二元Logistic回归分析

logistic回归多重线性回归分析，该分析方法是研究一个因变量（服从正态分布）与多个自变量的数量关系。   

在医学研究中，常常需要研究的结局变量不是连续型变量，而是二分类变量或多分类变量，logistic回归分析就能解决这问题。

  依据因变量的分类情况，可分为二分类logistic回归和多分类logistic回归；依据研究设计的不同，可分为非条件logistic回归和条件logistic回归。

1

案例分析

    为研究鼻咽癌发病的危险因素，研究人员对某医院肿瘤防治中心放疗科的105例鼻咽癌新发病例与130名健康人进行病例—对照研究。被调查者的性别（女：0，男：1）、年龄（岁）、鼻咽癌家族史（否：0，是：1）、慢性鼻炎史（否：0，是：1）、职业接触有害物质（否：0，是：1）、吸烟（否：0，是：1）、饮茶（否：0，是：1）、长期锻炼（否：0，是：1）、生活工作压力（否：0，是：1）、鼻咽癌是否发生（否：0，是：1）。

视图变量

数据视图

    

探求因变量与多个自变量之间关系（若为连续性资料，考虑用多重线性回归分析），该资料因变量为二分类变量，故采用二元logistic回归分析。

2

手把手教你

（一）单击“分析” “回归” “二元logistic”

（二）弹出如下对话框

（三）选入相应的因变量和自变量，如图所示

（四）单击“分类”，将各分类变量选入“分类协变量”框中，将参考类别选中“第一个”，单击“更改”（系统默认的为最后一个，具体区别及结果解读可参考后面）

（五）单击“选项”，勾选“Hosmer-Lemeshow拟合度”和“exp”（OR值），继续

3

结果分析

①该结果显示各变量的编码情况

②模型系数的Omnibus检验表明该模型总体有意义，R平方值越接近1，回归模型拟合越好。

③“Hosmer-Lemeshow”检验，sig=0.533>0.05，即模型拟合优度较高

④

    该结果显示，肿瘤家族史（P<0.001，OR=7.563）、职业有害接触（P=0.022<0.05，OR=2.381）、吸烟（P<0.001，OR=5.059），锻炼（P=0.003<0.05，OR=0.338）纳入模型中有统计学意义；常量，即截距，在模型中无实际意义。

  

    OR值解读

    以肿瘤家族史为例：有肿瘤家族史的人患鼻咽癌 是 无肿瘤家族史的7.563倍，即为危险因素。肿瘤家族史（无：0，是：1），前面设置协变量的参考类别为“第一个”，即“0”，方程中给出的exp（B）也是相对于“0”。对于连续型变量，如：年龄（当然，年龄在此研究中不起作用），即年龄每增加1岁，患鼻咽癌的风险增加n（OR）倍。

如果将分类协变量的参考类别为默认，结果如下：

    同样以肿瘤家族史为例，无肿瘤家族史患鼻咽癌是有肿瘤家族史的0.132倍，为保护因素。

logistic回归模型中，卡方值=87.589，P<0.001, 认为该模型有统计学意义。其中，肿瘤家族史、职业有害接触和吸烟是鼻咽癌发生的危险因素，体育锻炼为保护因素。必要的话，还可以写出logistic回归方程。