Logistic 回归分析简介 Logistic 回归：实际上属于判别分析，因拥有很差的判别效率而不常用。1． 应用围：① 适用于流行病学资料的危险因素分析② 实验室中药物的剂量-反响关系③ 临床试验评价④ 疾病的预后因素分析2． Logistic 回归的分类：① 按因变量的资料类型分：二分类多分类其中二分较为常用② 按讨论方法分：条 件 Logistic 回归非条件 Logistic 回归两者针对的资料类型不一样，后者针对成组讨论，前者针对配对或配伍讨论。3．Logistic 回归的应用条件是：① 独立性。各观测对象间是相互独立的；② LogitP 与自变量是线性关系；③ 样本量。经验值是病例对比各 50 例以上或为自变量的 5-10 倍〔以 10倍为宜〕，不过随着统计技术和软件的开展，样本量较小或不能进展似然估量的情况下可采纳准确 logistic 回归分析，此时要求分析变量不能太多，且变量分类不能太多；④ 当队列资料进展 logistic 回归分析时，观察时间应该一样，否那么需考虑观察时间的影响〔建议用 Poisson 回归〕。4． 拟和 logistic 回归方程的步骤：① 对每一个变量进展量化，并进展单因素分析；② 数据的离散化，对于连续性变量在分析过程中常常需要进展离散变成等级资料。可采纳的方法有依据经验进展离散，或是根据四分、五分位数法来确定等级，也可采纳聚类方法将计量资料聚为二类或多类，变为离散变量。③ 对性质相近的一些自变量进展局部多因素分析，并探讨各自变量〔等级变量，数值变量〕纳入模型时的适宜尺度，与对自变量进展必要的变量变换；④ 在单变量分析和相关自变量分析的根底上，对 P≤α〔常取 0.2，0.15或 0.3〕的变量，以与专业上认为重要的变量进展多因素的逐步筛选；模型程序每拟合一个模型将给出多个指标值，供用户推断模型优劣和筛选变量。可以采纳双向筛选技术：a 进入变量的筛选用 score 统计量或 G统计量或 LRS(似然比统计量)，用户确定 P 值临界值如：0.05、0.1 或0.2，选择统计量显著且最大的变量进入模型；b 剔除变量的选择用 Z 统计量(Wald 统计量)，用户确定其 P 值显著性水平，当变量不显者，从模型中予以剔除。这样，选入和剔除反复循环，直至无变量选入，也无变量删除为止，选入或剔除的显著界值确实定要依具体的问题和变量的多寡而定，一般地，当纳入模型的变量偏多，可提高选入界值或降低剔除标准，反之，那么降低选入界值、提高删除标准。但筛选标准的不同会影响分析结果，...
