一文讀懂條件Logistic回歸

在醫(yī)學(xué)研究中哟楷,為了控制一些重要的混雜因素,經(jīng)常會把病例和對照按年齡徊件,性別等條件進(jìn)行配對,形成多個(gè)匹配組蒜危。各匹配組的病例數(shù)和對照人數(shù)是任意的虱痕,比如一個(gè)病例和若干個(gè)對照匹配即1:1,在醫(yī)學(xué)上稱作“1:1病歷對照研究”,常見還有1:M(M <=3),即1個(gè)病例和1或2或3個(gè)對照匹配断楷。


病歷對照研究或者傾向得分匹配研究(一種將研究數(shù)據(jù)處理成‘隨機(jī)對照實(shí)驗(yàn)數(shù)據(jù)’的方法)中常使用條件Logistic回歸進(jìn)行分析。其與普通的二元logistic回歸區(qū)別在于新思,多出配對ID,即將配對組納入考慮范疇赘风。


1夹囚、案例背景

某北方城市研究喉癌發(fā)病的危險(xiǎn)因素,使用1:2匹配的病例對照研究方法進(jìn)行調(diào)查邀窃。共有25對配對數(shù)據(jù)(每對3個(gè)荸哟,即25*3=75行數(shù)據(jù))。現(xiàn)研究兩個(gè)影響因素分別是:是否吸煙和是否有癌癥家族史。數(shù)據(jù)格式(部分)如下表:


提示:

條件logistic回歸時(shí)鞍历,數(shù)據(jù)中一定需要記錄配對編號舵抹,比如1:2的配對(1個(gè)病例配對2個(gè)對照,且共有20個(gè)組堰燎,組別編號從1到20掏父,那么同時(shí)會有3個(gè)1笋轨,3個(gè)2秆剪,3個(gè)3,類似下去)爵政,而且在分析時(shí)將配對編號放入對應(yīng)框中仅讽。


配對編號ID:共有25對配對,編號從1~25钾挟,每個(gè)數(shù)字會重復(fù)3次(分別對應(yīng)病例或?qū)φ战M)洁灵;

Y是否患喉癌:數(shù)字1表示病例組即患喉癌,數(shù)字0表示對照組即沒有患喉癌掺出;

X1是否吸煙:數(shù)字1表示吸煙徽千,數(shù)字0表示不吸煙;

X2癌癥家族史:數(shù)字1表示有家族患喉癌史汤锨,數(shù)字0表示沒有家族患喉癌史双抽。


在做條件logistic回歸時(shí),因變量只能為0和1二分類數(shù)據(jù)闲礼。數(shù)字中只能包括0和1牍汹,如果不是,可使用[數(shù)據(jù)處理]->[數(shù)據(jù)編碼]進(jìn)行設(shè)置柬泽。



2慎菲、操作

本例子操作截圖如下:


3、結(jié)果分析

SPSSAU共輸出三個(gè)表格锨并,分別是:“條件logit回歸模型似然比檢驗(yàn)結(jié)果”露该,“條件logit回歸模型分析結(jié)果匯總”,“條件logit回歸模型分析結(jié)果匯總”第煮。


?第一個(gè)表格:條件logit回歸模型似然比檢驗(yàn)結(jié)果

模型似然比檢驗(yàn)有决,用于分析模型是否有效;


在分析上空盼,首先需要模型通過似然比檢驗(yàn)书幕,其原定假設(shè)為不加入X和加入X模型無明顯差異,如果對應(yīng)的p值小于0.05揽趾,意味著拒絕原假設(shè)台汇,也即說明模型有意義。

從上表可知:此處模型檢驗(yàn)的原定假設(shè)為:是否放入自變量(X1是否吸煙, X2癌癥家族史)兩種情況時(shí)模型質(zhì)量均一樣;從上表可知苟呐,模型拒絕原定假設(shè)(chi=6.319痒芝,p=0.042 <0.05),即說明本次構(gòu)建模型時(shí)牵素,放入的自變量具有有效性严衬,本次模型構(gòu)建有意義。


②?第二個(gè)表格:條件logit回歸模型分析結(jié)果匯總

包括模型的回歸系數(shù)笆呆,R方值等數(shù)據(jù)请琳;

從上表可知:模型McFadden R方值為0.115,意味著是否吸煙, 癌癥家族史共2項(xiàng)可解釋是否患喉癌的11.5%原因赠幕。

具體來看:X1是否吸煙的回歸系數(shù)值為1.243俄精,并且呈現(xiàn)出0.05水平的顯著性(z=2.322,p=0.020 <0.05)榕堰,意味著X1是否吸煙會對Y是否患喉癌產(chǎn)生顯著的正向影響關(guān)系竖慧。以及 (RR值,exp(b)值)為3.465(95% CI:1.214~9.892)逆屡,意味著相對不吸煙群體圾旨,吸煙群體患喉癌的風(fēng)險(xiǎn)倍數(shù)會加大3.465倍。

X2癌癥家族史的回歸系數(shù)值為-0.184魏蔗,但是并沒有呈現(xiàn)出顯著性(z=-0.365砍的,p=0.715>0.05),意味著是否有癌癥家族史并不會對患喉癌產(chǎn)生影響沫勿。


