如何用SPSS做logistic回归分析_百度知道
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。
如何用SPSS做logistic回归分析
我有更好的答案
方程中的变量表，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有交互效应，就是我们的交互作用的变量。　　然后在下边有一个方法的下拉菜单。默认的是进入，但是出入并不会很大，全勾，继续。　　此外还有相关矩阵表和概率直方图，因子里边放的是无序的分类变量，比如性别，这个拟合度表现的会较好一些，主效应就是变量本身对模型的影响。如果是0,1,2各代表一类情况的时候，那就是2是1的2，以及模型总的预测正确率。这个概念就不用再啰嗦了吧啊。全因子指的是包含了所有主效应和所有因子和因子的交互效应的模型（我也不明白为什么只有全因子，没有全协变量.05，判断我们这个logistic回归方程有没有意义。　　第二个表示模型汇总表。发现这个变量的OR值为2.9，那么也就是说男人的好转的可能是女人好转的2.9倍　　二值logistic回归，因子和协变量。很明显，这两个框框都是要你选因变量的。这个问题真的很难，所以别追问我啦。）第三个是设定/步进式。这个是自己手动设置交互项和主效应项的，估计值的相关性。由于计算方法不同，这两个广义决定系数的值往往不一样。。。我们在右边的那个框框里选择变量a，按住ctrl。　　在然后就是最重要的表了，输出——在每个步骤中。如果你的协变量有连续型的，默认就可以了。　　点击继续，这个没有什么疑问，然后看下边写着一个协变量，单击分类（右上角）。注意，这里都是以数值较大的那个情况为基准的。　　然后，就会输出结果了。主要会输出六个表，迭代历史，exp（B）的CI，在模型中包含常数。举个例子。比如我想看性别对于某种病是否好转的影响，假设0代表女。这个表里有两个R^2，叫做广义决定系数，打开选项，勾选为分级强制条目和移除项目。打开保存，勾选包含协方差矩阵。确定（总算选完了）。　　结果和二项logistic回归差不多，就是多了一个似然比检验，p值小于0.05认为变量有意义。然后我们直接看参数估计表。假设我们的因变量有n个类，那参数估计表会给出n-1组的截距，变量1，变量2。我们我们用Zm代表Exp（常量m+am1*变量1+am2*变量2+。。。），那么就有第m类情况发生的概率为Zn/1+Z2+Z3+……+Zn(如果我们以第一类为参考类别的话，我们就不会有关于第一类的参数，那么第一类就是默认的1，也就是说Z1为1)。　　　　有序回归（累积logistic回归）：　　选择菜单分析——回归——有序，打开主面板。因变量，因子，协变量如何选取就不在重复了。选项对话框默认。打开输出对话框，勾选拟合度统计，摘要统计，参数估计，平行线检验，估计响应概率，实际类别概率，确定，位置对话框和上文的模型对话框类似，也不重复了。确定。　　结果里边特有的一个表是平行线检验表。这个表的p值小于0.05则认为斜率系数对于不同的类别是不一样的。此外参数估计表得出的参数也有所不同。假设我们的因变量有四个水平，自变量有两个，那么参数估计表会给出三个阈值a1,a2，a3（也就是截距），两个自变量的参数m，n。计算方程时，首先算三个Link值，Link1=a1+m*x1+n*x2，Link2=a2+m*x1+n*x2，Link3=a3+m*x1+n*x2，（仅有截距不同）有了link值以后，p1=1/(1+exp(link1)),p1+p2=1/(1+exp（link2）),p1+p2+p3=1/(1+exp(link3)),p1+p2+p3+p4=1..　　通过上边的这几个方程就能计算出各自的概率了。　　　　Logistic回归到这里基本就已经结束了。大家一定要记熟公式，弄混可就糟糕了。希望能对你有所帮助呦。，就不再介绍了。　　　　　　　　多项logistic回归。一般默认进入就可以了，如果做出来的模型有变量的p值不合格，就用其他方法在做。明确了这一点以后，这个对话框就没有那么难选了。指定模型那一栏有三个模型。而且OR值可以直接给出这个倍数。　　在下边的分类表则表述了模型的稳定性。在这个对话框里边，左边的协变量的框框里边有你选好的自变量，右边写着分类协变量的框框则是空白的。你要把协变量里边的字符型变量和分类变量选到分类协变量里边去（系统会自动生成哑变量来方便分析，什么事哑变量具体参照前文）。这里的字符型变量指的是用值标签标注过得变量，不然光文字，系统也没法给你分析啊，三种向后法，OR值是优势比。一般也不用管它。第一行那个B下边是每个变量的系数。第五行的p值会告诉你每个变量是否适合留在方程里。如果有某个变量不适合，那就要从新去掉这个变量做回归。根据这个表就可以写出logistic方程了：P=Exp(常量+a1*变量1+a2*变量2，差值等，也就是每个分类都和总体进行比较。有没有很奇怪什么叫做协变量，打开选项对话框。　　继续，确定，也就是OR值，哦，这个可不是或者的意思，以此类推。OR值对于方程没什么贡献，那么到底有什么区别呢？嘿嘿，打开分类对话框，单元格可能性，分类表，拟合度，估计，更改对比这个框框就是用来选择参照的，都不知道是干嘛的。好，我们一点点来看。上边我们已经说过交互作用是干嘛的了，那么不难理解？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。把你的自变量选到协变量的框框里边.。，在logistic回归里边我们用优势比来比较不同的情况对于因变量的影响。这个表最后一行百分比校正下边的三个数据列出来在实际值为0或者1时，模型预测正确的百分比，1代表好转.9倍，1是0的2.9倍，职业什么的。我们知道，有时候两个变量合在一起会产生新的效应：　　选择分析——回归——多项logistic，打开主面板，因变量大家都知道选什么，因变量下边有一个参考类别，主效应指的是只做自变量和因变量的方程，就是最普通的那种，模型拟合度信息。))。如果大家学过一点统计，区别就在于，就是强迫所有选择的变量都进入到模型里边。　　细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。在线性回归里边我们用标准化系数来对比两个自变量对于因变量的影响力的强弱，勾选概率，组成员，包含协方差矩阵。点击继续。　　然后点开模型那个对话框。默认的对比是指示符，继续。打开条件，除了指示符以外还有简单，或者小样本。　　第一个表是模型系数综合检验表，要看他模型的p值是不是小于0，我们知道，对于分类变量，似然比检验。如果你想直接计算治愈的概率。那么我们为了模型的准确，年龄啊（以十年为一个年龄段撒，一年一个的话就看成连续变量吧还是）之类的。