SPSS软件在医学科研中的应用-Logistic回归分析

线性回归是很重要的一种回归方法，但是线性回归只适用于因变量为连续型变量的情况，那如果因变量为分类变量呢？比方说我们想预测某个病人会不会痊愈，顾客会不会购买产品，等等，这时候我们就要用到logistic 回归分析了。

Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。

还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。

欧阳光明（2021.03.07）二值logistic回归：选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。

有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。

把你的自变量选到协变量的框框里边。

细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。

我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有交互效应。

那么我们为了模型的准确，就把这个交互效应也选到模型里去。

我们在右边的那个框框里选择变量a，按住ctrl，在选择变量b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变量就出现在协变量的框框里了，就是我们的交互作用的变量。

然后在下边有一个方法的下拉菜单。

默认的是进入，就是强迫所有选择的变量都进入到模型里边。

除去进入法以外，还有三种向前法，三种向后法。

一般默认进入就可以了，如果做出来的模型有变量的p值不合格，就用其他方法在做。

多因素logistic回归分析spssLogistic回归分析是一种用来研究影响离散变量的因素的方法，该方法的输出是一个logistic模型，这一模型可以用于预测变量的值，即预测该变量的值有多高的概率会取各种可能的取值。

简言之，logistic回归分析的主要目的是把客观的结果（例如，是否改变某个政策，是否感染某种疾病等）变成可预测的离散变量，以便分析影响客观结果的各种因素。

Spss可以提供多因素logistic回归分析，这种分析可用于识别影响离散变量（例如，是否改变某个政策，是否感染某种疾病等）的多个因素之间的关联。

该分析需要有一个组合变量作为自变量，以及一个离散变量作为因变量。

例如，如果您要研究性别和年龄两个因素如何影响某种疾病的发生率，那么性别和年龄两个因素就是组合变量，而疾病的发生率则是因变量。

1.建立变量和分类（上述示例中需要建立性别和年龄两个变量，以及分类变量的可能的取值）。

2.执行logistic回归分析。

打开spss，并在“分析”菜单中打开多元分析，然后点击“逻辑回归”，并选择您要研究的变量和分类。

3.生成回归模型和检验其统计学意义。

在spss中，您可以使用类似“回归系数”之类的描述性统计学方法来估算回归模型，并可以使用“p-值”来判断回归模型中各变量的统计学意义。

4.Interpret模型。

根据p值判断各变量的统计学意义，进而分析影响离散变量的多个因素之间的关联。

四、总结Logistic回归分析是一种用来研究影响离散变量的因素的方法，spss可以提供多因素logistic回归分析，这种分析可用于识别影响离散变量的多个因素之间的关联，spss中步骤：建立变量和分类，执行logistic回归分析，生成回归模型和检验其统计学意义，Interpret模型。

SPSS的Logistics回归实验⽬的学会使⽤SPSS的简单操作，Logistic回归。

实验要求使⽤SPSS。

实验内容实验步骤 （1）⼆项分类Logistic回归SPSS分析，使⽤Hosmer和Lemeshow于1989年研究低出⽣体重婴⼉的影响因素作为演⽰例⼦。

结果变量为“是否娩出低出⽣体重⼉”，考虑影响因素有8个，详见Logistics_step.sav⽂件。

本例题主要演⽰“⾃变量的筛选与逐步回归”。

操作如下：点击【分析】→【回归】→【⼆元Logistics回归】，在打开的对话框中，把待结果变量LOW选⼊【因变量】中，将变量LWT,AGE,SMOKE,PTL,HT,UI,FTV,RACE选⼊【协变量】中。

点击【分类】，把RACE选⼊【分类协变量】→【第⼀个】→【变化量】→【继续】，【块】⾥的【⽅法（M）】选【向前：LP】，【选项】→【Exp（B）的置信区间】→【继续】，单击【运⾏】。

主要分析结果如下：分类变量编码频率参数编码(1)(2)种族⽩⼈96.000.000⿊⼈26 1.000.000其他种族67.000 1.000 上表输出race在产⽣哑变量时的编码情况，以⽩⼈为参照⽔平。

未包括在⽅程中的变量得分⾃由度显著性步骤 0变量产妇体重 4.6161.032产妇年龄 2.4071.121产妇在妊娠期间是否吸烟 4.9241.026本次妊娠前早产次数7.2671.007是否患有⾼⾎压 4.3881.036应激性 4.2051.040随访次数.9341.334种族 5.0052.082种族(1) 1.7271.189种族(2) 1.7971.180总体统计29.1409.001 输出的是拟合包含常数项和任⼀⾃变量的Logistics回归模型检验统计量、⾃由度及P值。