4挨约、總結(jié)

分析過程涉及以下幾個(gè)關(guān)鍵點(diǎn):

(1)條件logistic回歸時(shí),數(shù)據(jù)中一定需要記錄下配對編號产雹,比如1:2的配對(1個(gè)病例配對2個(gè)對照诫惭,且共有20個(gè)組,組別編號從1到20蔓挖,那么同時(shí)會有3個(gè)1夕土,3個(gè)2,3個(gè)3瘟判,類似下去)怨绣,而且在分析時(shí)將配對編號放入對應(yīng)框中。

(2)條件logistic回歸時(shí)拷获,因變量只能為0和1二分類數(shù)據(jù)篮撑,數(shù)字中只能包括0和1,如果不是匆瓜,可使用數(shù)據(jù)處理->數(shù)據(jù)編碼進(jìn)行設(shè)置赢笨。


?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末未蝌,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子茧妒,更是在濱河造成了極大的恐慌萧吠,老刑警劉巖,帶你破解...
    沈念sama閱讀 217,734評論 6 505
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件桐筏,死亡現(xiàn)場離奇詭異纸型,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)梅忌,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,931評論 3 394
  • 文/潘曉璐 我一進(jìn)店門狰腌,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人铸鹰,你說我怎么就攤上這事癌别≡聿恚” “怎么了蹋笼?”我有些...
    開封第一講書人閱讀 164,133評論 0 354
  • 文/不壞的土叔 我叫張陵,是天一觀的道長躁垛。 經(jīng)常有香客問我剖毯,道長,這世上最難降的妖魔是什么教馆? 我笑而不...
    開封第一講書人閱讀 58,532評論 1 293
  • 正文 為了忘掉前任逊谋,我火速辦了婚禮,結(jié)果婚禮上土铺,老公的妹妹穿的比我還像新娘胶滋。我一直安慰自己,他們只是感情好悲敷,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,585評論 6 392
  • 文/花漫 我一把揭開白布究恤。 她就那樣靜靜地躺著,像睡著了一般后德。 火紅的嫁衣襯著肌膚如雪部宿。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,462評論 1 302
  • 那天瓢湃,我揣著相機(jī)與錄音理张,去河邊找鬼。 笑死绵患,一個(gè)胖子當(dāng)著我的面吹牛雾叭,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播落蝙,決...
    沈念sama閱讀 40,262評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼织狐,長吁一口氣:“原來是場噩夢啊……” “哼作煌!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起赚瘦,我...
    開封第一講書人閱讀 39,153評論 0 276
  • 序言:老撾萬榮一對情侶失蹤粟誓,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后起意,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體鹰服,經(jīng)...
    沈念sama閱讀 45,587評論 1 314
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,792評論 3 336
  • 正文 我和宋清朗相戀三年揽咕,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了悲酷。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 39,919評論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡亲善,死狀恐怖设易,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情蛹头,我是刑警寧澤顿肺,帶...
    沈念sama閱讀 35,635評論 5 345
  • 正文 年R本政府宣布,位于F島的核電站渣蜗,受9級特大地震影響屠尊,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜耕拷,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,237評論 3 329
  • 文/蒙蒙 一讼昆、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧骚烧,春花似錦浸赫、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,855評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至凭戴,卻和暖如春涧狮,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背么夫。 一陣腳步聲響...
    開封第一講書人閱讀 32,983評論 1 269
  • 我被黑心中介騙來泰國打工者冤, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人档痪。 一個(gè)月前我還...
    沈念sama閱讀 48,048評論 3 370
  • 正文 我出身青樓涉枫,卻偏偏與公主長得像,于是被迫代替她去往敵國和親腐螟。 傳聞我的和親對象是個(gè)殘疾皇子愿汰,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,864評論 2 354

推薦閱讀更多精彩內(nèi)容

  • Logistic回歸分析(logit回歸)一般可分為3類困后,分別是二元Logistic回歸分析、多分類Logisti...
    spssau閱讀 1,981評論 0 12
  • 導(dǎo)語:影響關(guān)系研究是所有研究中最為常見的衬廷。我們都知道當(dāng)Y是定量數(shù)據(jù)時(shí)摇予,線性回歸可以用來分析影響關(guān)系。如果現(xiàn)在想對某...
    spssau閱讀 85,281評論 0 23
  • 在研究X對于Y的影響時(shí)吗跋,如果Y為定量數(shù)據(jù)侧戴,那么使用多元線性回歸分析(SPSSAU通用方法里面的線性回歸);如果Y為...
    spssau閱讀 5,988評論 0 15
  • 本文實(shí)現(xiàn)邏輯回歸的方法主要使用R語言 logistic屬于預(yù)測性模型跌宛。 預(yù)測性模型能夠幫助銷售部門酗宋,提高銷售活動(dòng)的...
    DTAnalystLi閱讀 14,652評論 1 7
  • 黑色的海島上懸著一輪又大又圓的明月蜕猫,毫不嫌棄地把溫柔的月色照在這寸草不生的小島上。一個(gè)少年白衣白發(fā)哎迄,悠閑自如地倚坐...
    小水Vivian閱讀 3,108評論 1 5