单因素Logistic回归与多因素Logistic的关系、SPSS操作及结果解读 |
您所在的位置:网站首页 › 二元logistic回归 › 单因素Logistic回归与多因素Logistic的关系、SPSS操作及结果解读 |
一、单因素logistic回归与多因素logistic回归的关系 使用logistic回归的前提:因变量是逻辑变量,即0-1变量或1-2-3顺序变量。若因变量是连续变量,则需要用多重线性回归。 单因素分析主要用于初步判断哪些因素对随访结局有影响,一次统计只分析一个变量;多因素分析则常常是在单因素分析的基础上,对所有可能的影响因素进行一次性的分析。在操作上的差别,只是在于自变量的个数。 另外,单因素分析的结果会受到混杂因素的影响,往往不是很可靠;多因素分析能校正各种混杂因素的影响,结果更加可信。 二、在单因素分析和多因素分析后,下一步如何处理?单因素结果显著,多因素结果显著→将该变量纳入模型单因素结果不显著,多因素结果不显著→将该变量剔出模型单因素结果不显著,多因素结果显著→进行相关性和共线性分析单因素结果显著,多因素结果不显著→对变量进行PSM倾向得分匹配处理 or 扩大样本量(控制混杂因素)三、单因素logistic回归的SPSS操作及结果解读第一步:将Excel中的数据导入到SPSS中:【文件-导入数据】→【Excel】3.1 前面的结果不用看,直接来到【霍斯默-莱梅肖检验】,根据P值判断模型的优劣(P>0.05,说明模型比较好)。对此结果的表述:该模型建模中,卡方值=6.48,P=0.594>0.05,模型建立良好。同时,【模型系数的Omnibus检验】中的【模型】对应的P=0.000,也能说明模型建立良好,此处可说可不说。 3.2 看模型的预测率。下表数据显示设定模型的预测正确率为84.5%,这算是高的,如果在50%以下就说明这个模型设定的就没什么意义。 3.3 看最终结果。B列是模型的系数,瓦尔德即卡方值,显著性即P值,P1的是危险因素,0 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |