回归分析结果解读

Logistic回归分析报告结果解读分析

Logistic回归常用于分析二分类因变量(如存活和死亡、患病和未患病等)与多个自变量的关系。比较常用的情形是分析危险因素与是否发生某疾病相关联。例如，若探讨胃癌的危险因素，可以选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群有不同的临床表现和生活方式等，因变量就为有或无胃癌，即“是”或“否”，为二分类变量，自变量包括年龄、性别、饮食习惯、是否幽门螺杆菌感染等。自变量既可以是连续变量，也可以为分类变量。通过Logistic回归分析，就可以大致了解胃癌的危险因素。

Logistic回归与多元线性回归有很多相同之处，但最大的区别就在于他们的因变量不同。多元线性回归的因变量为连续变量；Logistic回归的因变量为二分类变量或多分类变量，但二分类变量更常用，也更加容易解释。

1.Logistic回归的用法

一般而言，Logistic回归有两大用途，首先是寻找危险因素，如上文的例子，找出与胃癌相关的危险因素；其次是用于预测，我们可以根据建立的Logistic回归模型，预测在不同的自变量情况下，发生某病或某种情况的概率(包括风险评分的建立)。

2.用Logistic回归估计危险度

所谓相对危险度(risk

SPSS—回归—多元线性回归结果分析（二） 2011-10-27 14:44

，最近一直很忙，公司的潮起潮落，就好比人生的跌岩起伏，眼看着一步步走向衰弱，却无能为力，也许要学习“步步惊心”里面“四阿哥”的座右铭：“行到水穷处”，”坐看云起时“。

接着上一期的“多元线性回归解析”里面的内容，上一次，没有写结果分析，这次补上，结果分析如下所示： 结果分析1：

由于开始选择的是“逐步”法，逐步法是“向前”和“向后”的结合体，从结果可以看出，最先进入“线性回归模型”的是“price in thousands\ 建立了模型1，紧随其后的是“Wheelbase\ 建立了模型2，所以，模型中有此方法有个概率值，当小于等于0.05时，进入“线性回归模型”（最先进入模型的，相关性最强，关系最为密切）当大于等 0.1时，从“线性模型中”剔除

结果分析：

1：从“模型汇总”中可以看出，有两个模型，（模型1和模型2）从R2 拟合优度来看，模型2的拟合优度明显比模型1要好一些 （0.422>0.300）

2：从“Anova\可以看出“模型2”中的“回归平方和”为115.311，“残差平方和”为153.072，由于总平方和= 回归平方和+残差平方和，由于

Excel回归分析结果的详细阐释

利用Excel的数据分析进行回归，可以得到一系列的统计参量。下面以连续10年积雪深度和灌溉面积序列（图1）为例给予详细的说明。

图1 连续10年的最大积雪深度与灌溉面积（1971－1980）

回归结果摘要（Summary Output）如下（图2）：

图2 利用数据分析工具得到的回归结果

1

第一部分：回归统计表

这一部分给出了相关系数、测定系数、校正测定系数、标准误差和样本数目如下（表1）：

表1 回归统计表

逐行说明如下：

Multiple对应的数据是相关系数(correlation coefficient)，即R=0.989416。

R Square对应的数值为测定系数(determination coefficient)，或称拟合优度(goodness of fit)，它是相关系数的平方，即有R2=0.9894162=0.978944。

Adjusted对应的是校正测定系数(adjusted determination coefficient)，计算公式为

(n?1)(1?R2)Ra?1?

n?m?1式中n为样本数，m为变量数，R2为测定系数。对于本例，n=10，m=1，R2=0.978944，代入上

Excel回归分析结果的详细阐释

利用Excel的数据分析进行回归，可以得到一系列的统计参量。下面以连续10年积雪深度和灌溉面积序列（图1）为例给予详细的说明。

图1 连续10年的最大积雪深度与灌溉面积（1971－1980）

回归结果摘要（Summary Output）如下（图2）：

图2 利用数据分析工具得到的回归结果

1

第一部分：回归统计表

这一部分给出了相关系数、测定系数、校正测定系数、标准误差和样本数目如下（表1）：

表1 回归统计表

逐行说明如下：

Multiple对应的数据是相关系数(correlation coefficient)，即R=0.989416。

R Square对应的数值为测定系数(determination coefficient)，或称拟合优度(goodness of fit)，它是相关系数的平方，即有R2=0.9894162=0.978944。

