关注今日：2 | 主题：205266
微信扫一扫
【统计方法欠佳】急求？二项logistic回归分析,协变量（自变量）相关时如何选择
页码直达：
这个帖子发布于2年零257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
想做危险因素分析，很纠结一个问题，准备将单因素分析中有统计学意义的结果进一步做logistic回归，几个自变量之间有一定相关性，发现每改变一个自变量结果就会变化很大，本来有统计学意义的，多加入一个自变量进去后全都没有意义了，这时如何选择将哪个自变量纳入分析呢？我看园子里有人说根据临床需求选择，可是有时很难说哪个更重要。
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
求助，求助呀，谁来帮帮呀，谢谢谢谢！
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
xianggelilaxiao 求助，求助呀，谁来帮帮呀，谢谢谢谢！
额，你@别人了是不是我回答就不合适了啊。。。在这样的情况下一般情况下是根据临床意义来选择变量的，就像是你说的 收缩压和舒张压都有临床意义 而且有很强的相关性怎么办呢？？？？？这个很多统计学家也是很愁的问题。怎么办呢。。。课本上讲了，去掉一些影响过大的变量。。或者。或者 主成分分析 因子分析 岭回归等等。如果舍不得舍弃任何一个变量的话做做主成分分析吧。。。毕竟是解决共线性问题的一个很好的法子
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
谢谢哦，呵呵， . 我看写文章相关的文献里都没有给出明确的解释，所以很纠结呢，谢谢，亲
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Logistic 回归：定义分类变量
Logistic 回归：定义分类变量
您可以详细指定“Logistic 回归”过程处理分类变量的方式：
协变量。 包含在主对话框中指定的所有协变量（无论是直接指定的斜变量还是作为交互的一部分在任何层中指定的斜变量）的列表。如果其中部分协变量是字符串变量或分类变量，则能将它们用作分类协变量。
分类协变量。 列出标识为分类变量的变量。每个变量都在括号中包含一个表示法，指示要使用的对比编码。字符串变量（由变量名称后的符号 & 指示）已存在于“分类协变量”列表中。从“协变量”列表中选择其他任意分类协变量并将它们移到“分类协变量”列表中。
更改对比。 可用于更改对比方法。可用的对比方法有：
指示符。 这些对比指示类别成员资格是否存在。参考类别在对比矩阵中表示为一排“0”。
简单。 除参考类别外，预测变量的每个类别都与参考类别相比较。
差分。 除第一个类别外，预测变量的每个类别都与前面的类别的平均效应相比较。也称为逆 Helmert 对比。
Helmert。 除最后一个类别外，预测变量的每个类别都与后面的类别的平均效应相比较。
重复。 除最后一个类别外，预测变量的每个类别都与下一个类别相比较。
多项式。 正交多项式对比。假设类别均匀分布。多项式对比仅适用于数值变量。
偏差。 除参考类别外，预测变量的每个类别都与总体效应相比较。
如果选择偏差、简单或指示符，则可以选择第一个或最后一个作为参考类别。注意，直到单击更改后，该方法才实际发生更改。
字符串协变量必须是分类协变量。要从“分类协变量”列表中移去某字符串变量，必须从主对话框中的“协变量”列表中移去所有包含该变量的项。
定义分类变量
此功能需要“回归”选项。
从菜单中选择： 分析 & 回归 & 二项 Logistic…
在“Logistic 回归”对话框中，在“协变量”列表中至少选择一个变量，然后单击分类。
在“分类协变量”列表中，选择要更改其对比方法的协变量。可以同时更改多个协变量。
从“方法”下拉列表中选择一种对比方法。
单击更改。苹果/安卓/wp
积分 1211, 距离下一级还需 164 积分
权限: 自定义头衔, 签名中使用图片, 隐身
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发下一级可获得
权限: 设置帖子权限道具: 提升卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
苦逼签到天数: 118 天连续签到: 1 天[LV.6]常住居民II
进行Logistic回归时（实际Cox回归同样存在类似问题）SPSS中可以用categorical...来定义分类协变量（哑变量），但是是否所有的属分类变量的协变量都需要在这里进行定义，在网上查了，有些人说只是三个以上的哑变量才需在这里进行定义，两项的不需要定义，那么问题是：
1、为什么两项的不需要定义，如性别，男为0，女为1，处理时如果不按分类协变量处理，是否会不妥？
2、将两项的协变量以分类协变量进行logistic回归和不以分类协变量进行logistic回归分析，得出了OR会有较大差异，如何解释，哪个OR值更可靠？
请各位老师，高手多多指点，谢谢
我也在做这方面的工作。结论，如果协变量为01变量，定义分类变量与不定义分类变量与结果没有差别。
比如，我原始数据中汉族为1，,非汉为0，如果在操作中将其定义为分类协变量，则spss在分析过程中将其改为汉族=0，非汉=1。结果为：
B S.E, Wals df Sig. Exp (B) EXP(B) 的 95% C.I.
