怎样应用SPSS进行多因素Logistic 回归分析

1. 怎样应用SPSS进行多因素Logistic 回归分析

2. 相关因素logistic回归分析结果怎么看

logistic回归与多重线性回归一样，在应用之前也是需要分析一下资料是否可以采用logistic回归模型。并不是说因变量是分类变量我就可以直接采用logistic回归，有些条件仍然是需要考虑的。
首要的条件应该是需要看一下自变量与因变量之间是什么样的一种关系。多重线性回归中，要求自变量与因变量符合线性关系。而logistic回归则不同，它要求的是自变量与logit（y）符合线性关系，所谓logit实际上就是ln（P/1-P）。也就是说，自变量应与ln（P/1-P）呈线性关系。当然，这种情形主要针对多分类变量和连续变量。对于二分类变量就无所谓了，因为两点永远是一条直线。
这里举一个例子。某因素y与自变量x之间关系分析，y为二分类变量，x为四分类变量。如果x的四分类直接表示为1，2，3，4。则分析结果为p=0.07，显示对y的影响在0.05水准时无统计学意义，而如果将x作为虚拟变量，以1为参照，产生x2，x3，x4三个变量，重新分析，则结果显示：x2，x3，x4的p值分别为0.08，0.05和0.03。也就是说，尽管2和1相比无统计学意义，但3和1相比，4和1相比，均有统计学意义。
为什么会产生如此结果？实际上如果仔细分析一下，就可以发现，因为x与logit（y）并不是呈线性关系。而是呈如下图的关系：

这就是导致上述差异的原因。从图中来看，x的4与1相差最大，其次是2，3与1相差最小。实际分析结果也是如此，上述分析中，x2，x3，x4产生的危险度分别为3.1，2.9，3.4。
因此，一开始x以1，2，3，4的形式直接与y进行分析，默认的是认为它们与logit（p）呈直线关系，而实际上并非如此，因此掩盖了部分信息，从而导致应有的差异没有被检验出来。而一旦转换为虚拟变量的形式，由于虚拟变量都是二分类的，我们不再需要考虑其与logit（p）的关系，因而显示出了更为精确的结果。
最后强调一下，如果你对自变量x与y的关系不清楚，在样本含量允许的条件下，最好转换为虚拟变量的形式，这样不至于出现太大的误差。
如果你不清楚应该如何探索他们的关系，也可以采用虚拟变量的形式，比如上述x，如果转换的虚拟变量x2，x3，x4他们的OR值呈直线关系，那x基本上可以直接以1，2，3，4的形式直接与y进行分析。而我们刚才也看到了，x2，x3，x4的危险度分别为3.1，2.9，3.4。并不呈直线关系，所以还是考虑以虚拟变量形式进行分析最好。
总之，虚拟变量在logistic回归分析中是非常有利的工具，善于利用可以帮助你探索出很多有用的信息。
统计的分析策略是一个探索的过程，只要留心，你就会发现在探索数据关系的过程中充满了乐趣，因为你能发现别人所发现不了的隐藏的信息。希望大家多学点统计分析策略，把统计作为一种艺术，在分析探索中找到乐趣。
样本量的估计可能是临床最头疼的一件事了，其实很多的临床研究事前是从来不考虑样本量的，至少我接触的临床研究大都如此。他们大都是想到就开始做，但是事后他们会寻求研究中样本量的依据，尤其是在投文章被审稿人提问之后。可能很少有人想到研究之前还要考虑一下样本够不够的问题。其实这也难怪，临床有临床的特点，很多情况下是很难符合统计学要求的，尤其一些动物试验，可能真的做不了很多。这种情况下确实是很为难的。
本篇文章仅是从统计学角度说明logistic回归所需的样本量的大致估计，不涉及临床特殊问题。
其实不仅logistic回归，所有的研究一般都需要对样本量事前有一个估计，这样做的目的是为了尽可能地得出阳性结果。比如，你事前没有估计，假设你做了20例，发现是阴性结果。如果事前估计的话，可能会提示你需要30例或25例可能会得出阳性结果，那这时候你会不会后悔没有事前估计？当然，你可以补实验，但是不管从哪方面角度来讲，补做的实验跟一开始做得实验可能各种条件已经变化，如果你在杂志中说你的实验是补做的，那估计发表的可能性就不大了。
一般来说，简单的研究，比如组间比较，包括两组和多组比较，都有比较成熟的公式计算一下你到底需要多少例数。这些在多数的统计学教材和流行病学教材中都有提及。而对于较为复杂的研究，比如多重线性回归、logistic回归之类的，涉及多个因素。这种方法理论上也是有计算公式的，但是目前来讲，似乎尚无大家公认有效的公式，而且这些公式大都计算繁琐，因此，现实中很少有人对logistic回归等这样的分析方法采用计算的方法来估计样本量。而更多地是采用经验法。
其实关于logistic回归的样本量在部分著作中也有提及，一般来讲，比较有把握的说法是：每个结局至少需要10例样品。这里说得是每个结局。例如，观察胃癌的危险因素，那就是说，胃癌是结局，不是你的总的例数，而是胃癌的例数就需要这么多，那总的例数当然更多。比如我有7个研究因素，那我就至少需要70例，如果你是1：1的研究，那总共就需要140例。如果1：2甚至更高的，那就需要的更多了。
而且，样本量的大小也不能光看这一个，如果你的研究因素中出现多重共线性等问题，那可能需要更多的样本，如果你的因变量不是二分类，而是多分类，可能也需要更大的样本来保证你的结果的可靠性。
理论上来讲，logistic回归采用的是最大似然估计，这种估计方法有很多优点，然而，一个主要的缺点就是，必须有足够的样本才能保证它的优点，或者说，它的优点都是建立在大样本的基础上的。一般来讲，logistic回归需要的样本量要多于多重线性回归。
最后仍然需要说一句，目前确实没有很好的、很权威的关于logistic回归样本量的估计方法，更多的都是根据自己的经验以及分析过程中的细节发现。如果你没有太大的把握，就去请教统计老师吧，至少他能给你提出一些建议。