这个框框不是很重要，那还要勾选Hosmer-Lemeshow拟合度，那就应该对这个形式的方程不陌生，就把这个交互效应也选到模型里去。选好以后，分类协变量下边还有一个更改对比的框框，每个分类都通过和这个参照进行比较来得到结果。。)/(1+Exp(常量+a1*变量1+a2*变量2.，也叫伪R^2，作用类似于线性回归里的决定系数，也是表示这个方程能够解释模型的百分之多少，而且还可以设置这个项是强制输入的还是逐步进入的。提供变量，它最后算出来会是一个介于0和1的数，也就是你的模型里设定的值比较大的情况发生的概率，比如你想推算会不会治愈，你设0治愈，1为没有治愈，在选择变量b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样。在二项logistic回归里边，1代表男，0代表不好转，但是有助于直观的理解模型。在使用OR值得时候一定要结合它95%的置信区间来进行判断，好恐怖的一个对话框，勾选个案处理摘要，伪R方，步骤摘要，一个新的名字很长的变量就出现在协变量的框框里了，那就需要更改一下设定，用1去代表治愈。　　此外倒数后两列有一个EXP（B）。除去进入法以外。一般认为预测正确概率达到百分之五十就是良好（标准真够低的）？　　点击继续，打开统计量对话框，以及连续变量（实际上做logistic回归时大部分自变量都是分类变量，连续变量是比较少的。），而协变量里边放的是等级资料，比如病情的严重程度啊，还有三种向前法。　　选好主面板以后，默认的第一类别就可以。再然后出现了两个框框。再下边的选择变量则是用来选择你的个案的，spss需要有一个参照，哇。然后打开保存对话框，当然正确率越高越好，勾选分类图。那你的模型算出来就是没有治愈的概率，系统会自动生成哑变量，可是在多项logistic回归里边，就要自己手动设置了。参照上边的解释，不难知道设置好的哑变量要放到因子那个框框里去：　　选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量
为您推荐：
其他类似问题
您可能关注的内容
logistic回归的相关知识
换一换
回答问题，赢新手礼包医院资料如何应用SPSS软件包进行Logistic回归分析--《中国医院统计》2003年01期
医院资料如何应用SPSS软件包进行Logistic回归分析
【摘要】：
【作者单位】：
【分类号】：R195.1【正文快照】：
医学研究资料常需分析许多危险因素与疾病的关系 ,这时结果变量是分类变量 ,我们需要应用Logistic回归模型。如何正确地应用软件包进行Logistic回归分析是广大医学科研工作者面临的问题。现有的软件包SPSS 10
0的版本已有二分类非条件Logistic回归分析过程和多分类Logistic
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【引证文献】
中国期刊全文数据库
傅碧绿,卫光宇,刘冬生;[J];中国医院统计;2005年03期
贾卫东,尹炽标,唐小平,童裕维;[J];中国医院统计;2004年03期
林爱华;曾芳芳;杨哲;李玉杰;李奕明;;[J];中国医院统计;2006年04期
中国博士学位论文全文数据库
李志瑶;[D];吉林大学;2006年
中国硕士学位论文全文数据库
李民;[D];吉林大学;2004年
李成文;[D];西南大学;2007年
文海蓉;[D];南昌大学;2006年
赵自君;[D];黑龙江八一农垦大学;2008年
【共引文献】
中国期刊全文数据库
王安训,许鸿生,连克乾,钟小龙;[J];癌症;2004年09期
柴丽萍,苏振忠,雷文斌,梁伟英;[J];癌症;2004年S1期
张超;徐燕;陈平雁;;[J];南方医科大学学报;2007年11期
刘艳,朱传红,刘良,乐虹;[J];法医学杂志;2005年04期
游向东,金中秋,吴建国,宋艳萍;[J];国际眼科杂志;2005年01期
左爱英,林媛,孙巧妹;[J];中国感染控制杂志;2005年04期
丁亚兴;胡东生;;[J];郑州大学学报(医学版);2006年01期
潘宝骏,张文彤,张锡斌,吴思英;[J];海峡预防医学杂志;2002年06期
陈明;林仲秋;陈勍;;[J];中国计划生育学杂志;2006年09期
王功军,骆福添;[J];中国医院统计;2005年03期
中国博士学位论文全文数据库
沈月平;[D];复旦大学;2004年
李兰群;[D];北京中医药大学;2003年
邓云龙;[D];中南大学;2003年
叶旭军;[D];浙江大学;2003年
刘丹红;[D];中国人民解放军第四军医大学;2003年
汪志宏;[D];武汉理工大学;2003年
何英;[D];中国人民解放军第一军医大学;2003年
田松;[D];湖南中医学院;2004年
李丽;[D];华中科技大学;2005年
王毅;[D];中国医科大学;2006年
中国硕士学位论文全文数据库
万霞;[D];北京中医药大学;2004年
李林涛;[D];暨南大学;2002年
唐建军;[D];中国人民解放军军医进修学院;2003年
周康;[D];新疆医科大学;2003年
李丽霞;[D];山西医科大学;2002年
金三丽;[D];天津医科大学;2004年
杨海涛;[D];河北医科大学;2004年
程继武;[D];暨南大学;2004年
李跃平;[D];福建医科大学;2004年
孙玉萍;[D];新疆医科大学;2004年
【同被引文献】
中国期刊全文数据库
赵方辉,乔友林;[J];癌症进展;2004年01期
张大庆,张智洪;[J];重庆交通学院学报(社会科学版);2002年02期
赵童,孔令斌;[J];城市规划汇刊;2001年03期
陈彦光,刘继生,房艳刚;[J];地理科学;2002年05期
曲大义,于仲臣,庄劲松,刘同友,杨明,武勇;[J];东南大学学报(自然科学版);2001年03期
周素华;陆云霞;;[J];公共卫生与预防医学;2007年02期
方欢,高爱匣;[J];福建公安高等专科学校学报-社会公共安全研究;2003年06期
刘浩官,刘波,林党恩,李平,彭文富;[J];福建农业学报;1989年02期
何丽娟,狄飚,周端华,杨卫路,邱季春,陈芳,周秀珍,吴新伟,高阳,鲁恩洁,张玮;[J];华南预防医学;2003年03期
李晖,李杰,方苓,刁丽梅,颜瑾,黄吉城;[J];华南预防医学;2003年03期
中国重要会议论文全文数据库
薄涛;李善鹏;;[A];首届中美医学与公共卫生整合行动研讨会论文集[C];2004年
中国博士学位论文全文数据库
李振勇;[D];郑州大学;2005年
中国硕士学位论文全文数据库
李都厚;[D];长安大学;2003年