步骤 1a mz01(1) -.621 .234 7.059 1 .008 .538 .340 .850
常量 .452 .183 6.117 1 .013 1.571
如果不定义协变量，在 ...
本帖被以下文库推荐
& |主题: 2161, 订阅: 21
这坛子就没有点专业点的热心人吗？
无语，自己顶，求各位老师指点指点，讨论讨论
算了，跟其它兄弟讨论过了
看来不是坛子里朋友的问题，是我自己的问题，可能没说清楚吧，说清楚了就会有人帮忙了，谢谢
我也遇到这个问题了&&在cox模型中协变量分类搞不清楚
我也在做这方面的，也遇到这类问题
我也在做这方面的工作。结论，如果协变量为01变量，定义分类变量与不定义分类变量与结果没有差别。
比如，我原始数据中汉族为1，,非汉为0，如果在操作中将其定义为分类协变量，则spss在分析过程中将其改为汉族=0，非汉=1。结果为：
& & & & B& & & & S.E,& & & & Wals& & & & df& & & & Sig.& & & & Exp (B)& & & & EXP(B) 的 95% C.I.
& & & & & & & & & & & & & & & & & & & & & & & & & & & & 下限& & & & 上限
步骤 1a& & & & mz01(1)& & & & -.621& & & & .234& & & & 7.059& & & & 1& & & & .008& & & & .538& & & & .340& & & & .850
& & & & 常量& & & & .452& & & & .183& & & & 6.117& & & & 1& & & & .013& & & & 1.571& & & & & & & &
如果不定义协变量，在分析过程中 汉族=1，结果如下：
& & & & B& & & & S.E,& & & & Wals& & & & df& & & & Sig.& & & & Exp (B)& & & & EXP(B) 的 95% C.I.
& & & & & & & & & & & & & & & & & & & & & & & & & & & & 下限& & & & 上限
mz01& & & & .621& & & & .234& & & & 7.059& & & & 1& & & & .008& & & & 1.860& & & & 1.177& & & & 2.941
常量& & & & -.169& & & & .146& & & & 1.344& & & & 1& & & & .246& & & & .845& & & & & & & &
不管哪种分析，最终汉族时的Z值是一样的。 系数正负号相反，常数项的值发生变化了。
总评分:&经验 + 3&
论坛币 + 3&
有三个及以上属性的变量，定义协变量，可能主要是spss自动会将其分为若干虚拟变量进行处理。不需要在手动分为若干01变量
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
论坛法律顾问：王进律师有序多分类Logistic回归，我见过的最详细SPSS教程！
用微信扫描二维码分享至好友和朋友圈
用微信扫描二维码分享至好友和朋友圈
　　一、问题与数据　　研究者想调查人们对“本国税收过高”的赞同程度：Strongly Disagree——非常不同意，用“0”表示；Disagree——不同意，用“1”表示；Agree--同意，用“2”表示；Strongly Agree--非常同意，用“3”表示。　　另外，研究者也调查了一些其它情况，包括：是否是“雇主”（biz_owner：Yes——是，用“0”表示；No——否，用“1”表示）、年龄（age）和党派（politics：Lib——党派1，用“1”表示；Con——党派2，用“2”表示；Lab——党派3，用“3”表示）。部分数据如下图：　　　　二、对问题的分析　　使用有序Logistic进行回归分析时，需要考虑4个假设。　　假设1：因变量唯一，且为有序多分类变量，如城市综合竞争力等级可以分为高、中、低；某病的治疗效果分为痊愈、有效、无效等。　　假设2：存在一个或多个自变量，可为连续、有序多分类或无序分类变量。　　假设3：自变量之间无多重共线性。　　假设4：模型满足“比例优势”假设。意思是无论因变量的分割点在什么位置，模型中各个自变量对因变量的影响不变，也就是自变量对因变量的回归系数与分割点无关。　　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“本国的税收过高”的赞同程度有4个等级，分析时拆分为三个二元Logistic回归，分别为(0 vs 1+2+3) 、(0+1 vs 2+3)、(0+1+2 vs 3)，均是较低级与较高级对比。　　