Adjusted对应的是校正测定系数(adjusted determination coefficient)，计算公式为

(n?1)(1?R2)Ra?1?

n?m?1式中n为样本数，m为变量数，R2为测定系数。对于本例，n=10，m=1，R2=0.978944，代入上

全省智障儿童康复技术培训班会议资料

智力测试与结果解读

山东大学齐鲁儿童医院杨良政

智力(intelligence)是“个人行动有目的、思维合理、应付环境有效的一种聚集的或全面的才能。所以说全面，是因为人的行为是以整体为特征;所以说聚集，是因为由诸多要素或诸多能力所构成。这些要素或能力虽非完全独立，但彼此之间有质的区别”( Wechsler,1939年)。

关于智力的本质，研究者们一直未有完全相同的见解。但在以下方面还是有着共识:①抽象思考和推理能力;②学习能力;③适应环境的能力;④解决问题的能力。智力测验是对智力水平进行量化的一种心理测量工具，有的智力测验测查的智力功能比较全面，能够计算出智力商数(智商，intelligence quotient, IQ)。

IQ是智力数量化单位，最初由Terman在1916年修订Stanford Binet(S-B)量表时提出。当时，IQ被定义为智龄(MA)与实足年龄(CA)之比，再将商数乘以100(为了避免小数)，即IQ=100× (MA/CA)，所得结果称为比率IQ。美国著名心理学家Wechsler于1939年编制韦氏智力量表时，用离差IQ概念代替比率IQ。所谓离差IQ是将被试的测验分数与同龄组的人比较所得到的

血液常规检验是临床上最常用和较重要的检验项目之一,人体在某些生理状况下或发生疾病时,常可引起血液细胞成分发生数量和质量的变化。通过对血液中红细胞、白细胞和血小板数量、白细胞分类及相关参数的变化,对临床有关疾病的诊断、观察疾病的变化及治疗效果具有重要参考价值。

维普资讯

临床实验室检查结果解读血常规结果解读 ( 一)宁平

(中国医科大学附属盛京医院检验科，704 700 )

中图分类号。 4 R4文献标识码： A文章编号 6278 (08 l7— 1520)0￣040 6 01-2

围、感染的严重程度、患者的反应能

血时，三少”呈“表现，时白细胞可此少到 l 0/以下，×l L分类时几乎均

力。如感染很局限且轻微，白细胞总数仍可正常，但分类检查时，可见中性粒细胞有所增高；中度感染时，白细胞总数常增高>1 0×1 L, 0/并伴有轻度核左移；严重感染时，白细胞总数常明显增高，可达2 .×1 L 00 0 /

为淋巴细胞，因中性粒细胞严重乃减少所致的淋巴细胞相对增多。小部分急性白血病其白细胞总数不高反而减低，称非白血性白血病，白其细胞可<l 0/分类时也呈淋×l L,巴细胞相对增多，此时只有骨髓检