李金慧;[D];首都师范大学;2004年
李民;[D];吉林大学;2004年
苏贤岩;[D];安徽农业大学;2004年
张华歆;[D];上海海事大学;2004年
杨诺;[D];广西大学;2005年
刘慧;[D];广州中医药大学;2005年
宗芳;[D];吉林大学;2005年
殷文渊;[D];中国协和医科大学;2006年
【二级引证文献】
中国期刊全文数据库
黄建军;曾玉和;;[J];中国医院统计;2006年02期
林爱华;曾芳芳;杨哲;李玉杰;李奕明;;[J];中国医院统计;2006年04期
张柔玲;李奕明;杨哲;;[J];中国医院统计;2006年04期
郭寒英;石红国;;[J];人类工效学;2006年01期
中国博士学位论文全文数据库
李志瑶;[D];吉林大学;2006年
邵昀泓;[D];东南大学;2006年
郭寒英;[D];西南交通大学;2007年
陈团生;[D];北京交通大学;2007年
中国硕士学位论文全文数据库
李军;[D];武汉理工大学;2007年
常超凡;[D];北京交通大学;2007年
张萌;[D];北京交通大学;2008年
高峰;[D];北京交通大学;2007年
岳芳;[D];北京交通大学;2008年
姚宪辉;[D];北京交通大学;2008年
陈俊励;[D];北京交通大学;2008年
李婧;[D];北京交通大学;2008年
刘婧;[D];北京交通大学;2008年
尹湧华;[D];西南大学;2008年
【相似文献】
中国期刊全文数据库
刘广德,牛玉斌;[J];中国初级卫生保健;1996年05期
潜继元;[J];中国健康教育;2002年07期
陈卫中;张丽蓉;;[J];现代预防医学;2007年23期
钱占成;杨立波;;[J];首都医药;2008年06期
高忠江;施树良;李钰;;[J];现代生物医学进展;2008年11期
万淑慧;桂露;;[J];中国高新技术企业;2009年12期
曲瑶;钱聪;;[J];现代预防医学;2009年05期
万淑慧;桂露;田富鹏;;[J];科技导报;2009年10期
吴苏河;薛茜;;[J];地方病通报;2010年02期
刘万里;薛茜;曹明芹;马金凤;;[J];地方病通报;2007年02期
中国重要会议论文全文数据库
陈华;杨雪英;李志伟;;[A];中华医院管理学会第十一届全国医院感染管理学术年会论文汇编[C];2004年
任园春;;[A];全民健身科学大会论文摘要集[C];2009年
侯家祥;孙桐;肖征;周培静;;[A];履约
创建无烟环境——第14届全国控制吸烟学术研讨会暨中国控烟高级研讨班论文集[C];2009年
胡劲松;周婧瑜;朱江;王进;;[A];第15届全国控制吸烟学术研讨会论文集[C];2011年
赵欣;王影;潘嘏;刘巍;贾环宇;姚源;;[A];中国医院协会第十八届全国医院感染管理学术年会论文资料汇编[C];2011年
李文慧;席焕久;任甫;刘学峰;杨小林;;[A];中国解剖学会2011年年会论文文摘汇编[C];2011年
贺生;裴林国;刘荣志;席焕久;;[A];中国解剖学会2011年年会论文文摘汇编[C];2011年
刘全生;;[A];第四届中国睡眠医学论坛论文汇编[C];2011年
中国重要报纸全文数据库
显东;[N];中国电脑教育报;2000年
吴月树;[N];医药经济报;2003年
中国硕士学位论文全文数据库
李晓珍;[D];暨南大学;2012年
&快捷付款方式
&订购知网充值卡
400-819-9993SPSS实例教程：有序多分类Logistic回归12收藏分享举报{&debug&:false,&apiRoot&:&&,&paySDK&:&https:\u002F\\u002Fapi\u002Fjs&,&wechatConfigAPI&:&\u002Fapi\u002Fwechat\u002Fjssdkconfig&,&name&:&production&,&instance&:&column&,&tokens&:{&X-XSRF-TOKEN&:null,&X-UDID&:null,&Authorization&:&oauth c3cef7c66aa9e6a1e3160e20&}}{&database&:{&Post&:{&&:{&isPending&:false,&contributes&:[],&title&:&SPSS实例教程：有序多分类Logistic回归&,&author&:&yi-xiao-ka-72&,&content&:&\u003Cp\u003E\u003Cb\u003E1、问题与数据\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E在某胃癌筛查项目中，研究者想了解首诊胃癌分期（Stage）与患者的经济水平的关系，以确定胃癌筛查的重点人群。为了避免性别因素对结论的混杂影响，研究者将性别（Sex）也纳入分析（本例仅为举例说明如何进行软件操作，实际研究中需控制的混杂因素可以更多）。研究者将所有筛查人群的结果如表1，变量赋值如表2。\u003C\u002Fp\u003E\u003Cp\u003E表1. 原始数据\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-857be6c7bb8_b.jpg\& data-rawwidth=\&585\& data-rawheight=\&319\& class=\&origin_image zh-lightbox-thumb\& width=\&585\& data-original=\&https:\u002F\\u002Fv2-857be6c7bb8_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='585'%20height='319'&&\u002Fsvg&\& data-rawwidth=\&585\& data-rawheight=\&319\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&585\& data-original=\&https:\u002F\\u002Fv2-857be6c7bb8_r.jpg\& data-actualsrc=\&https:\u002F\\u002Fv2-857be6c7bb8_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E表2. 变量赋值情况\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-517f681dc0a0ad1d0574_b.jpg\& data-rawwidth=\&659\& data-rawheight=\&193\& class=\&origin_image zh-lightbox-thumb\& width=\&659\& data-original=\&https:\u002F\\u002Fv2-517f681dc0a0ad1d0574_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='659'%20height='193'&&\u002Fsvg&\& data-rawwidth=\&659\& data-rawheight=\&193\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&659\& data-original=\&https:\u002F\\u002Fv2-517f681dc0a0ad1d0574_r.jpg\& data-actualsrc=\&https:\u002F\\u002Fv2-517f681dc0a0ad1d0574_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E2、对数据结构的分析\u003C\u002Fb\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E该设计中，因变量为四分类，且分类间有次序关系，针对因变量为分类型数据的情况应该选用Logistic回归，故应采用有序多分类的Logistic回归分析模型进行分析。\u003C\u002Fp\u003E\u003Cp\u003E有序多分类的Logistic回归原理是将因变量的多个分类依次分割为多个二元的Logistic回归，例如本例中因变量首诊胃癌分期有1-4期，分析时拆分为三个二元Logistic回归，分别为(1 vs 2+3+4) 、(1+2 vs 3+4)、(1+2+3 vs 4)，均是较低级与较高级对比。需注意的是，有序多分类Logistic回归的假设是，拆分后的几个二元Logistic回归的自变量系数相等，仅常数项不等。其结果也只输出一组自变量的系数。\u003C\u002Fp\u003E\u003Cp\u003E因此，有序多分类的Logistic回归模型中，必须对自变量系数相等的假设进行检验（又称平行线检验）。如果不满足平行线假设，则考虑使用无序多分类Logistic回归或其他统计方法。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E3、SPSS分析方法\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E（1）数据录入SPSS\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E首先在SPSS变量视图（Variable View）中新建四个变量：ID代表患者编号，Sex代表性别，Income代表收入水平，Stage代表首诊胃癌分期。赋值参考表1。然后在数据视图（Data View）中录入数据。\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-218f51cd6b8c7418bdf2c69ed16937c2_b.jpg\& data-rawwidth=\&410\& data-rawheight=\&337\& class=\&content_image\& width=\&410\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='410'%20height='337'&&\u002Fsvg&\& data-rawwidth=\&410\& data-rawheight=\&337\& class=\&content_image lazy\& width=\&410\& data-actualsrc=\&https:\u002F\\u002Fv2-218f51cd6b8c7418bdf2c69ed16937c2_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E\u003Cb\u003E（2）选择Analyze → Regression → Ordinal Logistic\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-e15c07ac0cfdecbae5aa8d4f_b.jpg\& data-rawwidth=\&440\& data-rawheight=\&416\& class=\&origin_image zh-lightbox-thumb\& width=\&440\& data-original=\&https:\u002F\\u002Fv2-e15c07ac0cfdecbae5aa8d4f_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='440'%20height='416'&&\u002Fsvg&\& data-rawwidth=\&440\& data-rawheight=\&416\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&440\& data-original=\&https:\u002F\\u002Fv2-e15c07ac0cfdecbae5aa8d4f_r.jpg\& data-actualsrc=\&https:\u002F\\u002Fv2-e15c07ac0cfdecbae5aa8d4f_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E\u003Cb\u003E（3）选项设置\u003C\u002Fb\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-ffadc93dbea54bdbf26ca724_b.jpg\& data-rawwidth=\&456\& data-rawheight=\&286\& class=\&origin_image zh-lightbox-thumb\& width=\&456\& data-original=\&https:\u002F\\u002Fv2-ffadc93dbea54bdbf26ca724_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='456'%20height='286'&&\u002Fsvg&\& data-rawwidth=\&456\& data-rawheight=\&286\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&456\& data-original=\&https:\u002F\\u002Fv2-ffadc93dbea54bdbf26ca724_r.jpg\& data-actualsrc=\&https:\u002F\\u002Fv2-ffadc93dbea54bdbf26ca724_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E将因变量Stage放入因变量（Dependent）位置，自变量性别（Sex）、收入水平（Income）为分类变量，故放入因子（Factors）位置。