在有序多分类Logistic回归中，假设几个二元Logistic回归中，自变量的系数相等，仅常数项不等，结果也只输出一组自变量的系数。因此，有序多分类的Logistic回归模型，必须对自变量系数相等的假设（即“比例优势”假设）进行检验（又称平行线检验）。如果不满足该假设，则考虑使用无序多分类Logistic回归。　　三、前期数据处理　　对假设进行验证前，我们需要将分类变量设置成哑变量。　　1. 为什么要设计哑变量　　若直接将分类变量纳入Logistic回归方程，则软件会将分类变量按连续变量处理。例如，如果把性别按“1”——男、“2”——女进行编码，然后直接把性别纳入方程，方程会认为“女”是“男”的2倍。为了解决这个问题，需要用一系列的二分类变量“是”或“否”来表示原始的分类变量，这些新的二分类变量被称为“哑变量”。　　在SPSS软件的二项Logistic回归模型中，将分类变量选入categorical，软件会自动设置一系列的哑变量。由于验证假设3(自变量之间无多重共线性)需要通过线性回归实现，而在线性回归中，就需要手动设置哑变量。因此，这里需要先手动设置哑变量。　　2. 设置哑变量的思路　　哑变量的数目是分类变量类别数减一。本例中，党派1、党派2和党派3的原始编码为1、2和3。设置哑变量时，需要对党派1和党派2进行重新编码。　　建立新变量Lib（党派1），若调查对象选了党派1，则Lib编为“1”，代表是；若未选党派1，则Lib编为“0”，代表否。同样，建立新变量Con（党派2），将是否选党派2编为“1”或“0”。此时，若既未选党派1，又未选党派2，则两个新变量Lib和Con的编码都为“0”，代表党派3。此时，党派3在模型中是参考类别（Reference）。　　3. 在SPSS中设置哑变量　　(1)首先，先创建新变量“Con”，在主菜单下选择Transform&Recode into Different Variables... ，如下图：　　　　(2) 在Recode into Different Variables对话框中，将politics选入右侧Numeric Variable--&Output Variable下，在右侧Output Variable中填写“Con”。点击Change&Old and New Values。　　　　(3) 出现Recode into Different Variables: Old and New Values对话框，在左侧的Old Value下的Value中填入2，在右侧的New Value下的Value中填入1，点击Add。　　　　(4) 将其它值变为“0”：左侧点击All other values，在右侧Value中填入“0”，点击Add&Continue。　　　　(5)如果数据中有缺失值，点击左侧System-missing，右侧点击System-missing&Add，保持缺失值：　　　　设置得到的结果如下图：　　　　本例中没有缺失值，可省略这一步。　　(6) 继续创建新变量“Lib”，与以上步骤相似。两个变量创建完成后，点击变量视图，可以看到在最右侧已经生成了两个新变量“Con”和“Lib”，如下图：　　　　四、对假设的判断　　假设1-2都是对研究设计的假设，需要研究者根据研究设计进行判断，所以这里主要对数据的假设3-4进行检验。　　1. 检验假设3：自变量之间无多重共线性　　(1) 在主菜单点击Analyze&Regression&Linear...　　　　(2) 将tax_too_high选入Dependent，将biz_owner、age、Con、Lib选入Independent(s)。　　　　(3) 点击Statistics，出现Linear Regression：Statistics对话框，点击Collinearity diagnostics&Continue&OK。　　　　结果如下图：　　　　如果容忍度（Tolerance）小于0.1或方差膨胀因子（VIF）大于10，则表示有共线性存在。　　本例中，容忍度均远大于0.1，方差膨胀因子均小于10，所以不存在多重共线性。如果数据存在多重共线性，则需要用复杂的方法进行处理，其中最简单的方法是剔除引起共线性的因素之一，剔除哪一个因素可以基于理论依据。　　2. 检验假设4：模型满足“比例优势”假设　　“比例优势”假设可以在后面结果部分的“平行线检验”中看到。　　五、SPSS操作　　SPSS中，可以通过两个过程实现有序Logistic回归。