3. 多元logistic回归分析结果怎么看

4. 怎样应用SPSS进行多因素Logistic 回归分析

SPSS进行多因素Logistic回归分析操作方法如下：
1、第一步就是我们要把自己需要分析的数据导入到SPSS，点击左上角的文件进行打开，选择弹出对话框中的数据。

2、第二部就是点击工具栏上的分析，依次选择回归，再在弹出的对话框选择“多项Logistic”。

3、第三步就是把变量依次移动到右侧的因变量、因子和协变量框内。

4、然后我们就可以在度量标准中看到度量数据。

5、然后，再对多项逻辑回归的模型、统计量、条件、选项和保存进行设置。

6、点击确定好，就用SPSS把多因素Logistic回归分析做好了。

5. 多因素非条件logistic回归分析怎么做

 多因素非条件logistic回归分析怎么做  二元logit回归  1.开启资料，依次点选： *** yse--regression--binarylogistic，开启二分回归对话方块。  2.将因变数和自变数放入格子的列表里，上面的是因变数，下面的是自变数（单变数拉入一个，多因素拉入多个）。  3.设定回归方法，这里选择最简单的方法：enter，它指的是将所有的变数一次纳入到方程。其他方法都是逐步进入的方法。  4.等级资料，连续资料不需要设定虚拟变数。多分类变数需要设定虚拟变数。  虚拟变数ABCD四类，以a为参考，那么解释就是b相对于a有无影响，c相对于a有无影响，d相对于a有无影响。  5.选项里面至少选择95%CI。  点选ok。  统计专业研究生工作室原创，请勿复杂贴上
  
  我已经做出结果，但是p值很大，说明没有统计学意义，为何？有懂得原因的吗？（上述自己说的第一步没有做，只做了第二步）
  
  一般是先做单因素分析，再做多因素分析；  多元线性回归可以通过标准引数β来确定贡献大小，多元logistic回归的不知道用什么来确定
   
  多元logistic回归与多因素logistic回归分析一样吗  二者是一样的。但如果是多项逻辑回归则和多因素逻辑回归不同。多项逻辑回归是相对于二项逻辑回归而言的，多项和二项指的都是因变数的水平数，而多元和多因素逻辑回归的多元和多因素都是指自变数的个数。（南心网 SPSS逻辑回归分析）
  多因素logistic回归分析 spss怎样输资料  跟其他分析的 资料路录入方法相同  一行对应一个案例资料  一列对应一个变数  有多少样本就有多少行，有多少变数就有多少列
  在多因素logistic回归分析中OR值小于1怎么解释  一般来说是保护作用，但是要看你具体赋值情况  统计专业，为您服务
  
