手机版 下载桌面 设为首页

SPSS:二元Logistic回归中自变量的处理和解读——无序多分类变量的处理

  SPSS:二元Logistic回归中自变量的处理和解读——无序多分类变量的处理。在实际进行Logistic回归的过程中,我们会遇到很多现实问题,尤其是在自变量的处理上经常拿不准。比如自变量是否一定是二分类变量?多分类变量作为自变量如何处理?连续变量是否可以当做自变量?多分类变量和连续变量做自变量的时候,结果OR值如何解读等等。

  无序多分类变量作为自变量的设置

  所谓的无序多分类变量,通常是指变量有多种情况,但各种情况的赋值间不存在大小上的差异。比如用数值代表患者的居住地(1=北京,2=上海,3=广州,4=成都……)。此时数值的大小并没有实际意义,因此我们需要用到前面介绍过的哑变量的概念。在SPSS中,并不用手动生成哑变量,而只是简单的在Logistic回归的“分类”选项中进行设置就好了。

  举个例子:我们希望探讨教育程度、家庭收入、居住地这三个因素(自变量)是否与患者脱落(因变量)之间存在关系。在建立Logistic回归模型分析的时候,我们会这样引入变量:

  其中“地址”变量是无序多分类变量。我们要通过上面对话框右上角的“分类”选项将其转换为哑变量。

  如图所示,将地址变量选中,之后通过中间的方向符号丢到右边“分类协变量”区域。下面“更改对比”框中的“对比(N):”可以选择“指示符”或是“简单”,参考类别选择任意一个皆可。点击继续,地址变量就已经成功被标记为按哑变量处理了。这一步骤对于无需多分类变量可以说是必须选项,否则SPSS会认为我们的数据的数值之间存在大小的差异,比如2比1大1个单位,4比1大3个单位……导致出现错误的分析结果。

  同样别忘了在选项中选择输出OR值的可信区间,如下图:

  变量筛选方法我们选择向后的方法(图1)。

  结果解读

  Hosmer 和 Lemeshow 检验

  从Hosmer-Lemeshow检验看,模型的拟合还是不错的,p>0.1。

  再看模型中的变量:

我们看到,模型中的地址变量已经被当做了4个变量处理了,在结果输出中占了4行。其中第一行是参考类别,也就是我们在“分类”选项中选择的“最后一个”或是“第一个”。在这个例子中,我们选择的是最后一个,也就是“地址”变量中“4”对应的地址。具体对应关系如下:

  二元Logistic回归

  结果的解读我们就不多说了,详细解读可参照“SPSS:Logistic回归(Logistic regression)概述”。我们看到“地址”对应的一系列哑变量中,参照组是没有参数估计和OR值(Exp(B))的。原因很简单,参照嘛,本身就是被别人比的,OR自然也应该是1。其实在Logistic回归中,我们可以吧参照组想象为其他哑变量(地址1~3)的共用“0”。

  也正因此,地址(1)~地址(3)的OR值,其意义也是:当患者来源于“地址(1)”时,其脱落的风险是患者来源于“地址”(此处为参照项)时的OR倍。

分类标签:SPSS  Logistic回归  自变量  无序多分类变量  

声明:本文转载仅出于学习和传播信息所需,并不意味着代表本站观点或证实其内容的真实性;其他网站或个人转载使用须保留本站所注“来源”,并自负相关法律责任;如作者不希望被转载或其他事宜,请及时联系我们!