資源描述：
《分類資料的logistic回歸分析spss》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、SPSS?10.0高級教程十三：分類資料的Logistic回歸分析?(2009-02-0515:32:54)轉(zhuǎn)載▼所謂Logistic模型，或者說Logistic回歸模型，就是人們想為兩分類的應變量作一個回歸方程出來，可概率的取值在0~1之間，回歸方程的應變量取值可是在實數(shù)集中，直接做會出現(xiàn)0~1范圍之外的不可能結(jié)果，因此就有人耍小聰明，將率做了一個Logit變換，這樣取值區(qū)間就變成了整個實數(shù)集，作出來的結(jié)果就不會有問題了，從而該方法就被叫做了Logistic回歸。隨著模型的發(fā)展，Logistic家族也變得人丁興旺起來，除了最早的兩分類Logistic外，還有配對
2、Logistic模型，多分類Logistic模型、隨機效應的Logistic模型等。由于SPSS的能力所限，對話框只能完成其中的兩分類和多分類模型，下面我們就介紹一下最重要和最基本的兩分類模型。10.3.1界面詳解與實例例11.1某研究人員在探討腎細胞癌轉(zhuǎn)移的有關(guān)臨床病理因素研究中，收集了一批行根治性腎切除術(shù)患者的腎癌標本資料，現(xiàn)從中抽取26例資料作為示例進行l(wèi)ogistic回歸分析（本例來自《衛(wèi)生統(tǒng)計學》第四版第11章）。·i：標本序號·x1：確診時患者的年齡(歲)·x2：腎細胞癌血管內(nèi)皮生長因子(VEGF)，其陽性表述由低到高共3個等級?·x3：腎細胞癌組織內(nèi)
3、微血管數(shù)(MVC)?·x4：腎癌細胞核組織學分級，由低到高共4級?·x5：腎細胞癌分期，由低到高共4期?·y：腎細胞癌轉(zhuǎn)移情況(有轉(zhuǎn)移y=1;無轉(zhuǎn)移y=0)。??i?x1?x2?x3?x4?x5?y1?59?2?43.4?2?1?02?36?1?57.2?1?1?03?61?2?190?2?1?04?58?3?128?4?3?15?55?3?80?3?4?16?61?1?94.4?2?1?07?38?1?76?1?1?08?42?1?240?3?2?09?50?1?74?1?1?010?58?3?68.6?2?2?011?68?3?132.8?4?2?012?25
4、?2?94.6?4?3?113?52?1?56?1?1?014?31?1?47.8?2?1?015?36?3?31.6?3?1?116?42?1?66.2?2?1?017?14?3?138.6?3?3?118?32?1?114?2?3?019?35?1?40.2?2?1?020?70?3?177.2?4?3?121?65?2?51.6?4?4?122?45?2?124?2?4?023?68?3?127.2?3?3?124?31?2?124.8?2?3?025?58?1?128?4?3?026?60?3?149.8?4?3?1在菜單上選擇Analyze==》Regr
5、ession==》BinaryLogistic...，系統(tǒng)彈出Logistic回歸對話框如下：左側(cè)是候選變量框，右上角是應變量框，選入二分類的應變量，下方的Covariates框是用于選入自變量的，只不過這里按國外的習慣被稱為了協(xié)變量。兩框中間的是BLOCK系列按扭，我在上一課已經(jīng)講過了，不再重復。中下部的>a*b>框是用于選入交互作用的，和其他的對話框不太相同（我也不知道為什么SPSS偏在這里做得不同），下方的Method列表框用于選擇變量進入方法，有進入法、前進法和后退法三大類，三類之下又有細分。最下面的四個按鈕比較重要，請大家聽我慢慢道來：·Select>>
6、鈕：用于限定一個篩選條件，只有滿足該條件的記錄才會被納入分析，單擊它后對話框會展開讓你填入相應的條件。不過我覺得該功能純屬多余，和專門的Select對話框的功能重復了?！ategorical鈕：如果你的自變量是多分類的（如血型等），你必須要將它用啞變量的方式來分析，那么就要用該按鈕將該變量指定為分類變量，如果有必要，可用里面的選擇按鈕進行詳細的定義，如以哪個取值作為基礎(chǔ)水平，各水平間比較的方法是什么等。當然，如果你弄不明白，不改也可以，默認的是以最大取值為基礎(chǔ)水平，用Deviance做比較。oSave鈕：將中間結(jié)果存儲起來供以后分析，共有預測值、影響強度因子和殘
7、差三大類。oOptions鈕：這一部分非常重要，但又常常被忽視，在這里我們可以對模型作精確定義，還可以選擇模型預測情況的描述方式，如StatisticsandPlots中的Classificationplots就是非常重要的模型預測工具，Correlationsofestimates則是重要的模型診斷工具，Iterationhistory可以看到迭代的具體情況，從而得知你的模型是否在迭代時存在病態(tài)，下方則可以確定進入和排除的概率標準，這在逐步回歸中是非常有用的。好，根據(jù)我們的目的，應變量為Y，而X1~X5為自變量，具體的分析操作如下：1.Analyze==》Reg
8、ressi