  
  首先澄清几个概念：OR是odds ratio 而 logistic里关注的是odds 不是odds的比值odds ratio odds= 发生的概率 除以 不发生的概率 logistic 回归的公式是： log O = alpha + Bx 那么 O = Exp(alpha + Bx) = Exp(alpha)*Exp(Bx) 所以当x每增加1 x-->
  二元logistic回归能做多因素分析吗  logistic回归 主要是看因变数的分类  如果因变数是二分类的 就用二元logistic回归  如果因变数是多个分类的，就用多元有序或者无序的logistic回归  所以你首先看你的因变数发病次数 是否算是分类变数或者是有几个分类，如果发病次数仅有很小的几个分类，用logistic回归没什么问题，如果发病次数有很多分类，可以尝试将其作为连续性变数 进行普通回归
  怎样应用SPSS进行多因素Logistic 回归分析  Logistic回归主要分为三类，一种是因变数为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变数为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变数为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。  二值logistic回归：  选择分析——回归——二元logistic，开启主面板，因变数勾选你的二分类变数，这个没有什么疑问，然后看下边写着一个协变数。有没有很奇怪什么叫做协变数？在二元logistic回归里边可以认为协变数类似于自变数，或者就是自变数。把你的自变数选到协变数的框框里边。  细心的朋友会发现，在指向协变数的那个箭头下边，还有一个小小的按钮，标著a*b，这个按钮的作用是用来选择互动项的。我们知道，有时候两个变数合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有互动效应。那么我们为了模型的准确，就把这个互动效应也选到模型里去。我们在右边的那个框框里选择变数a，按住ctrl，在选择变数b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变数就出现在协变数的框框里了，就是我们的互动作用的变数。  然后在下边有一个方法的下拉选单。预设的是进入，就是强迫所有选择的变数都进入到模型里边。除去进入法以外，还有三种向前法，三种向后法。一般预设进入就可以了，如果做出来的模型有变数的p值不合格，就用其他方法在做。再下边的选择变数则是用来选择你的个案的。一般也不用管它。  选好主面板以后，单击分类（右上角），开启分类对话方块。在这个对话方块里边，左边的协变数的框框里边有你选好的自变数，右边写着分类协变数的框框则是空白的。你要把协变数里边的字元型变数和分类变数选到分类协变数里边去（系统会自动生成哑变数来方便分析，什么事哑变数具体参照前文）。这里的字元型变数指的是用值标签标注过得变数，不然光文字，系统也没法给你分析啊。选好以后，分类协变数下边还有一个更改对比的框框，我们知道，对于分类变数，spss需要有一个参照，每个分类都通过和这个参照进行比较来得到结果，更改对比这个框框就是用来选择参照的。预设的对比是指示符，也就是每个分类都和总体进行比较，除了指示符以外还有简单，差值等。这个框框不是很重要，预设就可以了。  点选继续。然后开启储存对话方块，勾选概率，组成员，包含协方差矩阵。点选继续，开启选项对话方块，勾选分类图，估计值的相关性，迭代历史，exp（B）的CI，在模型中包含常数，输出——在每个步骤中。如果你的协变数有连续型的，或者小样本，那还要勾选Ho *** er-Lemeshow拟合度，这个拟合度表现的会较好一些。  继续，确定。  然后，就会输出结果了。主要会输出六个表。  第一个表是模型系数综合检验表，要看他模型的p值是不是小于0.05，判断我们这个logistic回归方程有没有意义。  第二个表示模型汇总表。这个表里有两个R^2，叫做广义决定系数，也叫伪R^2，作用类似于线性回归里的决定系数，也是表示这个方程能够解释模型的百分之多少。由于计算方法不同，这两个广义决定系数的值往往不一样，但是出入并不会很大。  在下边的分类表则表述了模型的稳定性。这个表最后一行百分比校正下边的三个资料列出来在实际值为0或者1时，模型预测正确的百分比，以及模型总的预测正确率。一般认为预测正确概率达到百分之五十就是良好（标准真够低的），当然正确率越高越好。  在然后就是最重要的表了，方程中的变量表。第一行那个B下边是每个变数的系数。第五行的p值会告诉你每个变数是否适合留在方程里。如果有某个变数不适合，那就要从新去掉这个变数做回归。根据这个表就可以写出logistic方程了：P=Exp(常量+a1*变数1+a2*变数2.。。。)