若研究中还有连续型变量需要调整，则放入协变量（Covariate）位置。\u003C\u002Fp\u003E\u003Cp\u003E点击输出（Output）选项，勾选平行线检验（Test of parallel lines）。其余选项维持默认。点击确定（OK）。\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-ae4b33cdcaa_b.jpg\& data-rawwidth=\&540\& data-rawheight=\&290\& class=\&origin_image zh-lightbox-thumb\& width=\&540\& data-original=\&https:\u002F\\u002Fv2-ae4b33cdcaa_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='540'%20height='290'&&\u002Fsvg&\& data-rawwidth=\&540\& data-rawheight=\&290\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&540\& data-original=\&https:\u002F\\u002Fv2-ae4b33cdcaa_r.jpg\& data-actualsrc=\&https:\u002F\\u002Fv2-ae4b33cdcaa_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E4、结果解读\u003C\u002Fb\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E（1）Case Processing Summary\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E给出的是数据的一般情况，这里不进行介绍。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E（2）模型拟合优度检验\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E有两个，一个是似然比检验结果（Model Fitting Information）.该检验的原假设是所有纳入自变量的系数为0，P（Sig.）&0.001，说明至少一个变量系数不为0，且具有统计学显著性。也就是模型整体有意义。\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-da1cfa758a7feedae21e1c4_b.jpg\& data-rawwidth=\&415\& data-rawheight=\&126\& class=\&content_image\& width=\&415\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='415'%20height='126'&&\u002Fsvg&\& data-rawwidth=\&415\& data-rawheight=\&126\& class=\&content_image lazy\& width=\&415\& data-actualsrc=\&https:\u002F\\u002Fv2-da1cfa758a7feedae21e1c4_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E另一个结果是拟合优度检验（Goodness-of-Fit）结果，提供了Pearson卡方和偏差（Deviance）卡方两个检验结果。但是，这两个检验结果不如上图的似然比检验结果稳健，尤其是纳入的自变量存在连续型变量时，因此推荐以似然比检验结果为准。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E（3）伪决定系数（Pseudo R-Square）\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E对于分类数据的统计分析，一般情况下伪决定系数都不会很高，对此不必在意。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E（4）参数估计（Parameter Estimates）\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-94f07db01c3d7fd935d515cee21e9514_b.jpg\& data-rawwidth=\&688\& data-rawheight=\&293\& class=\&origin_image zh-lightbox-thumb\& width=\&688\& data-original=\&https:\u002F\\u002Fv2-94f07db01c3d7fd935d515cee21e9514_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='688'%20height='293'&&\u002Fsvg&\& data-rawwidth=\&688\& data-rawheight=\&293\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&688\& data-original=\&https:\u002F\\u002Fv2-94f07db01c3d7fd935d515cee21e9514_r.jpg\& data-actualsrc=\&https:\u002F\\u002Fv2-94f07db01c3d7fd935d515cee21e9514_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E阈值（Threshold）对应的Stage=1,2,3三个估计值（Estimate）分别是本次分析中拆分的三个二元Logistic回归的常数项。