精华内容
下载资源
问答
  • Logistic回归结果回归系数和OR值解读。Logistic回归虽然名字叫”回归”,但却是一种分类学习方法。使用场景大概有两个:第一用来预测,第二寻找因变量影响因素。一 从线性回归到Logistic回归线性回归和Logistic...

    Logistic回归结果的回归系数和OR值解读。Logistic回归虽然名字叫”回归” ,但却是一种分类学习方法。使用场景大概有两个:第一用来预测,第二寻找因变量的影响因素。

    一 从线性回归到Logistic回归

    线性回归和Logistic回归都是广义线性模型的特例。

    假设有一个因变量y和一组自变量x1, x2, x3, ... , xn,其中y为连续变量,我们可以拟合一个线性方程:

    y =β0+β1*x1+β2*x2+β3*x3+...+βn*xn

    并通过最小二乘法估计各个β系数的值。

    如果y为二分类变量,只能取值0或1,那么线性回归方程就会遇到困难: 方程右侧是一个连续的值,取值为负无穷到正无穷,而左侧只能取值[0,1],无法对应。为了继续使用线性回归的思想,统计学家想到了一个变换方法,就是将方程右边的取值变换为[0,1]。最后选中了Logistic函数:

    y = 1 / (1+e-x)

    这是一个S型函数,值域为(0,1),能将任何数值映射到(0,1),且具有无限阶可导等优良数学性质。

    我们将线性回归方程改写为:

    y = 1 / (1+e-z),

    其中,z =β0+β1*x1+β2*x2+β3*x3+...+βn*xn

    此时方程两边的取值都在0和1之间。

    进一步数学变换,可以写为:

    Ln(y/(1-y)) =β0+β1*x1+β2*x2+β3*x3+...+βn*xn

    Ln(y/(1-y))称为Logit变换。我们再将y视为y取值为1的概率p(y=1),因此,1-y就是y取值为0的概率p(y=0),所以上式改写为:

    p(y=1) = ez/(1+ez),

    p(y=0) = 1/(1+ez),

    其中,z =β0+β1*x1+β2*x2+β3*x3+...+βn*xn.

    接下来就可以使用”最大似然法”估计出各个系数β。

    二 odds与OR复习

    odds: 称为几率、比值、比数,是指某事件发生的可能性(概率)与不发生的可能性(概率)之比。用p表示事件发生的概率,则:odds = p/(1-p)。

    OR:比值比,为实验组的事件发生几率(odds1)/对照组的事件发生几率(odds2)。

    三 Logistic回归结果的解读

    我们用一个例子来说明,这个例子中包含200名学生数据,包括1个自变量和4个自变量:

    因变量:  hon,表示学生是否在荣誉班(honors class),1表示是,0表示否;

    自变量:

    female :性别,分类变量,1=女,0=男

    read: 阅读成绩,为连续变量

    write: 写作成绩,为连续变量

    math:数学成绩,为连续变量

    1、不包含任何变量的Logistic回归

    首先拟合一个不包含任何变量的Logistic回归,

    模型为 ln(p/(1-p) =β0

    回归结果如下(结果经过编辑):

    hon

    系数β

    标准误

    P

    截距

    -1.12546

    0.164

    0.000

    这里的系数β就是模型中的β0= -1.12546,

    我们用p表示学生在荣誉班的概率,所以有ln(p/(1-p) =β0= -1.12546,

    解方程得:p = 0.245。

    odds = p/1-p = 0.3245

    这里的p是什么意思呢?p就是所有数据中hon=1的概率。

    我们来统计一下整个hon的数据:

    hon

    例数

    百分比

    0

    151

    75.5%

    1

    49

    24.5%

    hon取值为1的概率p为49/(151+49) = 24.5% = 0.245,我们可以手动计算出ln(p/(1-p) = -1.12546,等于系数β0。可以得出关系:

    β0=ln(odds)。

    2、包含一个二分类因变量的模型

    拟合一个包含二分类因变量female的Logistic回归,

    模型为 ln(p/(1-p)  =β0+β1*female.