/(1+Exp(常量+a1*变数1+a2*变数2.。。。))。如果大家学过一点统计，那就应该对这个形式的方程不陌生。提供变数，它最后算出来会是一个介于0和1的数，也就是你的模型里设定的值比较大的情况发生的概率，比如你想推算会不会治愈，你设0治愈，1为没有治愈。那你的模型算出来就是没有治愈的概率。如果你想直接计算治愈的概率，那就需要更改一下设定，用1去代表治愈。  此外倒数后两列有一个EXP（B），也就是OR值，哦，这个可不是或者的意思，OR值是优势比。线上性回归里边我们用标准化系数来对比两个自变数对于因变数的影响力的强弱，在logistic回归里边我们用优势比来比较不同的情况对于因变数的影响。举个例子。比如我想看性别对于某种病是否好转的影响，假设0代表女，1代表男，0代表不好转，1代表好转。发现这个变数的OR值为2.9，那么也就是说男人的好转的可能是女人好转的2.9倍。注意，这里都是以数值较大的那个情况为基准的。而且OR值可以直接给出这个倍数。如果是0,1,2各代表一类情况的时候，那就是2是1的2.9倍，1是0的2.9倍，以此类推。OR值对于方程没什么贡献，但是有助于直观的理解模型。在使用OR值得时候一定要结合它95%的置信区间来进行判断。  此外还有相关矩阵表和概率直方图，就不再介绍了。
 多项logistic回归：   选择分析——回归——多项logistic，开启主面板，因变数大家都知道选什么，因变数下边有一个参考类别，预设的第一类别就可以。再然后出现了两个框框，因子和协变数。很明显，这两个框框都是要你选因变数的，那么到底有什么区别呢？嘿嘿，区别就在于，因子里边放的是无序的分类变数，比如性别，职业什么的，以及连续变数（实际上做logistic回归时大部分自变数都是分类变数，连续变数是比较少的。），而协变数里边放的是等级资料，比如病情的严重程度啊，年龄啊（以十年为一个年龄段撒，一年一个的话就看成连续变数吧还是）之类的。在二项logistic回归里边，系统会自动生成哑变数，可是在多项logistic回归里边，就要自己手动设定了。参照上边的解释，不难知道设定好的哑变数要放到因子那个框框里去。   然后点开模型那个对话方块，哇，好恐怖的一个对话方块，都不知道是干嘛的。好，我们一点点来看。上边我们已经说过互动作用是干嘛的了，那么不难理解，主效应就是变数本身对模型的影响。明确了这一点以后，这个对话方块就没有那么难选了。指定模型那一栏有三个模型，主效应指的是只做自变数和因变数的方程，就是最普通的那种。全因子指的是包含了所有主效应和所有因子和因子的互动效应的模型（我也不明白为什么只有全因子，没有全协变数。这个问题真的很难，所以别追问我啦。）第三个是设定/步进式。这个是自己手动设定互动项和主效应项的，而且还可以设定这个项是强制输入的还是逐步进入的。这个概念就不用再罗嗦了吧啊？   点选继续，开启统计量对话方块，勾选个案处理摘要，伪R方，步骤摘要，模型拟合度资讯，单元格可能性，分类表，拟合度，估计，似然比检验，继续。开启条件，全勾，继续，开启选项，勾选为分级强制条目和移除专案。开启储存，勾选包含协方差矩阵。确定（总算选完了）。   结果和二项logistic回归差不多，就是多了一个似然比检验，p值小于0.05认为变数有意义。然后我们直接看引数估计表。假设我们的因变数有n个类，那引数估计表会给出n-1组的截距，变数1，变数2。我们我们用Zm代表Exp（常量m+am1*变数1+am2*变数2+。。。），那么就有第m类情况发生的概率为Zn/1+Z2+Z3+……+Zn(如果我们以第一类为参考类别的话，我们就不会有关于第一类的引数，那么第一类就是预设的1，也就是说Z1为1)。  
  有序回归（累积logistic回归）：  选择选单分析——回归——有序，开启主面板。因变数，因子，协变数如何选取就不在重复了。选项对话方块预设。开启输出对话方块，勾选拟合度统计，摘要统计，引数估计，平行线检验，估计响应概率，实际类别概率，确定，位置对话方块和上文的模型对话方块类似，也不重复了。确定。  结果里边特有的一个表是平行线检验表。这个表的p值小于0.05则认为斜率系数对于不同的类别是不一样的。此外引数估计表得出的引数也有所不同。假设我们的因变数有四个水平，自变数有两个，那么引数估计表会给出三个阈值a1,a2，a3（也就是截距），两个自变数的引数m，n。计算方程时，首先算三个Link值，Link1=a1+m*x1+n*x2，Link2=a2+m*x1+n*x2，Link3=a3+m*x1+n*x2，（仅有截距不同）有了link值以后，p1=1/(1+exp(link1)),p1+p2=1/(1+exp（link2）),p1+p2+p3=1/(1+exp(link3)),p1+p2+p3+p4=1..  通过上边的这几个方程就能计算出各自的概率了。
  Logistic回归到这里基本就已经结束了。大家一定要记熟公式，弄混可就糟糕了。希望能对你有所帮助呦。
  
