R語言有序多分類Logistic回歸

? ? ? ? 常見的二分類結局變量饺汹,如事件是否發(fā)生力惯、是否死亡等璃俗,我們可以用二分類logistics回歸分析結局變量和自變量因素之間的關系套利,在R語言中也很容易實現(xiàn)推励,結果也非常容易解釋鹤耍。但有時候我們會遇到這樣的結局指標,如病情的嚴重程度吹艇、對服務質量的評價、患者滿意度等昂拂,這些指標都是有序的都分類指標受神,如輕度、中度格侯、重度鼻听;差、一般联四、好等撑碴。此時,如果要探究結局變量的影響因素朝墩,就會用到有序多分類Logistic回歸(Ordinal Logistic Regression)醉拓。這里我們以一個簡單的例子介紹在R中如何進行有序Logistic回歸的分析。

? ? ? ? ? ? ? 我們一個500人的數(shù)據(jù)收苏,變量有年齡(Age)亿卤、性別(Sex)、血壓(blood.pressure)和自評的健康狀況(outcome鹿霸,差排吴、一般、好)懦鼠。要分析自評的健康狀況的影響因素钻哩,我們要用到有序多分類Logistic回歸。在R語言中完成這個過程:

#####載入需要的包

install.packages("MASS")

install.packages("brant")

library(MASS)

library(brant)

###生成模擬數(shù)據(jù)

n <-1000? # define sample size

set.seed(2022) # so can reproduce the results

age? ? ? ? ? ? <- rnorm(n, 60, 10)

blood.pressure <- rnorm(n, 125, 15)

sex? ? ? ? ? ? <- factor(sample(c('female','male'), n,TRUE))

outcome<- factor(sample(c(1,2,3),n,TRUE),levels = c("1","2","3"),

? ? ? ? ? ? ? ? ? labels = c("poor","fair","good"))

data<-data.frame(age,blood.pressure,sex,outcome)

head(data)

#####單因素分析------------

fit0<-polr(ordered(outcome)~ 1, data=data)#####空模型

fit1<-polr(ordered(outcome)~ +sex, data=data)

summary(fit1)


#####平行線檢驗---

brant(fit1) ###p>0.1,滿足平行線檢驗


####檢驗模型整體是否有意義

anova(fit0,fit1)? ####p=0.0687肛冶,接近有意義


#####生成OR街氢、95%CI和P值

#####生成OR、95%CI和P值

OR<-round(exp(fit1$coefficients),2)

CI <- round(exp(confint(fit1)), 2)

CI<-data.frame(CI[1],CI[2])

colnames(CI) <- c("Lower", "Higher")

P <- (pnorm(abs( coef(summary(fit1))[,"t value"]),lower.tail = FALSE)*2)[1]

out<- as.data.frame(cbind(OR, CI, P))

out

#####輸出的即為我們需要的OR睦袖、95%CI和P value

######多因素分析阳仔,方法類似-----------------------------

fit2<-polr(ordered(outcome)~ +sex+age+blood.pressure, data=data)

summary(fit2)


#####平行線檢驗---

brant(fit2) ###p>0.1,三個變量都滿足平行線檢驗


####檢驗模型整體是否有意義

anova(fit0,fit2)?

#####生成OR、95%CI和P值,和單因素的有些區(qū)別

OR_CI<-exp(cbind(OR=coef(fit2),confint(fit2)))

colnames(OR_CI) <- c("OR","Lower", "Higher")

P <- (pnorm(abs( coef(summary(fit2))[,"t value"]),lower.tail = FALSE)*2)

P


#TI

P<-P[1:3] ###提取前三個

out<- as.data.frame(cbind(OR_CI, P))

out


######結果輸出即可

write.table(out, file ="/STR_2.csv", sep = ",",? ? col.names = NA,qmethod = "double",append=TRUE)? ??

