关注今日：1 | 主题：206469
微信扫一扫
[求助] 拟用spss进行Logistcis回归分析，预测多个变量X（危险因素）对治疗后疾病复发Y 的预测价值，结果如何分析
页码直达：
这个帖子发布于10年零103天前，其中的信息可能已发生改变或有所发展。
统计分析（论文）求助：分析6个自变量（X）对于因变量(Y)的预测价值？运用SPSS13.0进行logistic回归分析，得出数据实在不求甚解，是否我所用方法有问题？或是样本量太少及参数太多缘故？附上我的数据，望有高手能帮我解惑，实在感激不尽！！着急用
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
等了一个晚上，也没人理我，真是难过~~~园里的高手们，帮帮忙，说句话也行呀希望明天能有人回我个帖，先谢谢了
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
先做了下单因素的Logist，发现其都没有统计学意义，所以结果不理想另一方面例数也少很多，一般应是变量个数的10倍
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dinghl2006，
我是按着教程学的SPSS,只略知一二，现在你这样说我差不多明白为什么分析出来的数据都不大好用了，非常感谢 希望能向你学习更多，签名里的QQ是你的号吧？
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
关于丁香园关注今日：1 | 主题：206469
微信扫一扫
【求助】请教logistc回归分析
页码直达：
这个帖子发布于3年零93天前，其中的信息可能已发生改变或有所发展。
问题已解决悬赏丁当:2
我要评价是否脂联素水平的高低是FMD的危险因素，采用的方法是：将脂联素按平均值分为3个级别，将FMD分为较高、较低两个级别。输入spss采用多项logistic回归，FMD作为因子，脂联素作为因变量。不知方法对不对？输的结果是下面这样的，该如何解释呢？看了相关的问题，但仍不明白。谢谢
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
丁香园版主
看不到图，一个自变量解释因变量就没必要用logistics回归
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
丁香园中级站友
zhang20 我要评价是否脂联素水平的高低是FMD的危险因素，采用的方法是：将脂联素按平均值分为3个级别，将FMD分为较高、较低两个级别。输入spss采用多项logistic回归，FMD作为因子，脂联素作为因变量。不知方法对不对？输的结果是下面这样的，该如何解释呢？看了相关的问题，但仍不明白。谢谢应该使用 二分类logistic
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
四叶虫 看不到图，一个自变量解释因变量就没必要用logistics回归你好，我又想了一下，为了分析年龄、性别、A、B等指标与C指标之间的关系，我分别进行了pearson或spearman相关性分析，得出这些因素与C的相关系数R和P值，这样也可以吧？用多元logistic也可以完成这个分析，是么？
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Semantic Challenges for Sensor Plug and Play | SpringerLink
This service is more advanced with JavaScript available, learn more at http://activatejavascript.org
W2GIS 2009:
Semantic Challenges for Sensor Plug and PlayArne Br?ringKrzysztof JanowiczChristoph StaschWerner KuhnConference paper
The goal of the Sensor Web Enablement (SWE) initiative of the Open Geospatial Consortium (OGC) is the definition of web service interfaces and data encodings to make sensors discoverable, taskable and accessible on the World Wide Web. The SWE specifications enable a standardized communication and interaction with arbitrary types of sensors and sensor systems. The central concepts within OGC’s Sensor Web architecture are sensors, observations and features of interest. Sensors and their observations can be registered and stored through the Sensor Observation Service (SOS) to make them accessible for clients. So far, mechanisms are missing which support a semantic matching between features of interest stored in a database and referred to by an observation. The same applies for the matching between observations as sensor outputs and the properties of the features of interest. By taking a use case from disaster management, we outline the challenges and demonstrate how semantically annotated SWE data models and service interfaces support semantic matching. The result is a roadmap towards a semantically enabled sensor plug & play within the Sensor Web.Semantic Annotation Open Geospatial Consortium Semantic Match Sensor Observation Real World Entity
These keywords were added by machine and not by the authors. This process is experimental and the keywords may be updated as the learning algorithm improves.
