分层分析：适用于样本量大、分析因素较少的情况。当分层较多时，由于要求各格子中例数不能太少，所需样本较大，往往难以做到；当混杂因素较多时，分层数也呈几