考题题型举例
50例急性淋巴细胞白血病病人，在入院时白细胞数X1（×10/L），淋巴结浸润度X2（记为0、1、
2三级），缓解出院后巩固治疗X3（巩固治疗时赋值1，无巩固治疗时赋值0）。随访1年
取得每例病人是否死亡Y（死亡赋值1，存活赋值0）的资料。
（1）欲筛选哪些因素是影响急性淋巴细胞白血病病人一年内死亡的的主要因素，应选择何
种统计分析方法？
（2）经统计分析得如下结果，请列出其回归方程？
（3）解释X3对应的Exp(B)=0.062的含义。Variables in the Equation
.707.4282.7261.0992.028.8764.694-2.784.78012.7531.000.062.013.285
1.642.6386.6201.0105.165X2X3ConstantStep 1aBS.E.WalddfSig.Exp(B)LowerUpper95.0% C.I.for EXP(B)
Variable(s) entered on step 1: X1, X2, X3.a.
解析：
（1）欲筛选哪些因素是影响急性淋巴细胞白血病病人一年内死亡的的主要因素，应选择何
种统计分析方法？
答案：Logistic回归
考点：多因素分析统计方法的选择
（2）经统计分析得如下结果，请列出其回归方程？
ln（P/1-P）=1.642+0.707X2-2.781X3
考点：回归方程的建立
（3）解释X3对应的Exp(B)=0.062的含义。
巩固治疗比不巩固治疗危险因素下降0.062倍
考点：OR值的意义
内容精要
概念
非条件Logistic回归
logistic回归模型Logistic回归是一种适用于应变量为分类值多因素曲线模型。
非条件Logistic回归：成组设计，Y为二项分类。又称BinaryLogistic回归
条件Logistic回归：配对设计，Y为二项分类。
多分类Logistic回归：Y为多分类。
BinaryLogistic适用于应变量为二项分类的资料。应变量（Y）在一组自变量（X）的作用下所
多因素logistic回归分析spss
Logistic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。
LOGISTIC回归分析
前⾯的博客有介绍过对连续的变量进⾏线性回归分析，从⽽达到对因变量的预测或者解释作⽤。那么如果因变量是离散变量呢？在做⾏为预测的时候通常只有“做”与“不做的区别”、“0”与“1”的区别，这是我们就要⽤到logistic分析（逻辑回归分析，⾮线性模型）。
参数解释（对变量的评价）
发⽣⽐(odds)： ODDS=事件发⽣概率/事件不发⽣的概率=P/(1-P)
发⽣⽐率（odds ratio）：odds ratio=oddsB/oddsA (组B相对于组A更容易发⽣的⽐率）
注：odds ratio⼤于1或者⼩于1都有意义，代表⾃变量的两个分组有差异性，对因变量的发⽣概率有作⽤。若等于1的话，该组变量对事件发⽣概率没有任何作⽤。
参数估计⽅法
线性回归中，主要是采⽤最⼩⼆乘法进⾏参数估计，使其残差平⽅和最⼩。同时在线性回归中最⼤似然估计和最⼩⼆乘发估计结果是⼀致的，但不同的是极⼤似然法可以⽤于⾮线性模型，⼜因为逻辑回归是⾮线性模型，所以逻辑回归最常⽤的估计⽅法是极⼤似然法。
极⼤似然公式：L(Θ)=P(Y1)P(Y2)...p(YN) P为事件发⽣概率PI=1/(1+E-(α+βXI))
在样本较⼤时，极⼤似然估计满⾜相合性、渐进有效性、渐进正太性。但是在样本观测少于100时，估计的风险会⽐较⼤，⼤于100可以介绍⼤于500则更加充分。
模型评价
这⾥介绍拟合优度的评价的两个标准：AIC准则和SC准则，两统计量越⼩说明模型拟合的越好，越可信。
若事件发⽣的观测有n条，时间不发⽣的观测有M条，则称该数据有n*m个观测数据对，
在⼀个观测数据对中，P>1-P，则为和谐对（concordant）。P<1-P,则为不和谐对（discordant）。P=1-P，则称为结。
在预测准确性有⼀个统计量C=(NC-0.5ND+0.5T)/T，其中NC为和谐对数，ND为不和谐对数，这⾥我们就可以根据C统计量来表明模型的区分度，例如C=0.68，则表⽰事件发⽣的概率⽐不发⽣的概率⼤的可能性为0.68。
多分类无序logistic回归的结果解读涉及多个步骤。首先，你需要对模型的整体情况进行描述，例如R方值。然后，逐一分析X对于Y（相对于的对比项）的影响情况。如果X对应的P值小于0.05，则说明X会对Y（相对于的对比项）产生影响关系，此时可结合OR值进一步分析影响幅度。
以一个具体的例子来说明：你正在研究影响总统候选人民主党支持度的因素，包括年龄、学历和性别。你使用多分类无序logistic回归进行数据分析。
1. 模型整体情况：首先，你描述了模型的R方值。例如，模型伪R平方值（McFadden R平方）为0.025，意味着年龄、学历、性别可以解释总统候选人民主党支持率的2.45%变化原因。
2. 影响因素分析：接下来，你逐一分析了年龄、学历和性别对民主党支持率的影响。
年龄：P值大于0.05，说明年龄对民主党支持率没有显著影响。
学历：P值小于0.05，说明学历对民主党支持率有显著影响。进一步分析OR值，如果OR值大于1，说明高学历更有可能支持民主党；如果OR值小于1，则说明低学历更有可能支持民主党。
性别：P值小于0.05，说明性别对民主党支持率有显著影响。进一步分析OR值，如果OR值大于1，说明女性更有可能支持民主党；如果OR值小于1，则说明男性更有可能支持民主党。
3. 总结：基于以上分析，你得出结论：学历和性别对总统候选人民主党支持率有显著影响，而年龄没有明显影响。同时，你也给出了具体的影响幅度。
以上是一个基本的多分类无序logistic回归结果解读示例。具体解读可能因数据和研究目的而有所不同。