    回归结果如下(结果经过编辑):

    hon

    系数β

    标准误

    P

    female

    0.593

    .3414294

    0.083

    截距

    -1.47

    .2689555

    0.000

    在解读这个结果之前,先看一下hon和female的交叉表:

    hon

    female

    Total

    Male

    Female

    0

    74

    77

    151

    1

    17

    32

    49

    Total

    91

    109

    根据这个交叉表,对于男性(Male),其处在荣誉班级的概率为17/91,处在非荣誉班级的概率为74/91,所以其处在荣誉班级的几率odds1=(17/91)/(74/91) = 17/74 = 0.23;相应的,女性处于荣誉班级的几率odds2 = (32/109)/(77/109)=32/77 = 0.42。女性对男性的几率之比OR = odds2/odds1 = 0.42/0.23 = 1.809。我们可以说,女性比男性在荣誉班的几率高80.9%。

    回到Logistic回归结果。截距的系数-1.47是男性odds的对数(因为男性用female=0表示,是对照组),ln(0.23) = -1.47。变量female的系数为0.593,是女性对男性的OR值的对数,ln(1.809) = 0.593。所以我们可以得出关系: OR = exp(β),或者β= ln(OR)(exp(x)函数为指数函数,代表e的x次方)。

    3、包含一个连续变量的模型

    拟合一个包含连续变量math的Logistic回归,

    模型为 ln(p/(1-p)  =β0+β1*math.

    回归结果如下(结果经过编辑):

    hon

    系数β

    标准误

    P

    math

    .1563404

    .0256095

    0.000

    截距

    -9.793942

    1.481745

    0.000

    这里截距系数的含义是在荣誉班中math成绩为0的odds的对数。我们计算出odds = exp(-9.793942) = .00005579,是非常小的。因为在我们的数据中,没有math成绩为0的学生,所以这是一个外推出来的假想值。

    怎么解释math的系数呢?根据拟合的模型,有:

    ln(p/(1-p)) =  - 9.793942  + .1563404*math

    我们先假设math=54,有:

    ln(p/(1-p))(math=54) = - 9.793942 + .1563404 *54

    然后我们把math提高提高一个单位,令math=55,有:

    ln(p/(1-p))(math=55) = - 9.793942 + .1563404 *55

    两者之差:

    ln(p/(1-p))(math=55) - ln(p/1-p))(math = 54) = 0.1563404.

    正好是变量math的系数。

    由此我们可以说,math每提高1个单位,odds(即p/(1-p),也即处于荣誉班的几率)的对数增加0.1563404。

    那么odds增加多少呢?根据对数公式:

    ln(p/(1-p))(math=55) - ln(p/1-p))(math = 54) = ln((p/(1-p)(math=55)/ (p/(1-p)(math=54))) = ln(odds(math=55)/ odds(math=54)) = 0.1563404.

    所以:

    odds(math=55)/ odds(math=54)  =  exp(0.1563404) = 1.169.

    因此我们可以说,math每升高一个单位,odds增加16.9%。且与math的所处的绝对值无关。

    聪明的读者肯定发现,odds(math=55)/ odds(math=54)不就是OR嘛!

    4、包含多个变量的模型(无交互效应)

    拟合一个包含female、math、read的Logistic回归,

    模型为 ln(p/(1-p) = β0+β1*math+β2*female+β3*read.

    回归结果如下(结果经过编辑):

    hon

    系数β

    标准误

    P

    math

    .1229589

    0.000

    female

    0.979948

    0.020

    read

    .0590632

    0.026

    截距

    -11.77025

    0.000

    该结果说明:

    (1) 性别:在math和read成绩都相同的条件下,女性(female=1)进入荣誉班的几率(odds)是男性(female=0)的exp(0.979948) = 2.66倍,或者说,女性的几率比男性高166%。

    (2) math成绩:在female和read都相同的条件下,math成绩每提高1,进入荣誉班的几率提高13%(因为exp(0.1229589) = 1.13)。

    (3)read的解读类似math。

    5、包含交互相应的模型

    拟合一个包含female、math和两者交互相应的Logistic回归,

    模型为 ln(p/(1-p)  =β0+β1*female+β2*math+β3*female *math.

    所谓交互效应,是指一个变量对结果的影响因另一个变量取值的不同而不同。

    回归结果如下(结果经过编辑):

    hon

    系数β

    标准误

    P

    female

    -2.899863

    0.349

    math

    .1293781

    0.000

    female*math

    .0669951

    0.210

    截距

    -8.745841

    0.000

    注意:female*math项的P为0.21,可以认为没有交互相应。但这里我们为了讲解交互效应,暂时忽略P值,姑且认为他们是存在交互效应的。

    由于交互效应的存在,我们就不能说在保持math和female*math不变的情况下,female的影响如何如何,因为math和female*math是不可能保持不变的!

    对于这种简单的情况,我们可以分别拟合两个方程,

    对于男性(female=0):

    log(p/(1-p))= β0 + β2*math.

