第17章 Logistic回归.ppt

Logistic回归是一种统计分析方法，常用于处理因变量为分类变量的情况，特别是在因变量只有两个类别（例如，是/否，成功/失败）时。它与简单线性回归不同，后者适用于连续型变量。Logistic回归的核心在于构建一个概率模型，通过这个模型可以预测事件发生的概率，而非直接预测事件发生的可能性。 17.1 二项分类Logistic回归是Logistic回归最基础的形式，它的应用非常广泛。例如，医学研究中评估治疗方法的效果，或者调查中人们对于某个问题的态度（满意/不满意）。在这个模型中，因变量是二分类的，比如康复/未康复，而自变量可以是连续的，也可以是分类的，如病情严重程度、治疗方法等。在IBM SPSS软件中，可以利用"分析" -> "回归" -> "二元Logistic"来进行此类分析。分析过程中，用户可以选择不同的变量进入模型的方法，如全变量模型、向前条件法、向后条件法等，并通过"保存"和"选项"按钮定制输出内容和模型设置。 在结果解读方面，Logistic回归会提供模型的一般信息，如样本量和缺失值，因变量的编码信息，以及在没有自变量时的预测效果。此外，还会给出自变量的偏回归系数（B）、标准误（SE）、Wald卡方值、自由度（df）、P值（sig）以及OR值及其95%可信区间（CI）。这些指标有助于判断各个自变量对因变量的影响是否显著。 17.2 条件Logistic回归通常用于配对或匹配设计的研究，例如病例-对照研究。在这种情况下，需要控制潜在的混杂因素，以减少它们对结果的影响。由于SPSS没有内置条件Logistic回归的功能，通常会使用分层Cox回归作为替代。 17.3 有序Logistic回归适用于因变量有多个有序类别的情况，例如治疗效果的等级（无效、好转、康复）或疾病的严重程度（轻、中、重）。有序Logistic回归模型能捕捉类别之间的过渡概率，而不仅仅是类别间的区分。 Logistic回归是处理分类变量预测问题的强大工具，它能够处理非线性关系并提供概率解释。在IBM SPSS中，用户可以通过直观的界面和多种选择来执行Logistic回归分析，以深入理解数据背后的模式和关联。