? ? ? ? ? ? 得到結果后如何解釋呢扣泊,以性別為例(僅解釋結果近范,先暫時忽略掉其沒有意義),我們可以說:“和女性相比延蟹,男性對自身的健康狀況評價更低 (OR=0.82, 95%CI=0.65-1.02)”评矩,或者是“男性認為自身健康好的OR值是女性的0.82倍 (OR=0.82, 95%CI=0.65-1.02)”。

? ? ? ? ? ?總結以上阱飘,對于有序多分類結局變量斥杜,我們可以用有序多分類Logistic回歸虱颗,但是要滿足平行線假設的條件,如果不滿足的話蔗喂,可以用無序多分類Logistic回歸或者轉化為二分類Logistic回歸忘渔。

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市缰儿,隨后出現(xiàn)的幾起案子畦粮,更是在濱河造成了極大的恐慌,老刑警劉巖乖阵,帶你破解...
    沈念sama閱讀 211,639評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件宣赔,死亡現(xiàn)場離奇詭異,居然都是意外死亡瞪浸,警方通過查閱死者的電腦和手機儒将,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,277評論 3 385
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來对蒲,“玉大人钩蚊,你說我怎么就攤上這事〉赴” “怎么了两疚?”我有些...
    開封第一講書人閱讀 157,221評論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長含滴。 經(jīng)常有香客問我诱渤,道長,這世上最難降的妖魔是什么谈况? 我笑而不...
    開封第一講書人閱讀 56,474評論 1 283
  • 正文 為了忘掉前任勺美,我火速辦了婚禮,結果婚禮上碑韵,老公的妹妹穿的比我還像新娘赡茸。我一直安慰自己,他們只是感情好祝闻,可當我...
    茶點故事閱讀 65,570評論 6 386
  • 文/花漫 我一把揭開白布占卧。 她就那樣靜靜地躺著,像睡著了一般联喘。 火紅的嫁衣襯著肌膚如雪华蜒。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,816評論 1 290
  • 那天豁遭,我揣著相機與錄音叭喜,去河邊找鬼。 笑死蓖谢,一個胖子當著我的面吹牛捂蕴,可吹牛的內容都是我干的譬涡。 我是一名探鬼主播,決...
    沈念sama閱讀 38,957評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼啥辨,長吁一口氣:“原來是場噩夢啊……” “哼涡匀!你這毒婦竟也來了?” 一聲冷哼從身側響起溉知,我...
    開封第一講書人閱讀 37,718評論 0 266
  • 序言:老撾萬榮一對情侶失蹤陨瘩,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后着倾,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體拾酝,經(jīng)...
    沈念sama閱讀 44,176評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡燕少,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 36,511評論 2 327
  • 正文 我和宋清朗相戀三年卡者,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片客们。...
    茶點故事閱讀 38,646評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡崇决,死狀恐怖,靈堂內的尸體忽然破棺而出底挫,到底是詐尸還是另有隱情恒傻,我是刑警寧澤,帶...
    沈念sama閱讀 34,322評論 4 330
  • 正文 年R本政府宣布建邓,位于F島的核電站盈厘,受9級特大地震影響,放射性物質發(fā)生泄漏官边。R本人自食惡果不足惜沸手,卻給世界環(huán)境...
    茶點故事閱讀 39,934評論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望注簿。 院中可真熱鬧契吉,春花似錦、人聲如沸诡渴。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,755評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽妄辩。三九已至惑灵,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間眼耀,已是汗流浹背泣棋。 一陣腳步聲響...
    開封第一講書人閱讀 31,987評論 1 266
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留畔塔,地道東北人潭辈。 一個月前我還...
    沈念sama閱讀 46,358評論 2 360
  • 正文 我出身青樓鸯屿,卻偏偏與公主長得像,于是被迫代替她去往敵國和親把敢。 傳聞我的和親對象是個殘疾皇子寄摆,可洞房花燭夜當晚...
    茶點故事閱讀 43,514評論 2 348

推薦閱讀更多精彩內容