    对于女性(female=1):

    log(p/(1-p))= (β0 + β1) + (β2 + β3 )*math.

    然后分别解释。

    展开全文
  • 一、背景部分文章在采用多因素Logistic回归分析探讨某种结局发生影响因素的时候,单因素分析部分有的采用的t/卡方检验,有的采用的是单个变量纳入的Logistic回归。二、问题这两类单因素分析方法的区别和联系是什么呢...

    f811884bbdc09cd97883cb8ce6d3dbc8.gif

    一、背景

    5e78b4a0b042b3a265f43d55129caa5d.png5e78b4a0b042b3a265f43d55129caa5d.png

    部分文章在采用多因素Logistic回归分析探讨某种结局发生影响因素的时候,单因素分析部分有的采用的t/卡方检验,有的采用的是单个变量纳入的Logistic回归。

    c9875d29a43affa576d0a82e4709c96d.pngc9875d29a43affa576d0a82e4709c96d.png

    二、问题

    5e78b4a0b042b3a265f43d55129caa5d.png5e78b4a0b042b3a265f43d55129caa5d.png

    这两类单因素分析方法的区别和联系是什么呢?该如何选择呢?

    c9875d29a43affa576d0a82e4709c96d.pngc9875d29a43affa576d0a82e4709c96d.png

    三、解答

    5e78b4a0b042b3a265f43d55129caa5d.png5e78b4a0b042b3a265f43d55129caa5d.png

    1

    相同点

    实际上t/卡方检验的结果和单变量纳入的Logistic回归分析结果的统计量和P是一致的,可以相互换算,大家有兴趣可以自行推导。

    c9875d29a43affa576d0a82e4709c96d.png5e78b4a0b042b3a265f43d55129caa5d.png

    2

    不同点

    采用t/卡方检验只可以回答自变量和因变量之间有无关系,而采用Logistic回归不仅可以回答二者间有无关系,还可以通过OR值来得到相关性的强弱程度,以及得到区间估计95%CI。但是对于定量资料采用t检验的时候可以展示以结局变量为分组时各个组自变量的平均值和标准差,对于定性资料采用卡方检验的时候可以展示各个组的自变量的分布情况(百分比)。因此两类单因素的方法各有所长,只是从不同的角度去为后续多因素Logistic回归变量删选提供依据,各有所长。

    c9875d29a43affa576d0a82e4709c96d.png

    fb5794c167b546e0b6e867b39f133d69.gif

    长按识别二维码,了解更多精彩行程

    d3381f0a84c0398884ed4947f3afcbee.gifae56e8b3a1e8f2259f585d6b6e14aa79.png3df4913cc86565b85af6f75500fdccf2.gif
    展开全文
  • Logistic回归应该说是我们日常生活中应用最多分析方法啦,只要是多因素分析方法,很多情况都会使用logistic回归logistic回归分为条件logistic和非条件logistic,我们日常生活中应用较多应该是非条件logistic...
    1e7af2626bbed086fdf148f0816ff5d9.gif

    Logistic回归应该说是我们日常生活中应用最多的分析方法啦,只要是多因素分析方法,很多情况都会使用logistic回归,logistic回归分为条件logistic和非条件logistic,我们日常生活中应用较多的应该是非条件logistic回归分析,而对于条件logistic回归应用较少,小编也很少遇到条件logistic回归分析,要不是前一阵子一个小伙伴咨询我,我对条件logistic回归也是比较陌生的。本期小编就给大家介绍一下条件logistic回归。

    一、条件logistic回归与非条件logistic回归的区别

    1.条件logistic回归又称配对logistic回归,其主要用于配对资料或分层资料的多因素分析,包括1:1配对资料,1:M配对资料

    :配对资料来源于配对设计,将起始条件(匹配因素)一致的两个试验个体配成对,可设多个配对,每对个体分别随机地给予不同处理,则所得的结果即为配对资料。

    2.非条件logistic回归又称成组logistic回归,其主要用于非配对资料的,即独立的组之间比较的多因素分析。

    二、应用实例

    如调查高血压发病(0=无高血压,1=高血压)和三种生活方式(睡眠状况(好=0,一般=1,不好=2)、身体情况(好=0,一般=1,不好=2)、锻炼情况(经常锻炼=0,偶尔=1,不锻炼=2))的关系。采用1:1配对的病例对照研究形式,根据性别、年龄作为匹配因素,选取健康对照,本次研究共选取30对病例健康对照。数据整理如下。这里的group实际是指一个配对组。Hypertension是因变量,其余为自变量。数据整理如下:

    af3e0b31aa42e56614b9ae6aeffe21a9.png

    三、sas应用实现

    将数据导入sas,命名为数据库a,如上图。

    随后输入以下程序:

    data b; 新建一个临时数据库b.