分别是Analyze & Regression & Ordinal...和Analyze & Generalized Linear Models & Generalized Linear Models...。　　其中，Analyze & Regression & Ordinal模块，可以检验 “比例优势”假设，但无法给出OR值和95%CI。而Analyze & Generalized Linear Models & Generalized Linear Models模块可以给出OR值和95%CI，但无法检验“比例优势”假设。　　这里，我们主要介绍Analyze & Regression & Ordinal过程。　　(1) 在主菜单点击Analyze&Regression&Ordinal...　　　　(2) 出现Ordinal Regression对话框，将tax_too_high选入Dependent，将biz_owner和politics选入Factor(s)，将age选入Covariate(s)，再点击Output。　　　　(3) 出现Ordinal Regression: Output对话框。在原始设置的基础上，勾选Display下方的Test of parallel lines，勾选Saved Variables下方的Estimated response probabilities、Predicted category、Predicted category probability和Actual category probability，这四个选项会在SPSS数据集中产生新的变量，如下图所示。点击Continue。　　　　(4) 点击Location，出现Ordinal Regression: Location对话框，如果自变量间有交互作用，则通过该对话框进行选择。本例中自变量间无交互作用，所以点击Continue&OK。　　　　六、结果解释　　1. 假设4的检验结果　　在结果解释之前，我们需要先看一下假设4的检验结果（平行线检验的结果）。　　在Ordinal Regression：Output对话框中，选则Test of parallel lines后出现，的结果如下表。本例中平行线检验χ2= 8.620, P= 0.375，说明平行性假设成立，即各回归方程相互平行，可以使用有序Logistic过程进行分析。　　　　如果平行线假设不能满足，可以考虑一下两种方法进行处理：①进行无序多分类Logistic回归，而非有序Logistic回归，并能接受因变量失去有序的属性；② 用不同的分割点将因变量变为二分类变量，分别进行二项Logistic回归。　　但是，当样本量过大时，平行线检验会过于敏感。即当比例优势存在时，也会显示P&0.05。此时，可以尝试将因变量设置为哑变量，并拟合多个二分类Logistic回归模型，通过观察自变量对各哑变量的OR值是否近似来判断。　　2. 单元格　　输出结果中，首先会给一个警告，内容为：有235（63.2%）个频率为零的单元格。如果存在过多频数为0的单元格，则会影响模型的拟合，导致拟合优度检验不可信。　　扩展阅读　　要理解这一点，就需要理解“协变量模式（covariate pattern）”的概念。协变量模式是指数据中自变量数值的组合，与因变量无关。比如，在本数据中，一个协变量模式是23岁（age），雇主（biz_owner）和党派3（politics）。对于每种协变量模式，可能有多个研究对象。比如，如果有4个研究对象是23岁、雇主和党派3，这代表一个协变量模式。　　需要理解的另一个概念是“单元格模式（cell pattern）”，它是指自变量和因变量数值的组合，与协变量模式相似，但加上了因变量。对于同一个协变量模式，如果协变量模式能对应因变量所有值，就没有“缺失”的单元格。但实际中，一个协变量模式对应的因变量可能只有一个值。假如，有1个23岁、雇主和党派3研究对象的因变量是“Agree”，但由于因变量总共有4个水平，所以此时单元格“缺失”3个。　　因此，协变量模式与单元格模式之间的联系是：（1）所有可能的单元格总数是协变量模式个数乘以因变量的分组个数；（2）实际的单元格是指单元格模式中频率不为0的单元格。单元格频率为零的比率为（总单元格的个数-实际单元格的个数）&总单元格的个数。　　3. 拟合优度检验结果　　下图为拟合优度检验的结果，分别为Pearson和Deviance两种拟合优度检验。本例中，Pearson检验的结果χ2= 745.367，P&0.001&0.05，说明Pearson检验结果为模型拟合不好；而Deviance检验的结果χ2= 232.618，P=0.960&0.05，说明Deviance检验结果为模型拟合好。　　　　