  logit回归  1.开启资料，依次点选： *** yse--regression--binarylogistic，开启二分回归对话方块。  2.将因变数和自变数放入格子的列表里，上面的是因变数，下面的是自变数（单变数拉入一个，多因素拉入多个）。  3.设定回归方法，这里选择最简单的方法：enter，它指的是将所有的变数一次纳入到方程。其他方法都是逐步进入的方法。  4.等级资料，连续资料不需要设定虚拟变数。多分类变数需要设定虚拟变数。  5.选项里面至少选择95%CI。  点选ok。  统计专业研究生工作室原创，请勿复杂贴上
   

6. 相关因素logistic回归分析结果怎么看

7. 如何在spss进行logistic单因素回归分析

1、打开spss统计软件，然后单击“Analyze  -  Regression  -  Binary Logistic”。

2、出现“逻辑回归”窗口。将“高血压”放入“依赖变量”框，并将其他变量（如“性别”和“体重指数”）放入“分隔符”框中。

3、单击“分类”将分类变量的自变量放入右侧的“分类协变量”框中。在这种情况下，自变量“性别”，“饮食习惯，体育锻炼”是分类变量。在右侧的框中选择变量。 “参考类别”选择“最后”或“第一”，此处选择默认的“最后”。点击“继续”。

4、单击“保存”，选中“概率”，“组成员”，然后“继续”。

5、点击“选项”，勾选“Hosmer-Lymeshaw Fitting Goodness”和“95％Confidence Interval”，然后点击“Continue”。

6、方法“选择”输入“最后”确定“。

8. 单因素logistic回归是什么？

单因素就是研究对某个事件或指标的影响因素只有1个。
单因素Logistic回归中，因变量只有一个。自变量也只有1个；但是这个时候不使用Logistic回归也可以解决问题的，根据具体情况选用卡方检验、t检验或方差分析的方法即可，不过Logistic回归有时可以得到更多的信息，但同时也需考虑模型拟和优度的问题。

扩展资料：
现实中的很多现象可以划分为两种可能，或者归结为两种状态，这两种状态分别用0和1表示。如果我们采用多个因素对0－1表示的某种现象进行因果关系解释，就可能应用到logistic回归。
Logistic回归分为二值logistic回归和多值logistic回归两类。首先用实例讲述二值logistic回归，然后进一步说明多值logistic回归。最好先看看有关SPSS软件操作技术的教科书。
参考资料来源；百度百科-单因数分析