    set a;调用临时数据库a

    t=1-hypertension;设置哑变量

    run;

    proc phreg data=b;调用条件logistic回归程序

    model t*hypertension(0)=sleep healthy exercise/ties=discrete selection=stepwise sle=0.3 sls=0.25; 建立模型“ties=discrete”表示建立离散的logistic回归,sle和sls表示进入和剔除变量的显著水平。

    strata group; group作为配对的变量。

    run; 运行程序

    如果需要求OR值,只需在model语句后面加risklimits即可。

    四、结果输出

    由于采用的是逐步,所以只输出有意义的,从结果可以看出仅睡眠与高血压发生有关,睡眠质量越不好,越易发生高血压,HR=8.978,95%CI=2.254-35.769。以上是小编自己写的例子,研究结果不能用于大众研究哈!

    3f306245d36aead5f0262d568d46e1b9.png以上便是本期的分享内容啦,如有异议请小伙伴联系我们哈~~
    展开全文
  • 然后建立二元logistic回归方程,可以得到影响因素的OR值。那么如果遇到分类变量,如何进行logistic回归呢?譬如临床疗效分为好,中,差,三类,或者根据指标进行分类,分为高,中,低三类,我用1、2、3代表作为...

    多分类logistic回归

    在临床研究中,接触最多的是二分类数据,如淋巴癌是否转移,是否死亡,这些因变量最后都可以转换成二分类0与1的问题。然后建立二元logistic回归方程,可以得到影响因素的OR值。

    那么如果遇到多分类变量,如何进行logistic回归呢?譬如临床疗效分为好,中,差,三类,或者根据指标进行分类,分为高,中,低三类,我用1、2、3代表作为因变量,进行logistic回归分析。

    image.png

    接下来,该文,主要介绍,如果因变量为三分类变量,如何进行回归分析及机器学习算法对三分类资料的处理。关于原理理论部分可参见;这里主要讲如何在R实现三分类回归,计算系数及p值与OR值

    1.数据案例

    这里主要用到DALEX包里面包含的HR数据,里面记录了职工在工作岗位的状态与年龄,性别,工作时长,评价及薪水有关。根据7847条记录来评估,如果一个职工属于男性,68岁,薪水及评价处于3等级,那么该职工可能会处于什么状态。

    library(DALEX)

    library(iBreakDown)

    library(nnet)

    library(questionr)

    try(data(package="DALEX"))

    data(HR)

    HR= HR %>% as.tbl() %>%

    mutate(evaluation=factor(evaluation),

    salary=factor(salary))

    HR

    ## GLM

    fit = multinom(status ~ . , data = HR, probabilities = TRUE, model = TRUE)

    summary(fit)

    coef(fit)

    > summary(fit)

    Call:

    multinom(formula = status ~ ., data = HR, model = TRUE, probabilities = TRUE)

    Coefficients:

    (Intercept) gendermale age hours evaluation3 evaluation4 evaluation5

    ok -5.47276 0.03437426 0.002594237 0.08305463 -0.07275332 -0.06763166 -0.156932

    promoted -13.10377 0.10391193 0.004277562 0.19697483 -0.11679839 3.49127986 3.290217

    salary1 salary2 salary3 salary4 salary5

    ok 1.543631 2.469598 2.413207 1.758516 -0.09513189

    promoted 1.650777 2.498608 2.435680 1.790657 -0.01215312

    Std. Errors:

    (Intercept) gendermale age hours evaluation3 evaluation4

    ok 0.2407953 0.06427342 0.002784445 0.003669856 0.07434565 0.1061762

    promoted 0.3475852 0.08023646 0.003458588 0.004692886 0.11569077 0.1303817

    evaluation5 salary1 salary2 salary3 salary4 salary5

    ok 0.1077599 0.1199301 0.1227032 0.1219577 0.1212186 0.1371131

    promoted 0.1302725 0.1456579 0.1490790 0.1482045 0.1486752 0.1624046

    Residual Deviance: 10744.64

    AIC: 10792.64

    > coef(fit)

