如何用SPSS完成回歸分析的若干模型、Per SD increase以及P for trend

2022-01-03 一起學科研

今天和大家分享一下如何用SPSS軟體生成隊列研究/橫斷面研究的「Table 3」，一來這是之前困惑我很久的統計學問題，最近對CHARLS數據比較感興趣（這是我國比較大的一個公共資料庫，下載的數據需要用stata或R合併，然後數據清洗，筆者用的stata軟體，也正在慢慢琢磨和學習中，感興趣的朋友可以利用起來發paper，筆者近兩天整理了一份2018年最新數據進行分析成文，終於有所收穫！二來分享在公眾號希望讓各位大佬們批評指正，可有錯誤的地方，以茲改正！

 

在隊列研究/橫斷面研究中，經常是探討自變量A對某種人群因變量B的影響；SCI論文的題目往往是「Association of A and B among X population: a cohort study/cross-sectional study」

表1和表2一般是對自變量A和因變量B的描述性分析


表3就是根據自己需要進行不同因素調整（Adjusted）的多個回歸模型（如下圖）

 

因變量B是連續性變量：線性回歸

因變量B是二分類變量：Logistic回歸

因變量B是終點事件：Cox回歸

模型1：未調整（Unjusted）

模型2：調整了性別，年齡..

模型3：調整了性別，年齡...

 

我們以Logistic回歸分析為例；

打開一份數據（瞎編的，僅供示例），筆者用的SPSS 21.0

自變量A和因變量B可以是連續性變量，也可以是分類變量（如果你收集的B是連續性變量，就轉化為二分類即可，後文會講到如何轉化）

 

首先開始分析之前一般先對自變量A按照四分位距（比較常用；也可以是三分位距、五分位距）進行多分類轉化

 

因此我們按照<216；216-439；439-700；>700對A進行轉化，這就生成了新的一列數據，然後就可以做表1和表2了

 

表3，我們先看模型1（未調整），因為這時候A是分類變量，回歸分析時需要設置啞變量；點擊右上方Categorical，把First（就是賦值最小的，案例中是1）作為參照組（這裡需要注意一下，如果A是二分類，可以但不需要在這裡設置啞變量，Logistic回歸的結果默認賦值小的為參照組）


接著我們看P for trend怎麼出來的

同樣進入Logistic回歸的界面，點擊右上方Categorical，退出Agroup的啞變量，OK，繼續

P for trend=0.794，說明因素A對B的影響不是呈線性趨勢的；該值表示：因素A每增加一個等級（四分位的），B的風險降低3%，無統計學意義

 

再看Per SD increase，首先簡單講一下這個概念，對於指標A，如果以連續性變量進入模型，得出的結果是A每增加1個單位，B的風險增加/降低XX，但是這個對於臨床意義並不大，因此引入了Per SD increase，顧名思義，就是「每增加一個標準差」

我們先把A的標準差算出來

SD=285.91

 

接著對原始數據A進行標準差處理，如圖

數據界面多了一列ZA

 

然後再次進入Logistic回歸界面，得出Per SD increase: OR (95% CI): 0.917 (0.713, 1.179)，說明A每增加一個SD（285.91），B的風險降低9.3%，無統計學意義。

到此，模型1的一列就完成了！ 

模型2和模型3無非是多了調整因素，方法是一樣的

注意一下：不管是P for trend還是Per SD increase，因素A不用啞變量，調整因素需要用啞變量


模型1未調整（Unjusted）

模型2調整了性別，年齡

模型3調整了性別，年齡...