这两个统计量对于上述单元格频数为0的比例十分敏感。本例中频数为0的单元格非常多，这两个统计量不一定服从卡方分布，而基于卡方分布计算的P值也不可信，所以本例中这两个检验结果都不可信。　　4. 伪决定系数　　下图给出了三个伪决定系数：Cox and Snell，Nagelkerke和McFadden，这三种方法是最常用的计算伪决定系数的方法。由于三种方法并没有得到广泛的应用，所以我们也不用关注该结果。　　　　5. 模型拟合信息　　Model Fitting Information的结果是对模型中所有自变量的偏回归系数是否全为0的似然比检验。结果χ2=87.911（该值为仅有常数项的模型和最终模型的-2 Log Likelihood值之差），P& 0.001，说明至少有一个自变量的偏回归系数不为0。换句话说，拟合包含biz_owner、politics和age这3个自变量的模型拟合优度好于仅包含常数项的模型。　　　　6. 模型预测准确度　　另一种看模型拟合程度的方法是看模型对因变量的预测情况。在Ordinal Regression: Output对话框中，勾选Saved Variables下方的Estimated response probabilities、Predicted category、Predicted category probability和Actual category probability后，会在SPSS数据集中产生新的变量，如下图所示。　　　　EST1_1、EST2_1、EST3_1和EST4_1分别代表对因变量的四个程度（Strongly Disagree、Disagree、Agree和Strongly Agree） 的预测概率。　　第一行（case 1），可以看到EST1_1、EST2_1、EST3_1和EST4_1相加的概率为1，其中EST1_1的概率最大，为0.44，对应的PRE_1为0（Strongly Disagree），因变量的观察值也是0（Strongly Disagree），此时模型准确的预测了因变量。　　而第三行（case 3），EST1_1、EST2_1、EST3_1和EST4_1中EST3_1最大，预测的PRE_1为2（Agree），而因变量实际的观察值为0（Strongly Disagree），此时模型没有准确的预测因变量。　　那么，如何看出模型预测因变量的程度呢？可以按照下述步骤建立表格。　　(1) 在主界面下选择Analyze&Descriptive Statistics&Crosstabs...　　(2) 将tax_too_high选入Row(s)，将PRE_1选入Column(s),点击Cells。　　　　(3) 在已选的Observed基础上，点击Row&Continue&OK。　　　　(4) 结果如下图。当tax_too_high=0，即为Strongly Disagree时，模型预测正确的有11人（45.8%）。相似的，当tax_too_high分别为Disagree、Agree和Strongly Agree时，模型预测正确的分别有9人（23.7%）、76人（83.5%）和11人（28.2%）。模型预测的总准确度可以通过计算获得，即四个分组中预测正确人数除以总人数=（11+9+76+11）&192=55.7%。　　　　7. 参数估计　　在Parameter Estimates中，得到了回归方程的参数，包括常数项（Estimates或B）及其标准误和95%置信区间等。　　(1)Threshold（常数项）中，第一行tax_too_high=0代表“Strongly Disagree” VS 其它组的累积概率模型的截距；tax_too_high=1代表 “Strongly Disagree”和“Disagree”VS其它组的累积概率模型的截距；tax_too_high=2代表 “Strongly Disagree”、“Disagree”和“Agree” VS“Strongly Agree”的累积概率模型的截距。　　　　(点击图片看大图)　　(2) 除了常数项不同，Location中自变量的系数都是同一个系数，这也是为什么要求有序Logistic回归需要满足比例优势的假设。最终拟合的三个方程如下：　　　　但是Analyze&Regression&Ordinal模块，并不能直接给出OR值及其95%CI，此时可以借助Analyze&Generalized Linear Models&Generalized Linear Models模块计算。该模块的操作见后面第八部分。　　