This is a preview of subscription content,
to check access.Unable to display preview.&1.Connaghan, D., Hughe, S., May, G., O’Brien, K., Kelly, P., Connaire, C.O., O’Connor, N., O’Gorman, D., Warrington, G., Smeaton, A.F., Moyna., N.: A Sensing Platform for Physiological and Contextual Feedback to Tennis Athletes. In: BSN 2009 - Body Sensor Networks Workshop (2009)2.Hayes, J., O’Conor, E., Cleary, J., Kolar, H., McCarthy, R., Tynan, R., O’Hare, R., Smeaton, A., O’Connor, N., Diamond, D.: Views From the Coalface: Chemo-Sensors, Sensor Networks and the Semantic Sensor Web. In: SemSensWeb 2009 - International Workshop on the Semantic Sensor Web (2009)3.Shepherd, D., Kumar, S.: Microsensor Applications. In: Distributed Sensor Networks. Chapman and Hall, Boca Raton (2005)4.Botts, M., Percivall, G., Reed, C., Davidson, J.: OGC Sensor Web Enablement: Overview And High Level Architecture. Technical report, Open Geospatial Consortium (2007)5.Janowicz, K., Schade, S., Br?ring, A., Kessler, C., Stasch, C., Maué, P., Diekhof, T.: A transparent semantic enablement layer for the geospatial web. In: Terra Cognita 2009 Workshop In conjunction with the 8th International Semantic Web Conference, ISWC 2009 (forthcomming, 2009)6.Sheth, A., Henson, C., Sahoo, S.: Semantic Sensor Web. IEEE Internet Computing, 78–83 (2008)7.Henson, C.A., Pschorr, J.K., Sheth, A.P., Thirunarayan, K.: SemSOS: Semantic Sensor Observation Service. In: International Symposium on Collaborative Technologies and Systems, CTS )8.Na, A., Priest, M.: OGC Implementation Specification 06-009r6: OpenGIS Sensor Observation Service, SOS (2007)9.Botts, M.: OGC Implementation Specification 07-000: OpenGIS Sensor Model Language, SensorML (2007)10.Cox, S.: OGC Implementation Specification 07-022r1: Observations and Measurements - Part 1 - Observation schema (2007)11.Cox, S.: OGC Implementation Specification 07-022r3: Observations and Measurements - Part 2 - Sampling Features. Technical report, Open Geospatial Consortium (2007)12.Stasch, C., Janowicz, K., Broering, A., Reis, I., Kuhn, W.: A Stimulus-Centric Algebraic Approach to Sensors and Observations. In: Trigoni, N., Markham, A., Nawaz, S. (eds.) 3rd International Conference on Geosensor Networks. LNCS, vol. 5659, pp. 169–179. Springer, Heidelberg (2009)13.Kuhn, W.: A functional ontology of observation and measurement (2009) (under review) The ontology,
14.Guarino, N.: Formal Ontology and Information Systems. In: Guarino, N. (ed.) International Conference on Formal Ontology in Information Systems (FOIS 1998), pp. 3–15. IOS Press, Trento (1998)15.Kuhn, W.: Semantic Engineering. In: Navratil, G. (ed.) Research Trends in Geographic Information Science. Springer, Heidelberg (forthcoming, 2009)16.Allemang, D., Hendler, J.: Semantic Web for the Working Ontologist: Modeling in RDF, RDFS and OWL. Morgan Kaufmann Elsevier, Amsterdam (2008)17.Shvaiko, P., Euzenat, J.: Ten Challenges for Ontology Matching. In: Meersman, R., Tari, Z. (eds.) OTM 2008, Part II. LNCS, vol. 5332, pp. . Springer, Heidelberg (2008)18.Harvey, F., Kuhn, W., Pundt, H., Bisher, Y., Riedemann, C.: Semantic Interoperability: A Central Issue for Sharing Geographic Information. The Annals of Regional Science 33, 213–232 (1999)19.Janowicz, K., Kessler, C., Schwarz, M., Wilkes, M., Panov, I., Espeter, M., Baeumer, B.: Algorithm, Implementation and Application of the SIM-DL Similarity Server. In: Fonseca, F., Rodríguez, M.A., Levashkin, S. (eds.) GeoS 2007. LNCS, vol. 4853, pp. 128–145. Springer, Heidelberg (2007)20.Janowicz, K., Wilkes, M.: SIM-DLA: A Novel Semantic Similarity Measure for Description Logics Reducing Inter-concept to Inter-instance Similarity. In: Aroyo, L., Traverso, P., Ciravegna, F., Cimiano, P., Heath, T., Hyvoenen, E., Mizoguchi, R., Oren, E., Sabou, M., Simperl, E.P.B. (eds.) ESWC 2009. LNCS, vol. 5554, pp. 353–367. Springer, Heidelberg (2009)21.Compton, M., Henson, C., Lefort, L., Neuhaus, H.: A survey of the semantic specification of sensors. Technical report (2009),
22.Stasch, C., Walkowski, A.C., Jirka, S.: A Geosensor Network Architecture for Disaster Management based on Open Standards. In: Ehlers, M., Behncke, K., Gerstengabe, F.W., Hillen, F., Koppers, L., Stroink, L., W?chter, J. (eds.) Digital Earth Summit on Geoinformatics 2008: Tools for Climate Change Research, pp. 54–59 (2008)23.Harnad, S.: The Symbol Grounding Problem. Physica D 42, 335–346 (1990)24.Kuhn, W.: Semantic Reference Systems. International Journal of Geographic Information Science 17(5), 405–409 (2003)25.Scheider, S., Janowicz, K., Kuhn, W.: Grounding Geographic Categories in the Meaningful Environment. In: Stewart Hornby, K., et al. (eds.) COSIT 2009. LNCS, vol. 5756, pp. 69–87. Springer, Heidelberg (2009)26.Probst, F., Lutz, M.: Giving Meaning to GI Web Service Descriptions. In: 2nd International Workshop on Web Services: Modeling, Architecture and Infrastructure (WSMAI 2004), Porto, Portugal (2004)27.Stock, K., Small, M., Ou, Y., Reitsma, F.: OGC Discussion Paper 09-010 - OWL Application Profile of CSW. Technical report, Open Geospatial Consortium (2009)28.Whiteside, A.: OGC Recommendation Paper 05-010: URNs of Definitions in OGC Namespace (2007)29.Probst, F., Espeter, M.: Spatial dimensionality as a classification criterion for qualities. In: Bennett, B., Fellbaum, C. (eds.) International Conference on Formal Ontology in Information Systems (FOIS 2006). Frontiers in Artificial Intelligence and Applications, vol. 150, pp. 77–88. IOS Press, Amsterdam (2006)30.Farrell, J., Lausen, H.: Semantic annotations for WSDL and XML schema. W3C recommendation (2007),
31.Maué, P., Schade, S., Duchesne, P.: OGC Discussion Paper 08-167r1: Semantic annotations in OGC standards. Technical report, OGC (2009)32.Hornsby, K., King, K.: Linking geosensor network data and ontologies to support transportation modeling. In: Nittel, S., Labrinidis, A., Stefanidis, A. (eds.) GSN 2006. LNCS, vol. 4540, pp. 191–209. Springer, Heidelberg (2008)33.Simonis, I.: OGC Implementation Specification 07-014r3: OpenGIS Sensor Planning Service. Technical report, Open Geospatial Consortium (2007)34.Schut, P.: OGC Implementation Specification 05-007r7: OpenGIS Web Processing Service (2007)35.Nebert, D., Whiteside, A., Vretanos, P.: OGC Implementation Specification 07-006r1: OpenGIS Catalogue Services Specification (2007)Arne Br?ring1Krzysztof Janowicz1Christoph Stasch1Werner Kuhn11.Institute for GeoinformaticsUniversity of MuensterGermany单因素logistic回归中有意义的变量在多因素logistic回归分析中被排除是什么原因?