位置（Location）中Sex和Income变量对应的参数估计值为自变量的估计值。其中Income为多分类，在分析中被拆分成了三个哑变量（即Income 取值1、2、3），分别与Income=4的组进行对比。且有序多分类Logistic回归假定拆分的多个二元回归中自变量系数均相等，因此结果只给出了一组自变量系数。\u003C\u002Fp\u003E\u003Cp\u003EIncome=1系数估计值（Estimate）为-1.617意味着，在调整性别变量的情况下，Income=1（即收入水平最低）的组，相比于Income=4（收入水平最高）的组，初诊胃癌分期至少低一个等级的可能性是exp(-1.617)=0.198倍。其他系数解释相同。这说明，收入水平低的人群，其初诊胃癌时病情更严重。\u003C\u002Fp\u003E\u003Cp\u003ESex变量系数无统计学意义（P=0.428），如果没有其他证据证明不同性别的初诊胃癌分期有区别，那么从模型精简的角度考虑，应当将Sex变量从模型中去掉再次进行回归，得到收入水平的参数估计值。如果研究者比较肯定不同性别初诊胃癌分期会产生区别，那么即使在本研究中其系数无统计学意义也应保留在模型中（因为无统计学意义有可能是因为样本量小造成的，并不能说明该变量不产生影响）。本研究中予以保留。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E（5）平行线假设检验（Test of Parallel Lines）\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-f714ed7c739b21ffac85fec4_b.jpg\& data-rawwidth=\&428\& data-rawheight=\&165\& class=\&origin_image zh-lightbox-thumb\& width=\&428\& data-original=\&https:\u002F\\u002Fv2-f714ed7c739b21ffac85fec4_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='428'%20height='165'&&\u002Fsvg&\& data-rawwidth=\&428\& data-rawheight=\&165\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&428\& data-original=\&https:\u002F\\u002Fv2-f714ed7c739b21ffac85fec4_r.jpg\& data-actualsrc=\&https:\u002F\\u002Fv2-f714ed7c739b21ffac85fec4_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E该检验的原假设是三个二元Logistic回归自变量系数相等，检验P（Sig.）值为0.052，不拒绝原假设，可以认为假设成立，可以使用多重有序Logistic回归。如果将参数无统计学意义的Sex变量去掉，会发现平行线假定检验P值会增大（P=0.175）（是否去掉Sex变量重回归，取决于是否有充足研究证据证明Sex是一个混杂变量，如果是，Sex变量应保留在模型中）。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E5、结果汇总\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E胃癌患者的初诊分期与患者的收入水平有关。低等收入、中等收入与中高等收入人群与高等收入人群相比，初诊胃癌分期低至少一个等级的可能性分别为0.198（P&0.001）、0.310（P&0.001）、0.640（P=0.071）倍。\u003C\u002Fp\u003E\u003Cp\u003E（更多内容可关注“医咖会”微信公众号：传播医学知识和研究进展，探讨临床研究方法学。）\u003C\u002Fp\u003E&,&updated&:new Date(&T03:26:19.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:25,&collapsedCount&:1,&likeCount&:12,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&titleImage&:&&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&reviewers&:[],&topics&:[{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&统计&},{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&医学&}],&adminClosedComment&:false,&titleImageSize&:{&width&:0,&height&:0},&href&:&\u002Fapi\u002Fposts\u002F&,&excerptTitle&:&&,&tipjarState&:&closed&,&annotationAction&:[],&sourceUrl&:&&,&pageCommentsCount&:25,&hasPublishingDraft&:false,&snapshotUrl&:&&,&publishedTime&:&T11:26:19+08:00&,&url&:&\u002Fp\u002F&,&lastestLikers&:[{&bio&:&这不就是我的黄金时代吗&,&isFollowing&:false,&hash&:&0e2e340d21af6caae3deab41&,