其中race产⽣两个哑变量，因此其总⾃由度为2。

由上表可以发现，本次妊娠前早产次数（ptl）的score统计量最⼤，P=0.007，⼩于SPSS默认选⼊变量的标准（0.05）因此下⼀步将它⾸先选⼊模型。

SPSS 二分类的Logistic 回归的操作和分析方法二分类指的是因变量的数据只有两个值，代表事物的两种类别， 典型的二分类变量如性别、是否患病等。

因变量为二分变量原则上是 无法做回归的，在回归方程中的因变量实质上是概率，而不是变量本 身。

在理解二分类变量以后，我们看看如何做二分类变量的logistic 回归。

1 .打开数据以后，菜单栏上依次点击： analyse --regression --binary logistic ，打开二分回归对话框2 .将因变量和自变量放入格子的列表里，如图所示，上面的是因变 量，下面的是自变量，我们看到这里有三个自变量pre 1courtpre卜 卜EJ Pa ri 即 u sei.P1自中叫5口同”“LvaisTic好 Io ■网 □N W□imsnstcri RfrdddiMNonparaTTietrtc Tests Foi ■白MuH0lalfflpul3&on Deiscriplrve SI 挑助聪LfiOli ncaf - Neuf-31 nuHlpEa ResponseMissing value AnaJisis. EH 必占律蛉的国q 商本 Ublik^s 时小如M Wflftdaw HOI LFl[« Edi! View工陷 nW"" ATiilyrtCam pl«i £aEpl 骷与Opsin al Scaling (CALREGJp..R 蜜GertEralized LinearMatfcIs 卜 Mbosti ModelsRlNafllin&af .曲：AT.r+ci HC] 2^^161；! Sfiiisrcs.tosnpareGeneral LinearMMml 48?B6Ci3强理 G"一四忙—一 3 La,43W8口 AutoioaticUn^r ModjeliFig..M 二1 Linear...国 guive EslirnatiCin...C>ep«n (lferit3 .设置回归方法，这里选择最简单的方法：enter ,它指的是将所有的 变量一次纳入到方程。

Logistic回归在医学中应用摘要Logistic回归模型是一种概率模型，适合于病例—对照研究、随访研究和横断面研究，且结果发生的变量取值必须是二分的或多项分类。

可用影响结果变量发生的因素为自变量与因变量，建立回归方程。

logistic回归分析的特点之一是参数意义清楚，即得到某一因素的回归系数后，可以很快估计出这一因素在不同水平下的优势比或近似相对危险度，因此非常适合于流行病学研究。

本文在spss 环境下利用logistic回归方法分析南非心脏病与那些因素有关。

关键词：Logistic回归；心脏病一、引言Logistic回归（logistic regression）属于概率型非线性回归，是分析反应变量为独立分类资料的常用统计分析方法，由于对资料的正态性和方差齐性不做要求、对自变量类型也不做要求等，使得近年来Logistic回归模型在医学研究各个领域被广泛用，如流行病学、病因学的队列研究、病例对照研究，临床诊断的判别模型，治疗效果评价等。

Logistic回归在单独面对医学领域日益庞大和复杂多变的数据信息时，往往受到一定的限制，无法使数据信息得到充分利用，应用不当还会得出错误结论。

因此随着统计学方法的不断发展和新的统计学方法的出现，Logistic回归在越来越多的医学研究的文献资料中常常不再独自出现，而是与其他方法相互结合取长补短，充分利用资料中的信息，从而得出相对正确的结论。

本研究将对近几年Logistic回归在医学研究中与其他方法相互结合及比较应用作简要介绍。

Logistic回归模型是一种概率模型，它是以疾病，死亡等结果发生的概率为因变量，影响疾病发生的因素为自变量建立回归模型。

它特别适用于因变量为二项，多项分类的资料。

在临床医学中多用于鉴别诊断，评价治疗措施的好坏及分析与疾病愈后有关的因素等。

心脏病学是研究心脏疾病的医疗学科，它是一门既年轻又古老的医疗学科。

古老是因为心脏病学起源较早，年轻是因为心脏病学发展比较缓慢，21世纪以后来取得突飞猛进的发展。

Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。

还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。

二值logistic回归：选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。

有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。

把你的自变量选到协变量的框框里边。

细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。

我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有交互效应。

那么我们为了模型的准确，就把这个交互效应也选到模型里去。

我们在右边的那个框框里选择变量a，按住ctrl，在选择变量b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变量就出现在协变量的框框里了，就是我们的交互作用的变量。

然后在下边有一个方法的下拉菜单。

默认的是进入，就是强迫所有选择的变量都进入到模型里边。

除去进入法以外，还有三种向前法，三种向后法。

一般默认进入就可以了，如果做出来的模型有变量的p值不合格，就用其他方法在做。

再下边的选择变量则是用来选择你的个案的。

一般也不用管它。

选好主面板以后，单击分类（右上角），打开分类对话框。

在这个对话框里边，左边的协变量的框框里边有你选好的自变量，右边写着分类协变量的框框则是空白的。

你要把协变量里边的字符型变量和分类变量选到分类协变量里边去（系统会自动生成哑变量来方便分析，什么事哑变量具体参照前文）。

利用SPSS 进行Logistic 回归分析简要步骤
现实中的很多现象可以划分为两种可能，或者归结为两种状态，这两种状态分别用0
和1 表示。

如果我们采用多个因素对0－1 表示的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 回归和多值logistic 回归两类.
第一步：整理原始数据。

数据整理内容包括两个方面：一
是对各地区按照三大地带的分类结果赋值，用0、1 表示，二是将城镇人口比重转换逻辑值，变量名称为“城市化”。

第二步：打开“聚类分析”对话框。

沿着主菜单的“Analyze→Regression→Binary Logistic
K
”的路径（图8-1-3）打开二值
Logistic 回归分析选项框.
第三步：选项设置。

首先，在源变量框中选中需要进行分析的变量，点击右边的箭头符号，将需要的变量调
入Dependent（因变量）和Covariates（协变量）列表框中（图8-1-5）。

在本例中，将名义变
量“城市化”调入Dependent（因变量）列表框，将“人均GDP”和“中部”调入Covariates （协变量）列表框中。

在Method（方法）一栏有七个选项。

采用第一种方法，即系统默认的强迫回归方法（Enter）。

接下来进行如下4 项设置：
⒈设置Categorical（分类）选项：定义分类变量.
⒉设置Save（保存）选项,
⒊设置Options
第四步,结果解读.。