单因素logistic回归中有意义的变量在多因素logistic回归分析中被排除是什么原因?后面问了别人，应该是样本量小了，或者被别的因素的作用掩盖了
就是说自变量间相互存在一定的共线性,所以在使用多自变量进行回归时,会自动剔除一些存在共线影响的自变量 再问： 我怀疑abc之间有共线性，那如果我要看有没有显著的共线性，是每次只引入一对相互作用的变量，如只引入a*b或者只引入b*c……作为变量，到logistic回归方程里面和其它所有因素一起分析还是一次性的引入a*b，b*c……呢？ 再答： logistic回归里面没有检验共线性的方法，你直接使用逐步回归就好了，被剔除的一方面说明该自变量对于预测没有效果，另一方面也会解决自变量间共线性的问题
我有更好的回答：
剩余:2000字
与《单因素logistic回归中有意义的变量在多因素logistic回归分析中被排除是什么原因?》相关的作业问题
在SPSS中将多分类变量设置为哑变量比较麻烦,其中的一种方法就是将该多分类变量转换成N-1列的哑变量,举例来说,原多分类变量有四个取值（A/B/C/D）,这时需要设置三列哑变量,比如D2,D3,D4用如果变量值是B,则D2=1,否则取0,如果是C,则用D3=1,否则取0,如果是D,则D4=1,否则取0D2 D3 D41
在回归分析模型 Y=β0+β1X+ε（一元线性回归模型）中,Y是被解释变量,就称为因变量.X是解释变量,称为自变量.表示为：因变量Y随自变量X的变化而变化.协变量是指那些人为很难控制的变量,通常在回归分析中要排除这些因素对结果的影响.“选择变量”即是条件变量,并且有个条件定义按钮（rule）,通过这个按钮可以给定一个条
可以把单因素有序回归里面有意义的变量先纳入,再在多因素过程中通过向后法筛选变量. 查看原帖
可以把单因素有序回归里面有意义的变量先纳入,再在多因素过程中通过向后法筛选变量.查看原帖
logistic回归模型,主要是用来对多因素影响的事件进行概率预测,它是普通多元线性回归模型的进一步扩展,logistic模型是非线性模型.比如说我们曾经做过的土地利用评价,就分别用多元线性回归模型和Logistic模型进行试验.影响耕地的因素假设有高程、土壤类型、当地人口数量和GDP总量,把上述四种因素作为自变量,某
逐个进行分析,确定相关性最好的.具体的分析方法,一个是机理分析,从内部探讨原因,二是数量分析,通过回归等方法加以确定....
可以理解为a和b之间有相互制约或抵消的作用,导致了各自危险因素不能发挥作用,从而产生了保护的效果. 再问： 单因素分析过程中发现，BMI越高越容易导致疾病，携带危险基因型也容易导致疾病，这两个因素（BMI和危险基因型）怎么会相互制约呢？或者说什么情况下会发生这种相互制约的结果呢？ 再答： 会不会基因型和BMI间有关系？
变量不显著的话从统计角度来说根本就不能放入模型中.当然,变量不显著有可能是数据存在偏误,需要进行计量的处理.是写论文么,帮忙数据 he 分析.
要大于等于三个水平的分类变量才有必要生成哑变量的,只有两个水平的话不用.logi回归的因变量就是只能俩水平：0和1的.我一般生成哑变量是直接conpute的.简单说分类指的是一个变量在测量中的属性,就像连续、等级（秩次）这些属性一样.虚拟变量时分析时候,因为分类变量无法进行量化的推断检验（而只能是0/1那种才可以被检验
Analyze->Regression->Multinomial logistic,自变量（Factors）、因变量放好,再设置一下就OK.logistic回归只是针对因变量是分类变量,对自变量是哪种类型并没有规定
一个模型是加入了那些不显著变量的,一个是没有加入不显著变量的,两个模型的残差做差,然后除以自由度,就可以算出来score了. 再问： 变量为x、y、z、m、n、q，m显著性p值最小，先进入方程，如图，然后对不在方程中的变量计算score统计量 再答： 对的呀，比如一个方程先把x强制放到模型里面，算出来它的估计值，如果不
在做logistci回归的时候,软件分析的结果就会显示OR值和95%置信区间,OR值就是Exp
（1）如果六大类分类变量“教育程度”,“文盲”,“小学”,“初中”,“高中”,“大学”,“大学及以上,很明显（6-1 ）= 5个虚拟变量.（2）,如果你认为太多的虚拟变量,可以结合分类,如“文盲”,“小学”组合成一个分类的“小学及以下”,“初中合并后的学校“,”高中“,”大学“合并为一类初中 - 大学,所以只有三类简单
能做回归 .设成LNp/1-p形式 因为 p的范围是0--1,不能做回归,设成LNp/1-p形式负无穷到正无穷.就可以了.