血液常规检

频率学视角下的网状meta分析及其结果解读

自meta分析问世以来，每年发表的文献不断增多，显示出一幅欣欣向荣的景。不用做实验，收集文献，一台电脑，一个数据库即可，省力又省钱，说是临床神技不为过。然而，随着写的人越来越多，普通的meta分析越来越难找到主题，投稿越发的困难。目前，较火的meta分析要算是网状meta了。相对于普通meta，网状meta的优势显而易见。目前，网状meta又可以分为基于贝叶斯理论和频率学理论两大派。贝叶斯的网络meta分析可用winbugs实现，可惜，单独的winbugs并无作图功能，无法给出森林图等图形化结果，目前普遍的方法是结合R软件或stata软件，读取winbugs计算结果进行作图。其次，单独使用R软件也能实现贝叶斯的网状meta分析，缺陷在于只能实现一致性模型，假如结果存在不一致的情况，仍然要借用winbugs计算。Winbugs的缺陷除了不能作图，还存在编程困难的问题，对于医学专业学生来说，编程是一项极为复杂的事，虽然能找到基本代码进行修改，但是如何修改，如何软件的互相调用，也是一大难题，稍有不慎，代码出错极难解决。网状meta的另一个方法是基于频率学派的，此方法只要stata就能完全操作，包括结果的可

回归分析 1）：变量选择与逐步回归 stepwise(X,y)

stepwise(X,y,inmodel,penter,premove) 课本P317

输入x为候选变量集合的n*k数据矩阵(n是数据容量,k是变量数目),y为因变量数据向量(n维),inmodel是初始模型中包括的候选变量集合的指标(矩阵x的列序数,

默认时设定为全部候选变量),penter是引入变量的显著性水平(默认时庙宇为0.05),premove是剔除变量的显著性水平(默认时设定为0.10)

调查了12名6到12岁正常儿童的体重,身高和年龄,如表,建立回归模型用于 预测从身高和年龄儿童的体重

1 2 3 4 5 6 7 8 9 10 11 12 y/kg 27.1 30.2 24.0 33.4 24.9 24.3 30.9 27.8 29.4 24.8 36.5 29.1 x1/m 1.34 1.49 1.14 1.57 1.19 1.17 1.39 1.21 1.26 1.06 1.64 1.44 x2/

应用线性回归课后作业

姓名：xxx

学号：xxxxxxxxx 年级：2013级

指导老师：xxx

第2章

2.14为了调查某广告对销售收入的影响，某商店记录了5个月的销

售收入y（万元）和广告费用x（万元），数据如表2-6所示 月份 x y 1 1 10 2 2 10 3 3 20 4 4 20 5 5 40 （表2-6） （1） 画散点图：

解：

> x <- c(1,2,3,4,5)

> y <- c(10,10,20,20,40) > plot(x,y)

101152025y30354023x45

（2）x与y之间是否大致呈线性关系：

解：

由上题的散点图可以看出五个点基本在一条直线附近，因此可以看出x与y之间大致呈线性关系

（3）用最小二乘估计求出回归方程：

解：R语言程序如下

> mystat1 <- data.frame(x,y) > mystat1 x y 1 1 10 2 2 10 3 3 20 4 4 20 5 5 40

> regress1 <- lm(y~x,data=mystat1) > summary(regress1)

Call:

lm(formula = y ~ x, data = mystat1)

Resid

1. 在钢线碳含量对于电阻的效应的研究中，得到如下一批数据： 碳含量X（%） 电阻Y（微欧） 0.10 15 0.30 18 0.40 19 0.55 21 0.70 22.6 0.80 23.8 0.95 26 求Y对X的线性回归方程，并检验回归效果的显著性.

2. 考察温度对产量的影响，测得下列10组数据： 温度（℃） 产量（kg） 20 13.2 25 15.1 30 16.4 35 17.1 40 17.9 45 18.7 50 19.6 55 21.2 60 22.5 65 24.3 求Y对X的线性回归方程，相关系数并检验回归效果是否显著（α=0.05）.

3. 某儿科医院研究某种代乳粉的营养价值时，用大白鼠做试验，得到大白鼠进食量X（克）和增加体重Y（克）之间关系的原始数据如下： 动物编号 进食量X（克） 增加体重Y（克） 1 820 2 780 3 720 4 867 5 690 6 787 7 934 8 679 9 639 10 820 165 158 130 180 134 167 186 145 120 158 试求Y对X的线性回归方程、相关系数并检验回归效果的显著性.

4. 某职工医院用光电比色计检验尿汞时，得尿