干货——检验人最常用的统计学分析方法梳理（二）

作者：朱驰

单位：上海市东方医院南院检验科

上一篇《超实用干货—检验人最常用的统计学分析方法梳理（一）》我们简单梳理了常用的比较分析的统计检验方法及数据资料类型的确定。

一般来说，两组或多组样本在比较检验时如果多项指标有显著差异，我们下一步通常会探讨引起组别产生质的差别的影响因素，即自变量对因变量的影响是否具有统计学意义。

今天我们就来梳理一下SPSS作logistic回归分析。

在做logistic回归分析前，我们要知道分析研究的自变量、因变量是什么。

首先，因变量通常为所研究的变量，可以为连续型也可为分类的变量；而自变量是用来解释或说明因变量变化的变量，可以为连续型也可为分类的变量，为一个或多个，注意，各自变量间应独立。

另外，何为回归分析？

在我们的回归分析研究中，我们要验证两个问题：

第一，自变量与因变量有没有关系？

第二，因变量与自变量之间有什么关系，具体的数据模型是什么？即模型检验和回归系数检验。

常用的三种检验方法

Wald检验——用于单个回归系数β的检验；

似然比检验——是对整个模型的可行性进行检验；

比分检验——用于变量的筛选；

在足够大的样本前提下，三者的结果大多一致；而小样本时，似然比结果更可靠，Wald检验效果较差。

Logistic回归分析与线性回归有何区别？

Logistic回归分析与线性回归不同，属于概率型非线性回归，是研究结果与各影响因素之间关系的分析方法。

简单回归模型中，要求因变量为连续型变量，且要求符合正态性和方差齐性。当实际因变量为分类变量时，一般采用logistic回归模型进行数据分析，可分为二项分类和多项分类logistic回归分析。

二项分类logistic回归分析

在用SPSS作二分类logistic回归分析时，因变量为二分类变量，界面中的协变量就是我们所说的自变量；方法选择输入；分类选择与最后一个对比（其他也可，主要区别在结果解释时与选择的变量的比较）；选项：exp（B）的CI95%相当于优势比（OR值）。

在输出的结果中，我们主要观察一下四个方面。

第一，模型系数的综合检验：一般认为P<0.05模型有统计学意义；

第二，模型汇总：模型R方对模型的预测能力评估；

第三，分类表：表示对因变量的预测正确率；

第四，也是最重要的，方程中的变量，是针对自变量与因变量的影响关系模型函数确定，一般认为P<0.05为有意义。

两个重要的参数：回归系数和优势比。

回归系数β

表示在控制其他自变量不变得情况下，该自变量变化一个单位引起因变量变化的平均大小。

优势比（OR）

某事件发生与不发生的概率比，即与对比的变量相比，该变量引起因变量变化的概率是对比变量的几（OR）倍。

若自变量的β>0，则OR>1，表示该自变量为引起因变量变化的危险因素；

若β<0，则OR<1，表示该自变量为引起因变量变化的保护因素；

若β=0，则OR=1，表面该自变量对因变量无影响。 

多项分类logistic回归

当因变量为多个分类变量时，常采用多项分类logistic回归。

1、多项无序分类变量

多个因变量的取值有时无大小顺序，如因变量为职业（学生、教师、工人、商人）或者居住城市（上海、江西、重庆、新疆）等，这样的变量类型又称为多项无序分类变量，又称为名义变量。

名义变量与自变量之间建立的回归模型被称为多项分类logistic回归模型。在统计界面，我们发现自变量可以指定为因子，也可指定为协变量。

一般认为：自变量为分类变量的指定为因子；自变量为连续变量的指定为协变量。输出结果与二分类结果相似，从模型拟合信息、似然比检验等观察，但值得注意的是，多项分类logostic回归分析的伪R方一般不大。

2、有序变量

当因变量为多个分类变量并且为有序变量时，如高血压分级为：低危、中危、高危，疗效为：无效、一般、有效等等级时，此时需要用有序的logistic进行分析。输出结果的描述与上述一致，其中，参数估计值中，表中阈值即代表常数项。

当然，想要做好一项完美的logistic回归分析还需要扎实的统计基础及大量的练习；希望本文对稍有软件操作功底的同仁们在分析研究时有一定的帮助。

END

说明：本文为原创投稿，不代表国际检验医学传媒、检验医学微信平台观点。转载时请注明来源及原创作者姓名和单位。

编辑：徐少卿   审校：陈雪礼

我就知道你在看！