第二个表为分类表， 它表示了每一步的预测情 况汇总，展示了对疾病结 局是否死亡进行判别分类 ，以预测概率0.5为判别 分界点（cut value）， 可见准确率由“块 0”的 61.4%上升到了91%，效果 不错。
1对于死亡有显著影响 的变量（p<0.05）有“ 肿瘤、CR、昏迷”。
2 B为偏回归系数。 3 SE为偏回归系数的标 准误。 4 wald统计量用于检验 总体偏回归系数与0的差 别有无统计学意义。 5 Exp(B)为优势比，或 比数比（OR） 其中，肿瘤、昏迷是危 险因素。
Logistic 回归分析
1 Logistic回归分析的用途
2 Logistic回归分析的意义
3
SPSS操作实例
4
结果分析
1.逻辑回归（logistic regression）是用来 做什么?
• ① 估计某事物的可能性 例：比如某一套衣服今天能否卖出去？或者某一个广告能否
被用户点击? 我们希望得到这个数值来帮助决策衣服上不 上架，以及广告展不展示。 • ② 适用于流行病学资料的危险因素分析 例：比如吸烟、年龄、性别是否为肺癌的危险因素或是保护 因素？
比如哪些因素导致了人群中有的人患胃癌而有的人不患 胃癌？
2.什么是逻辑回归（logistic regression）?
简单的来说它是线性回归的一种，事实上它是一个被logistic 方程归一化后的线性回归。在许多实际问题中，比如流行病学常研 究的二分类因变量（患病与未患病、阳性与阴性等）与一组（ x1x2….xn）自变量的关系这类问题时，我们需要回归产生一个类似 概率值（ 0-1 ）之间的数值来进行预测。这种情况下这个数值必 须是0~1之间，而线性回归就显得无能为力了，因此人们引入了 Logistic 方程来做归一化。使得因变量的取值框定在了0~1之间。 这种变换方法我们就称之为逻辑回归。
3. SPSS实例
本次以广泛使用的二分类logistic回归为例为大家介 绍 SPSS的操作过程。
例：为研究急性肾功能衰退（ARF）患者的危险因素 ， 获得了422名住院患者的临床资料，本资料共涉及29个变量 分别为：sex、age、社会支持、慢性病、手术、糖尿病、瘤 黄疸、透析方式、死亡等，其中透析方式为多分类变量，有 4个水平。 （逻辑回归方程运算具体是怎么做的并不重要，对使用者来 说，我们就把它当成一条程序命令就好。逻辑回归方程推 导，求解方法可详见卫生统计学）。
左表为在块 0处尚 未纳入分析方程的侯选变 量，所作的检验，表示如 果分别将他们纳入方程， 则方程的改变是否会有显 著意义可见如果将“age， 社会支持、手术、糖尿病 等（sig.<0.05）变量” 纳入方程，则方程的改变 是有显著意义的。
块 1: 方法 = 输入
第一个表为全局检验 的最后一步，作的步骤、 块和模型的检验，可见3 个检验都是有意义的。
判别分类图：
对死亡(“N”（未死亡）；“Y”(死亡))进行判别分类， 以预测概率0.5为判别分界点，每个符号代表5例。横轴表示对死亡 的预测概率，纵轴表示频数。当预测的概率值大于0.5时，则预测 结果为Y，反之为N，由上图可见，该模型预测的是比较好的。
Thanks!
SUCCESS
THANK YOU
如果有必要，可用里面的选择按 钮进行详细的定义，如以哪个取 值作为基础水平各水平间比较的 方法是什么等。当然，如果你弄 不明白，不改也可以，默认的是 以最大取值为基础水平，用“指 示符”（每一类与参照类进行比 较）做比较。
“保存”钮：起到将中间结 果存储起来供后续分析的作 用，如右图所示，共有预测 值、影响强度因子和残差三 大类。
（1）操作过程如下（见数据文件“logistics-1.sav” ） ）
一般过程 • 菜单选择 • 分析 • 回归 • 二元logistic • 弹出逻辑回
归主对话框
逻辑回归主对话框如下图所示
有进入法、前进法和后退法三大 类，三类之下又有细分。
“分类”钮：如果你的自变量 是多分类的（如血型等）， 你必须要将它用哑变量的方 式来分析，那么就要用该按 钮将该变量指定为分类变量
二分类变量，本例为变量 “死亡”，有两个水平，变量标记 为：0=“N”（未死亡）； 1=“Y”(死亡)。
块 0: 起始块
此处已经开始了拟合，块0拟合的是只有常数的无效 模型，上表为分类预测表，可见在259例观察值为N的记录 中，共有259例被预测为N，163例Y也都被预测为N，总预 测准确率为61.4%，这是不纳入任何解释变量时的预测准 确率，相当于比较基线。
“选项”框：这一部分我们可以 对模型作精确定义，还可以选择 模型预测情况的描述方式。 “输出”框：系统默认为输出每 一步骤的统计图、统计表及统计 量。 “步进概率”是逐步筛选变量的 概率水准
SUCCESS
THANK YOU
2019分析==》回归==》二元logistics... 2.因变量框：选入“死亡” 3.协变量框：选入sex/age/…/感染 4.方法：进入 5.“分类”钮：
》分类协变量：透析方式(指示符（第一）)
6.“保存”钮：
》预测值：概率、组成员
7.“选项”钮：
》统计量和图：分类图、迭代记录、优势比（OR）的95%可信区间 》输出：在最后一个步骤中 》在模型中包括常数
8. “确定”钮：单击
4.结果分析
主要结果解释
左表为记录处理情 况汇总，即有多少例记录 被纳入了下面的分析，可 见此处因不存在缺失值， 422条记录均纳入了分析。
2019/7/5