    (Intercept) gendermale age hours evaluation3 evaluation4 evaluation5

    ok -5.47276 0.03437426 0.002594237 0.08305463 -0.07275332 -0.06763166 -0.156932

    promoted -13.10377 0.10391193 0.004277562 0.19697483 -0.11679839 3.49127986 3.290217

    salary1 salary2 salary3 salary4 salary5

    ok 1.543631 2.469598 2.413207 1.758516 -0.09513189

    promoted 1.650777 2.498608 2.435680 1.790657 -0.01215312

    我们构建了三元回归模型,以status中fired为参照,计算ok与promoted中各个因素的系数。

    有了这些系数,我们就可以写出回归方程了,然后再计算各个因素对应的p值

    如,这里的例子介绍了其他因素的系数,然后计算对因变量的方程here

    image.png

    P值

    通过Anova函数,可以输出fit中影响因素的p值,其中hours,evaluation及salary有统计学意义。说明他们对员工在职影响很大。然后进一步计算or值。

    需要借助questionr包中的odds.ratio函数。

    > Anova(fit)

    Analysis of Deviance Table (Type II tests)

    Response: status

    LR Chisq Df Pr(>Chisq)

    gender 1.7 2 0.4299

    age 1.7 2 0.4329

    hours 3464.1 2 <2e-16 ***

    evaluation 2390.2 6 <2e-16 ***

    salary 1132.4 10 <2e-16 ***

    ---

    Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

    > round(odds.ratio(fit),2)

    OR 2.5 % 97.5 % p

    ok/(Intercept) 0.00 0.00 0.01 <2e-16 ***

    ok/gendermale 1.03 0.91 1.17 0.59

    ok/age 1.00 1.00 1.01 0.35

    ok/hours 1.09 1.08 1.09 <2e-16 ***

    ok/evaluation3 0.93 0.80 1.08 0.33

    ok/evaluation4 0.93 0.76 1.15 0.52

    ok/evaluation5 0.85 0.69 1.06 0.15

    ok/salary1 4.68 3.70 5.92 <2e-16 ***

    ok/salary2 11.82 9.29 15.03 <2e-16 ***

    ok/salary3 11.17 8.79 14.19 <2e-16 ***

    ok/salary4 5.80 4.58 7.36 <2e-16 ***

    ok/salary5 0.91 0.69 1.19 0.49

    promoted/(Intercept) 0.00 0.00 0.00 <2e-16 ***

    promoted/gendermale 1.11 0.95 1.30 0.20

    promoted/age 1.00 1.00 1.01 0.22

    promoted/hours 1.22 1.21 1.23 <2e-16 ***

    promoted/evaluation3 0.89 0.71 1.12 0.31

    promoted/evaluation4 32.83 25.43 42.39 <2e-16 ***

    promoted/evaluation5 26.85 20.80 34.66 <2e-16 ***

    promoted/salary1 5.21 3.92 6.93 <2e-16 ***

    promoted/salary2 12.17 9.08 16.29 <2e-16 ***

    promoted/salary3 11.42 8.54 15.27 <2e-16 ***

    promoted/salary4 5.99 4.48 8.02 <2e-16 ***

    promoted/salary5 0.99 0.72 1.36 0.94

    ---

    Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

    参考

    展开全文
  • 分类Logistic回归——因变量是分类变量回归分析 【例】研究者将高血压患者按照其生活习惯分类,分成有抽烟习惯高血压、有饮酒习惯高血压和没有上述两个习惯高血压。同时测量其甘油三酯水平和是否有...
  • 深入解读Logistic回归结果(一):回归系数,OR关键词:Logistic回归分析、lasso回归...一 从线性回归到Logistic回归线性回归和Logistic回归都是广义线性模型特例。假设有一个因变量y和一组自变量x1, x2, x3, … ,...
  • 前面,我们讲了logistic回归,单因素logistic回归分析。今天,我们来讲解一个数据分析全过程,即所谓单因素和多因素分析。案例:分析有生育障碍妇女进行注射HCG后卵巢反应影响因素,研究收集参与者数据有...
  • via:SPSS学习乐园析拟合logistic回归方程步骤和注意事项01应用范围① 适用于流行病学资料危险因素分析② 实验室中药物剂量-反应关系③ 临床试验评价④ 疾病预后因素分析02Logistic 回归分类① 按因变量...
  • 导读在这个复杂世界,因素因素之间往往...五、Logistic回归模型交互效应(一)交互效应定义(二)定性变量间交互效应(三)定性和定量/连续变量交互效应 定性变量和定量变量交互效应可分为两种情况:一种...
  • 流行病学和临床研究中,探索某疾病发病原因或影响因素可以说是最常见一种研究目的,而用于此研究 logistic 回归,也成了流行病学和临床研究中广泛应用方法。上一期“临度科研:数据统计理解和应用(九)...
  • logistic回归

