综合多种(或多个相同)题型的多因素统计分析方法.pptVIP

9.8.2 有序变量Logistic回归分析实例（续2） 在【旧值】栏中选择【所有其他值】选项，在【新值】栏中选择【值】选项，并在其文本框中输入“1”，单击【添加】按钮，则在【旧→新】框中添加了“ELSE→1”的转换方式。 在数据编辑窗口的数据文件中，新增一列，将mathach(数学测验成绩)尺度变量转换成等级的“数学测验等级(mathachgr)”有序变量，并将数据文件另存为data09-04.sav。 现在，可以进行以变量“想象力测验得分(visual)”和“代数2(alg2)”为预测变量，以变量“数学测验等级(mathachgr)”为因变量的有序变量Logistic回归分析了。 9.8.2 有序变量Logistic回归分析实例（续3） 按【分析→回归→有序】顺序，打开【Ordinal回归】对话框，见图9-34。在左侧源变量框中选择变量“数学测验等级(mathachgr)”并将其移入右侧【因变量】框中，选择变量“代数2(alg2)”并将其移入右侧【因子】框中，选择变量“想象力测验得分(visual)”并将其移入右侧【协变量】框中。 单击【输出】按钮，打开【Ordinal回归：输出】选项卡，见图9-35。在【输出】框中选择【拟合度统计】、【摘要统计】、【参数估计】和【平行线检验】选项。 注意：要在数据文件中保存变量，可以选择【保存变量】栏中的相关选项。 9.8.2 有序变量Logistic回归分析实例（续4） 单击【继续】按钮，返回【Ordinal回归】对话框。 单击【确定】按钮，则在输出窗口中得到6张表，见表9-74至表9-79。 表9-74所示为分类变量各类汇总情况，即模型中涉及的有序变量与分类变量每一类别的频数及其构成比。 表9-75所示为模型拟合信息，由于P=0.0000.05，模型有显著性意义。 表9-76所示为模型拟合优度检验结果，两种检验的P的最小值为0.612，都大于0.05，说明模型拟合效果很好。 表9-77所示为三种伪R方(决定系数)值，其中两个值大于0.45，因此，模型拟合效果尚可。 9.8.2 有序变量Logistic回归分析实例（续5） 表9-78所示为模型中的参数估计值及其检验结果，所有参数均有统计学上的显著性意义，P值均小于0.05。 变量“想象力测验得分”对应的回归系数为0.212，与变量“数学测验等级”正相关，优势比为exp(0.212)=1.24，说明在其他条件不变的前提下，变量“想象力测验得分”每增加一个单位的分值，在变量“数学测验等级”上的优势增加1.24倍。而选修代数2(alg2=0)比未选修代数2(alg2=1)的优势更明显，其优势比为exp(3.311)=27.47倍。 9.8.2 有序变量Logistic回归分析实例（续6） 由上可知，未选修代数2时的模型为 9.8.2 有序变量Logistic回归分析实例（续7） 而选修代数2时的模型为 9.8.2 有序变量Logistic回归分析实例（续8） 通过以上模型，可以计算得到“数学测验等级”变量中各等级的预测概率。 表9-79给出了有序回归分析中比例优势模型假定条件的检验结果。由于P=0.0940.05，所以，没有足够的证据去拒绝本例的比例优势假定，即可以使用本例中系统默认的链接函数来构建有序回归分析模型。 图9-32 【重新编码为其他变量】对话框 图9-33 【重新编码到其他变量：旧值和新值】对话框 图9-34 【Ordinal回归】对话框 图9-35 【Ordinal回归：输出】选项卡 表9-74 分类变量各类汇总情况 表9-75 模型拟合信息 表9-76 模型拟合优度检验 表9-77 伪R方 表9-78 参数估计值及其检验结果 表9-79 平行线检验 9.7.2 二元Logistic回归分析 如果因变量是二分变量，那么自变量可以是尺度变量或分类变量；如果自变量是多分类变量，则要预先处理成0-1型的哑元变量或使用二元Logistic回归分析过程中的指示符进行编码(【分类】选项可对分类变量自动进行重新编码)。 1．模型 2．参数估计 3．回归系数检验 4．模型显著性检验 1．模型 2．参数估计 3．回归系数检验 4．模型显著性检验 模型的显著性检验通常采用拟合优度检验，拟合效果通常采用如表9-62所示的因变量分类表来反映。 9.7.3 二元Logistic回归分析实例