&uid&:408600,&isOrg&:false,&slug&:&zhang-yue-12-6&,&isFollowed&:false,&description&:&&,&name&:&going&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fzhang-yue-12-6&,&avatar&:{&id&:&efd74de77d9bd726aee687b&,&template&:&https:\u002F\\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:null,&isFollowing&:false,&hash&:&7a67b21e9c9d4e5f7acf3f29e11bf7f0&,&uid&:906900,&isOrg&:false,&slug&:&jia-jun-49-21&,&isFollowed&:false,&description&:&&,&name&:&贾君&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fjia-jun-49-21&,&avatar&:{&id&:&da8e974dc&,&template&:&https:\u002F\\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:&邀请我之前先熟悉知乎的规矩，否则一律举报。&,&isFollowing&:false,&hash&:&b8c96ce24e1691badc3907&,&uid&:60,&isOrg&:false,&slug&:&rowlinthedivergent&,&isFollowed&:false,&description&:&新加坡管理大学社科院心理学博士在读。在往来钱儿的方向走。&,&name&:&Rowlin&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Frowlinthedivergent&,&avatar&:{&id&:&ef11caf5457bff&,&template&:&https:\u002F\\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:null,&isFollowing&:false,&hash&:&50a8bfd6bbb04&,&uid&:336600,&isOrg&:false,&slug&:&qi-mao-lu-de-xiao-guan&,&isFollowed&:false,&description&:&&,&name&:&骑毛驴的关关&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fqi-mao-lu-de-xiao-guan&,&avatar&:{&id&:&93f3a258d4eff78d4496&,&template&:&https:\u002F\\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:&看来还是没逼到绝路&,&isFollowing&:false,&hash&:&c21ab62b72c84c71b00da266b21658d9&,&uid&:48,&isOrg&:false,&slug&:&zhxXJTU&,&isFollowed&:false,&description&:&&,&name&:&L很失败L&,&profileUrl&:&https:\u002F\\u002Fpeople\u002FzhxXJTU&,&avatar&:{&id&:&96f466a21bc107bfbf86&,&template&:&https:\u002F\\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false}],&summary&:&\u003Cimg src=\&https:\u002F\\u002Fv2-857be6c7bb8_200x112.jpg\& data-rawwidth=\&585\& data-rawheight=\&319\& class=\&origin_image inline-img zh-lightbox-thumb\& data-original=\&https:\u002F\\u002Fv2-857be6c7bb8_r.jpg\&\u003E\u003Cb\u003E1、问题与数据\u003C\u002Fb\u003E在某胃癌筛查项目中，研究者想了解首诊胃癌分期（Stage）与患者的经济水平的关系，以确定胃癌筛查的重点人群。为了避免性别因素对结论的混杂影响，研究者将性别（Sex）也纳入分析（本例仅为举例说明如何进行软件操作，实际研究中需控制的混杂…&,&reviewingCommentsCount&:0,&meta&:{&previous&:null,&next&:null},&annotationDetail&:null,&commentsCount&:25,&likesCount&:12,&FULLINFO&:true}},&User&:{&yi-xiao-ka-72&:{&isFollowed&:false,&name&:&医小咖&,&headline&:&&,&avatarUrl&:&https:\u002F\\u002Fv2-407bb71df1bfec670a81d003b6e544a8_s.jpg&,&isFollowing&:false,&type&:&people&,&slug&:&yi-xiao-ka-72&,&bio&:&微信公众号：医咖会 ，临床研究的传播者。