|
Logistic回归是一种非常重要的单、多因素分析方法，主要用于发现风险因素、建立预测或判别模型。有人问，如何用构建的Logistic回归进行疾病的诊断，并计算该模型的灵敏度、特异度等指标呢？跟着松哥一起来解读吧！ 1.虚构案例 比如说，身高与某种疾病有关系，咱们尝试构建二项logistic回归，看看结果。 2.步骤 分析-回归-二元，如图设置： 3.结果 看最后一步，可得方程中的变量，据此表，可以写出Logistic回归方程： LogitP=-64.899+0.396*身高。但对于Logistic回归来说，写出方程不是重点，关键是识别风险因素。如本例，发现身高的EXP(B)=1.486（95%CI：1.396-1.581），可以解释为身高没增加1cm，疾病发生的风险增加1.486倍。 哎，跑题了！本期不是介绍Logistic回归，是介绍如何计算Logistic回归，构建预测模型的灵敏度和特异度的。继续！ 4.结果2 在分析结果中，有这么一张分类表。该表描述了实际病例，与构建的Logistic回归模型的一张诊断试验表格。 细心的你会发现，87.5%=265/（265+38），其实就是灵敏度（Se）； 84.7%=243/(243+44)，其实就是特异度（Sp）。 但需注意，上表中的总体百分比，86.1=（84.7+87.5）/2的结果，并不是诊断试验中所说的约登指数，本例约登指数=84.7+87.5-1=72.2。 |
|
|