(3) 借助Analyze&Generalized Linear Models&Generalized Linear Models模块得到OR值后，我们得到如下结果：雇主认为“税收过高”的OR值是非雇主的1.944倍（95%CI：1.101-3.431），χ2= 5.255, P = 0.022。　　(4) 以党派3为对照组，党派1认为“税收过高”的OR值是党派3的1.038倍 （95%CI: 0.509-2.116），χ2 = 0.010，P = 0.919；党派2认为“税收过高”的OR值党派3的3.194倍（95%CI: 1.626 -6.277），χ2 = 11.358，P= 0.001。　　这样可以看到党派1 VS 党派3、党派2 VS 党派3的结果，但是没有党派1和党派2比较的结果。此时，可以对Politics重新编码，将党派1编为3，党派3编为1，再进行上述操作，即可得到结果。　　(5) age：年龄每增加一岁，认为税收过高的OR值增加为原来的1.274倍（95%CI：1.196-1.357），χ2 = 56.355，P&0.001。　　七、撰写结论　　运用符合比例优势假设的有序Logistic回归分析是否是雇主、投票选举的党派和年龄对“税收过高”的效应。　　平行线检验的结果为χ2= 8.620，P=0.375，说明比例优势假设存在。Deviance拟合优度检验显示模型拟合好，χ2= 232.618，P=0.960，但是有大部分（63.2%）频数为0的单元格。模型拟合信息显示，本模型优于只有常数项的模型，χ2 = 87.911，P & 0.001。　　雇主认为“税收过高”的OR值是非雇主的1.944倍（95%CI: 1.101-3.431），χ2= 5.255，P=0.022。以党派3为对照组，党派1认为“税收过高”的OR值是党派3的1.038倍 （95%CI: 0.509-2.116），χ2 = 0.010，P= 0.919；党派2认为“税收过高”的OR值党派3的3.194倍（95%CI: 1.626 -6.277），χ2 = 11.358，P=0.001。　　八、利用其它模块计算OR值　　上述Analyze&Regression&Ordinal模块，可以检验 “比例优势”假设，但无法给出OR值和95%CI。而Analyze&Generalized Linear Models&Generalized Linear Models模块可以给出OR值和95%CI。　　1. SPSS操作　　(1) 在主菜单点击Analyze&Generalized Linear Models&Generalized Linear Models。出现Generalized Linear Models对话框后，在Ordinal Response下选择Ordinal logistic。　　　　(2) 点击上方的Response，出现 Response对话框。将tax_too_high选入Dependent Variable，下方的category order行可以选择Ascending或Descending。　　本例中tax_too_high共有四个等级，“0”表示“非常不同意”。如果选择ascending，则“0”是最低的等级；如果选择Descending，则表示“0”为最高的等级。　　　　(3) 点击上方的Predictors，出现Predictors对话框。将biz_owner和politics选入Factors，将age选入Covariates。　　　　(4) 点击上方的Model，出现Model对话框。将biz_owner、politics和age选入右侧的Model中。　　　　(5) 点击Estimation，出现Estimation对话框。在Method中选择Fisher。　　　　(6) 点击Statistics，出现Statistics对话框。在原始设置下，再勾选Print下的Include exponential parameter estimates，勾选该选项会输出OR值及其95%的置信区间，然后点击OK。　　　　2. 结果解释　　Generalized Linear Models模块不会给出单元格信息、伪决定系数和平行线检验结果。模型拟合信息在Ominibus Test表中，该结果与Regression&Ordinal的Model Fitting Information结果一致。　　　　参数估计的OR值和95%CI见下图：　　
特别声明：本文为网易自媒体平台“网易号”作者上传并发布，仅代表该作者观点。网易仅提供信息发布平台。
阅读下一篇
网易通行证/邮箱用户可以直接登录：spss中Logistic回归如何区分协变量和因子？ - 知乎2被浏览849分享邀请回答0添加评论分享收藏感谢收起