这样的用法是错的!1、你这个研究是没有对照的,这本就不符合研究的统计学原理.应该用病例对照或队列研究的方法,选择未发生心梗的作为对照组.2、因变量应该选择结果：比如是否发生心梗,以发生的为1,未发生的为0.3、logistic回归中,=60y组也同样是一个研究的危险因素,应该与其他的吸烟、高血压、糖尿病一起作为自变量进
自变量通过不检验有以下这些可能：1、方程本身没有意义,比如我们用身高来预测性别,这个肯定通不过检验.2、自变量本省有问题,二项逻辑回归对自变量的要求比较严,一般是要求连续、正态分布的数据才可以.如果自变量不满足符合的条件则很有可能通不过检验.解决的方式：1、首先将你的自变量转化为Z分数,这样可以从一定程度上改善数据的分
词类是学好英语的一个关键,每学一个词都必须知道它是属于哪个词类.英语中的词可以根据词义,句法作用和形式特征分为十大词类.名词 Nouns(n.)：表示人或事物的名称.名词分为可数名词如：pen 钢笔 tea'cher 老师,不可数名词如：i`dea' 主意,fire 火,air 空气.可数名词的复数要在名词后加s.名词
好像一幅巨大的油画,以不同的色彩,丰富的层次,揭示出大自然难能诉诸文字的深刻内涵.那绯红,以牧歌般的轻快,写出青春的壮丽；那乳白,则象征着爱情、友谊的纯洁和美好；那铅灰,暗示的是沉甸甸的命运基调,向人们宣告,只有抗争才能进取；那墨黑和青紫,则以震撼人心的力量,表现了生命的博大深沉.阚百鸣《云之歌》当飞机越过一万多公尺的
在这地方有些说不清楚,我给你找到这个例子,说的比较明白,你看看：http://blog.sina.com.cn/s/blog_4af3f0d20100byr9.html有谁会用stata进行logistic回归分析的,数据这些我都弄好了,下面是结果,看不懂,
有谁会用stata进行logistic回归分析的,数据这些我都弄好了,下面是结果,看不懂,或者有谁可以帮我分析一下,感觉我分析的有问题!
没有一个变量是显著的讲土点就是做的毫无意义
我有更好的回答：
剩余:2000字
与《有谁会用stata进行logistic回归分析的,数据这些我都弄好了,下面是结果,看不懂,》相关的作业问题
电子工业出版社《PASW/SPSS Statistics中文版统计分析教程（第3版）(含CD光盘1张)》有详细介绍.
把196个根据你们制定的标准,分为1和2,也就是全用1和2来表示.然后输进去,其他的都作为自变量.也都是按1和2两类来分.SPSS设计的不太人性化,挺简单的问题,弄的很复杂.网上有个中文教程,是PDF版的.还可以,照着葫芦化瓢也画出来了.回归分析,你就得有两种情况,都得输入,如果只输入一种,那成直线了,如果你想把三个目
不一定!这取决于因变量的编码,情况十分复杂：假如,因变量编码为1时代表无病,2代表有病,那么偏回归系数为负就说明是保护性因素；如果编码为1时代表有病,2代表无病,那么偏回归系数为负就说明是危险因素,正好与前面的说法相反!注意,这个说法仅仅对于自变量为连续变量者（如体重、年龄、身高等）而言.因此,在spss的Logist
没有这么麻烦,很容易的：在Logistic回归主界面中同时选择月收入与受教育程度这两个变量（按住Ctrl键不放,用鼠标分别点击月收入与受教育程度）,然后点击>a*b>键就可以了. 再问： 你好，此外，我还有一个问题，就是不知道该如何解释交互作用。比如：所有制与中层以上家庭地位，其中因变量为职业晋升与否（否为0，是为1）
在这地方有些说不清楚,我给你找到这个例子,说的比较明白,你看看：http://blog.sina.com.cn/s/blog_4af3f0d20100byr9.html
回归方程,主要是看各个自变量的假设检验结果,和系数.两个自变量都有统计学意义,系数分别为-5.423和0.001,也就是说,随着自变量一增加一个单位,因变量要降低5.423三个单位.自变量二同理.比如我的因变量是高血压患病与否,随着自变量一得增加,患病危险降低.说明自变量一为保护因素.
这个有序多分类变量是自变量还是因变量啊?自变量的话看似然比检验,显著的话就不能当作数值型变量,而需要当作分类变量来做,转换成哑变量；因变量的话用multinomial logistic来做.
就是说自变量间相互存在一定的共线性,所以在使用多自变量进行回归时,会自动剔除一些存在共线影响的自变量 再问： 我怀疑abc之间有共线性，那如果我要看有没有显著的共线性，是每次只引入一对相互作用的变量，如只引入a*b或者只引入b*c……作为变量，到logistic回归方程里面和其它所有因素一起分析还是一次性的引入a*b，
www.gugsd.com
在回归分析模型 Y=β0+β1X+ε（一元线性回归模型）中,Y是被解释变量,就称为因变量.X是解释变量,称为自变量.表示为：因变量Y随自变量X的变化而变化.协变量是指那些人为很难控制的变量,通常在回归分析中要排除这些因素对结果的影响.“选择变量”即是条件变量,并且有个条件定义按钮（rule）,通过这个按钮可以给定一个条
系数值（B） 标准误（S.E.） 卡方值（Wald） 自由度（df） P值（Sig.） OR值Exp(B)常数（Constant）
先做方差分析,确定印象因素对因变量的影响程度,应变量反应不敏感、和其它变量存在多重共线性的变量可以剔除.
其实校正变量的方法很简单,只要你把要校正的变量和要分析的变量共同纳入方程即可,但是最好在纳入方程前对于自变量能有一个初筛即根据资料的特点和文献复习的情况,只纳入可能有关的,对于初筛p值特别大的最好不要纳入方程以免方程出现不稳定,注意统计之前必须要考虑样本资料的特点.在具体分析中如果是验证哪几个因素多于因变量的影响是多大
logistic回归主要用于危险因素探索.因变量y为二分类或多分类变量,自变量既可以为分类变量,也可以为连续变量.比如,探索胃癌发生的危险因素,胃癌作为因变量,分为两类,“是”或“否”.危险因素可以有一个多多个,比如性别、年龄、幽门螺杆菌感染等.通过logistic回归就可以发现哪些因素会影响胃癌的发生.
wald下就为wald值sig.下就为所求的P值
logistic回归又称logistic回归分析,主要在流行病学中应用较多,比较常用的情形是探索某疾病的危险因素,根据危险因素预测某疾病发生的概率,等等.例如,想探讨胃癌发生的危险因素,可以选择两组人群,一组是胃癌组,一组是非胃癌组,两组人群肯定有不同的体征和生活方式等.这里的因变量就是是否胃癌,即“是”或“否”,为两
这个问题我想教科书上都有吧建议你看看&姜启源&的《数学建模》或者你可以用google学术,收索一些相关文献看看既然做数据分析你应该也会用到SPSS,推荐看看这篇博文吧
&是否有统计学意义主要看sig 如果这个值小于0.05那么就是相关的,在此基础上看第一列B值,负号代表负相关.你的例子中性别不对因变量产生影响.另外logistic回归中Exp(B)值即为OR值也是非常有参考意义的值,你可以参考一下相关教科书,不同的案例解释内容不同.
如果你的分析方法是正确的话,这个结果是能够说明的变量3在该模型中是有贡献的,有意义的,而变量1并不显著,对Y影响不大.