    2018-05-27 00:04:51
    logistic回归又称logistic回归分析,是一种广义线性...然后通过logistic回归分析,可以得到自变量权重,从而可以大致了解到底哪些因素是胃癌危险因素。同时根据该权值可以根据危险因素预测一个人患癌症可能性。
  • 如果我们采用因素对0-1表示某种现象进行因果关系解释,就可能应用到logistic回归Logistic回归分为二值logistic回归logistic回归两类。首先用实例讲述二值logistic回归,然后进一步说明logistic...
  • logistic回归又称logistic回归分析,是一种广义线性回归分析模型,常用于数据挖掘,疾病自动诊断,经济预测等领域。例如,探讨引发疾病危险因素,并根据危险因素预测疾病发生概率等。以胃癌病情分析为例,选择...
  • 原标题:SPSS实例教程:有序分类Logistic回归1、问题与数据在某胃癌筛查项目中,研究者想了解首诊胃癌分期(Stage)与患者经济水平关系,以确定胃癌筛查重点人群。为了避免性别因素对结论混杂影响,研究者将...
  • logistic回归是一种广义线性回归分析模型,常用于疾病诊断、经济预测等领域,主要用途为寻找危险因素(寻找某一疾病危险因素)、预测(不同自变量情况下,某病或某种情况发生概率)和判别(判断某人属于某病或...
  • Logistic回归为概率型非线性回归模型,是研究观察结果与一些影响因素之间关系一种变量分析方法。 虽然名字中带有“回归”二字,但是它是一种常见分类问题方法。 设条件慨率为根据某自变量相对于某事件...
  • 二元Logistic回归

    2020-10-16 22:58:08
    研究分类反应变量与因素之间关系,使用Logistic回归 典型例子:疾病病因 (危险因素)分析 按反应变量分类 二分类:二元Logistic回归 分类无序:多元Logistic回归 分类有序:定序回归 (ordinal ...
  • Logistic回归

    2017-08-20 11:59:50
    Logistic回归为概率型非线性回归模型,是研究二分类观察结果与一些影响因素之间关系一种 变量分析方法。通常问题是,研究某些因素条件下某个结果是否发生,比如医学中根据病人一些症状来判断它是 否患有...
  • 本案例侧重于研究多因素协同作用下的居民出行选择行为,通过建立多元logistic回归模型分析对出行者选择交通方式具有显著影响的因素,定量显示各影响因素的影响程度大小以及各类出行者的选择意向变化率。通过计算各类...
  • 方法:对586例PICC导管插入患者数据进行回顾性分析,然后对肿瘤患者一般数据和导管插入数据进行单变量分析,将具有统计学意义单因素数据纳入多因素Logistic回归模型中。分析。 结果:PICC导管相关血流感染...
  • 案例(案例来源:中华护理杂志2018年10期)关于轻度认知障碍(MCI)老年人精神行为症状及影响因素的调查研究。关于轻度认知障碍(MCI)老年人精神行为症状及影响因素的调查研究。方法:采用神经精神问卷(NPI-Q)知情者版,...
  • Logistic 回归分类:① 按因变量资料类型分:二分类logitic回归分析 {二元logistic回归分析}有序分类logitic回归分析 {有序分类logistic回归分析}无序分类logistic回归分析{无序分类...
  • logistic回归简介

    千次阅读 2014-03-04 19:57:11
    Logistic回归为概率型非线性回归模型,是研究分类观察结果y与一些影响因素x(单变量,变量都可以)之间关系一种变量分析方法 。   二、与线性回归关系 logistic回归与多重线性回归实际上有很相同之处...
  • logistic回归学习

    千次阅读 2013-12-30 16:11:54
    logistic回归为概率型非线性回归模型,是研究分类观察结果(y)与一些影响因素(x)之间关系的一种变量分析方法 可解决的问题: 因变量为二分类的称为二项...两元因变量的logistic回归模型方程讲解 一个自变量与Y
  • 在上一期我们讲了logistic回归分析的策略,有很读者朋友反馈理解比较困难,所以本我们用一个案例来解析一下神奇的logistic回归,希望能帮助大家理解。例:某研究观察某基因对糖尿病抑郁的影响,选择了132名抑郁&...

空空如也

空空如也

1 2 3 4 5 ... 11
收藏数 210
精华内容 84
关键字:

多因素的logistic回归