一、?實驗?zāi)康?/p>

?掌握二元Logistic回歸分析的基本思想和具體操作，能讀懂分析結(jié)果，并寫出回歸方程，對回歸方程進(jìn)行各種統(tǒng)計檢驗。

?

二、?實驗題目

?某研究人員在探討腎細(xì)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(biāo)本資料，現(xiàn)從中抽取26例資料作為示例進(jìn)行l(wèi)ogistic回歸分析。

數(shù)據(jù)和變量說明如下：

·x1：確診時患者的年齡(歲)

·x2：腎細(xì)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(xì)胞癌組織內(nèi)微血管數(shù)(MVC)?

·x4：腎癌細(xì)胞核組織學(xué)分級，由低到高共4級?

·x5：腎細(xì)胞癌分期，由低到高共4期?

y： 腎細(xì)胞癌轉(zhuǎn)移情況(有轉(zhuǎn)移y=1; 無轉(zhuǎn)移y=0)

三、實驗步驟和結(jié)果分析

?所謂Logistic模型，或者說Logistic回歸模型，就是人們想為兩分類的應(yīng)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(yīng)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Logistic模型，多分類Logistic模型、隨機(jī)效應(yīng)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

?

運行軟件，輸入數(shù)據(jù)

選擇菜單分析>回歸>二元logistic，彈出線性回歸參數(shù)設(shè)置窗口

因變量：腎細(xì)胞癌轉(zhuǎn)移情況

協(xié)變量：x1,x2,x3,x4,x5

方法：向前：條件

（在指向協(xié)變量的箭頭下面，有個小按鈕a*b，其作用是用來選擇交互項）

勾選概率，組成員，標(biāo)準(zhǔn)化，杠桿值，包含協(xié)方差矩陣

點擊繼續(xù)，打開選項對話框

勾選分類圖Hosmer-Lemeshow擬合度（H）（協(xié)變量有連續(xù)型的，或者小樣本）

輸出——在每一個步驟中

下圖第一個表記錄處理情況匯總，即有多少例記錄被納入分析

此處不存在缺失值，共26條記錄

第二個表為應(yīng)變量分類情況表

第三個表已經(jīng)開始擬合，block 0擬合的是只有常數(shù)的無效模型，為分類預(yù)測表，可見在17例觀察值為0的記錄中，共有17例被預(yù)測為0,9例1也被預(yù)測為0，總預(yù)測準(zhǔn)確率為65.4%，這是不納入任何解釋變量時的預(yù)測準(zhǔn)確率

下圖第一個表為block 0時的變量系數(shù)，可見常數(shù)的系數(shù)值為-0.636

第二個表為在block 0處尚未納入分析方程的候選變量，所做的檢驗表示如果分別將他們納入方程，則方程的改變是否會有顯著意義，由此可見，x2的啞變量納入方程的改變是有顯著意義的，x4，x5也一樣

第三個表開始block 1的擬合，根據(jù)設(shè)定，采用的方法為向前進(jìn)步，3表為全局檢驗，這6個檢驗都是有意義的

第四個表為模型概況匯總，從步驟一到二，18降到11，兩種決定系數(shù)也都有上升

下圖第一個表為方程中的變量檢驗情況列表，分別給出步驟一、二的擬合情況，x4的P值略大于0.05，但任然是可以接受的，因為這里用到的是排除標(biāo)準(zhǔn)（默認(rèn)為0.1），該變量可以留在方程中。以步驟二的x2為例，其系數(shù)為2.413，OR值為11

只引入x2時的預(yù)測圖，0和1代表實際取值，當(dāng)預(yù)測的概率值大于0.5時，則預(yù)測結(jié)果為1，反之為0。由下圖可見，該模型對0的預(yù)測較好，多數(shù)概率都在0附近，但對1的不好，即使是正確的，計算出的概率也在0.8左右，并且出錯較多

這個預(yù)測結(jié)果有了較大的改善，概率精度提高了很多，出錯率較低，從分布上看，一例可能是極端情況，在引入其他變量也不見得能將預(yù)測效果改變什么

（截圖帶有個人信息的命名地方截掉了要么馬賽克請見諒）

實驗報告，參考頗多，如有失誤，歡迎指出