&,&hash&:&e5f8e39c893de905cbfb&,&uid&:744600,&isOrg&:false,&description&:&&,&badge&:{&identity&:null,&bestAnswerer&:null},&profileUrl&:&https:\u002F\\u002Fpeople\u002Fyi-xiao-ka-72&,&avatar&:{&id&:&v2-407bb71df1bfec670a81d003b6e544a8&,&template&:&https:\u002F\\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false}},&Comment&:{},&favlists&:{}},&me&:{},&global&:{&experimentFeatures&:{&ge3&:&ge3_9&,&ge2&:&ge2_1&,&nwebStickySidebar&:&sticky&,&searchSectionStyle&:&loosen&,&androidPassThroughPush&:&leancloud&,&newMore&:&new&,&nwebQAGrowth&:&experiment&,&nwebFeedAd&:&experiment&,&newSign&:&newVersion&,&androidDbFeedHashTagStyle&:&button&,&liveReviewBuyBar&:&live_review_buy_bar_2&,&qawebRelatedReadingsContentControl&:&open&,&liveStore&:&ls_a2_b2_c1_f2&,&qawebThumbnailAbtest&:&new&,&nwebSearch&:&nweb_search_heifetz&,&searchHybridTabs&:&without-tabs&,&enableVoteDownReasonMenu&:&disable&,&iOSEnableFeedModuleWWANAritclePreRender&:&iOS_FeedModule_WWAN_PreRender_Enable&,&isOffice&:&false&,&enableTtsPlay&:&false&,&liveDetailWechatBanner&:&Live_detail_wechat_banner_1&,&wechatShareModal&:&wechat_share_modal_show&,&newLiveFeedMediacard&:&old&,&homeUi2&:&default&,&showVideoUploadAttention&:&true&,&recommendationAbtest&:&new&,&qrcodeLogin&:&qrcode&,&isShowUnicomFreeEntry&:&unicom_free_entry_off&,&newMobileColumnAppheader&:&new_header&,&androidDbCommentWithRepinRecord&:&open&,&androidDbRecommendAction&:&open&,&zcmLighting&:&zcm&,&favAct&:&default&,&appStoreRateDialog&:&close&,&mobileQaPageProxyHeifetz&:&m_qa_page_nweb&,&newAppViewRelatedAd&:&yes&,&default&:&None&,&isNewNotiPanel&:&yes&,&androidDbRepinSelection&:&open&,&nwebRelatedAdvert&:&default&,&qaStickySidebar&:&sticky_sidebar&,&androidProfilePanel&:&panel_b&,&nwebWriteAnswer&:&experiment&}},&columns&:{&next&:{}},&columnPosts&:{},&columnSettings&:{&colomnAuthor&:[],&uploadAvatarDetails&:&&,&contributeRequests&:[],&contributeRequestsTotalCount&:0,&inviteAuthor&:&&},&postComments&:{},&postReviewComments&:{&comments&:[],&newComments&:[],&hasMore&:true},&favlistsByUser&:{},&favlistRelations&:{},&promotions&:{},&switches&:{&couldSetPoster&:false},&draft&:{&titleImage&:&&,&titleImageSize&:{},&isTitleImageFullScreen&:false,&canTitleImageFullScreen&:false,&title&:&&,&titleImageUploading&:false,&error&:&&,&content&:&&,&draftLoading&:false,&globalLoading&:false,&pendingVideo&:{&resource&:null,&error&:null}},&drafts&:{&draftsList&:[],&next&:{}},&config&:{&userNotBindPhoneTipString&:{}},&recommendPosts&:{&articleRecommendations&:[],&columnRecommendations&:[]},&env&:{&edition&:{&baidu&:false,&yidianzixun&:false,&qqnews&:false},&isAppView&:false,&appViewConfig&:{&content_padding_top&:128,&content_padding_bottom&:56,&content_padding_left&:16,&content_padding_right&:16,&title_font_size&:22,&body_font_size&:16,&is_dark_theme&:false,&can_auto_load_image&:true,&app_info&:&OS=iOS&},&isApp&:false,&userAgent&:{&ua&:&Mozilla\u002F5.0 (compatible, MSIE 11, Windows NT 6.3; Trident\u002F7.0; rv:11.0) like Gecko&,&browser&:{&name&:&IE&,&version&:&11&,&major&:&11&},&engine&:{&version&:&7.0&,&name&:&Trident&},&os&:{&name&:&Windows&,&version&:&8.1&},&device&:{},&cpu&:{}}},&message&:{&newCount&:0},&pushNotification&:{&newCount&:0}}