相比R和Stata需要編程，SPSS只需要點點滑鼠就能出結果（雖然繁瑣了一些），我相信很多人電腦裡還是用的SPSS，尤其是在讀研究生。


今天的分享到這裡，如有錯誤，請不吝賜教！感激不盡

相關焦點

  • SCI論文都在用 P for trend,到底是何方神聖?
    對於想發SCI的小夥伴，會算P for trend成為了一個必備技能。如2009年發表於《美國流行病學雜誌》上的一篇文章，研究的是女性子宮內膜癌與卵巢癌的影響因素，文章中給出了不同BMI、飲酒、運動量等行為與癌症發生的p for trend值。如圖所示。
  • Mac-IBM SPSS Statistics 26-SPSS統計分析軟體
    spss mac 破解版軟體功能用快速而強大的解決方案推動研究和分析一套全面的統計工具在單一的集成界面中工作，運行描述性統計，回歸，高級統計等等。引導Bootstrapping是測試模型穩定性的有用技術。IBM SpsS Bootstrapping有助於實現它的高效和簡單。IBM SpsS Statistics的這個模塊通過從原始樣本中替換重新抽樣來估計估計量的抽樣分布。您可以估算總體參數的標準誤和置信區間，如平均值，中位數，比例，優勢比，相關係數，回歸係數等。
  • SPSS數據分析多元回歸分析陳金文老師手把手教學
    陳金文老師手把手教學SPSS數據分析多元回歸分析概念：
  • SPSS多元線性回歸案例:回歸分析方法實戰
    回歸分析是一種預測性的建模技術，它研究的是因變量(目標)和自變量(預測器)之間的關係。這種技術通常用於預測分析，時間序列模型以及發現變量之間的因果關係。使用曲線/線來擬合這些數據點，在這種方式下，從曲線或線到數據點的距離差異最小。
  • R語言JAGS貝葉斯回歸模型分析博士生延期畢業完成論文時間
    p=23652本文為讀者提供了如何進行貝葉斯回歸的基本教程。包括完成導入數據文件、探索匯總統計和回歸分析。在本文中，我們首先使用軟體的默認先驗設置。在第二步中，我們將應用用戶指定的先驗，對自己的數據使用貝葉斯。準備工作本教程要求:已安裝的JAGS安裝R軟體。
  • SPSS大戰多元回歸分析
    多元回歸分析應用於各個領域，主要有經濟、醫學、農學等。今天小編為大家分享一篇SPSS大戰多元回歸的數據分析實例。線性回歸數據來自於國泰安數據服務中心的經濟研究資料庫。網址：http://www.gtarsc.com/p/sq/。數據名稱為：全國各地區能源消耗量與產量，該數據的年度標識為2006年，地區包括我國30個省，直轄市，自治區（西藏地區無數據）。
  • python數據分析--回歸函數及線性回歸分析
    spss等。此處我們選用python進行分析。首先，我們需要安裝並導入python數據分析常用的庫。__version__)3.線性回歸分析Y= aX + b + e ,e表示殘差。線性回歸：分析結論的前提：(數據滿足統計假設)3.1 statsmodels.formula.api.OLS():普通最小二乘模型擬合- - 常用tips = pd.read_csv(r"D:\Case_data/tips.csv",sep=',',encoding='utf-8'
  • SPSS12:12.8 非線性回歸分析
    例如模型：lgY=a+bX, Y=1/(a+be-x), lgY=a+blgX等等，對這一類問題的研究要用非線性回歸分析（Non-linear Regression Analysis）方法。非線性回歸分析（Nonlinear Regression）能根據建立的模型表達式（Model Expression）與參數的初始值，利用迭代方法估計非線性回歸模型。
  • 不想再後悔寒假沒學SPSS了,從安裝教程開始帶圖詳解!
    無論是大學生還是工作小白，做數據分析的時候，不會用spss，只能用著基礎的Excel軟體，面對其他同學/同事以及導師/領導的時候，難道不會尷尬到腳下摳出一套三室一廳大house嗎？作為世界上三大統計軟體之一。
  • SPSS分析技術:線性回歸分析
    相關分析請點擊回顧：SPSS分析技術：Pearson相關、Spearman相關及Kendall相關；SPSS分析技術：偏相關分析；SPSS分析技術：低測度數據的相關性分析；回歸分析就是分析變量之間隱藏的內在規律，並建立變量之間函數變化關係的一種分析方法，回歸分析的目標就是建立由一個因變量和若干自變量構成的回歸方程式，使變量之間的相互控制關係通過這個方程式描述出來
  • SPSS篇—回歸分析
    今天給大家分享一下如何用SPSS Statistics來進行回歸分析，我們通過一個實例來具體了解一下整個分析的過程以及結果的解讀。上圖中就是本次需要進行回歸分析的數據，之前有跟大家說過，SPSS Statistics的界面跟EXCEL是相似的，如果數據量比較小的時候我們可以直接輸入到數據視圖當中（也可以從EXCEL將數據粘貼過來）。
  • 學習|spss數據分析統計教程
    希望大家可以幫忙轉發這篇文章讓公眾號快快成長起來這樣才有更多動力推送超級優質的乾貨呀spss數據統計後臺回復spss1spss1spss1spss1領取spss統計軟體教程信度分析方差分析項目分析Part 4 因素分析+實例簡介操作說明原理實例Part 5 回歸分析回歸分析的相關概念回歸模型的選擇（1）回歸模型的選擇（2）回歸模型診斷（1）回歸模型診斷（2）
  • R數據分析:一般線性回歸的做法和解釋
    在R語言中我們可以非常方便地用基礎包中的lm方法做出線性回歸。參數的書寫也和數學方程一樣一樣的Y~X+X2，只不過將等號換成了~。我們用summary+回歸對象就可以得到回歸結果，如果要看模型的殘差直接$resid就可以。還是給大家寫一個活生生的例子吧：實例描述：我們有如圖的數據集，我想要用回歸分析做month, spend對sales的關係。
  • 大數據分析R中泊松回歸模型實例
    如果您知道如何以及何時使用泊松回歸，它可能是一個非常有用的工具。在大數據分析R中泊松回歸模型實例中，我們將深入研究泊松回歸，它是什麼以及R程式設計師如何在現實世界中使用它。
  • SPSS分析技術:多重線性回歸模型;極端值與多重共線性的識別與處理
    基礎準備前面我們介紹了多重線性回歸模型的基礎內容及SPSS軟體的操作過程，同時也介紹了如何通過各種指標判斷多重線性回歸模型的擬合質量如何
  • AMOS分析技術:模型的群組分析;AMOS如何對同一個模型分別用男性數據和女性數據擬合?
    、Amos軟體的分析原理、模型擬合質量指標和模型校正過程等內容，大家可以從首頁下方獲取Amos導航頁進行系統回顧，導航頁的形式可以點擊下面的連結查看：下面草堂君要介紹的是如何在Amos軟體上實現不同群組對同一個模型的擬合分析。
  • python回歸分析模型 - CSDN
    只是python代碼方便以後調用，理論部分需要看其他人的回歸模型的預測import matplotlibimport matplotlib.pyplot as pltimport pandas as pdimport numpy as npimport seaborn as sns
  • 如何用邏輯回歸做數據分析?
    ，傳送門：如何用線性回歸做數據分析？接下來，我將用最簡單通俗的語言來為大家介紹邏輯回歸模型及其應用。邏輯回歸是解決二分類問題的監督學習算法，用來估計某個類別的概率。其直接預測值是表示0-1區間概率的數據，基於概率再劃定閾值進行分類，而求解概率的過程就是回歸的過程。
  • 一句代碼完成lasso回歸
    這裡我推薦一個R包 glmSparseNet，可以完成多種數據類型的lasso回歸，包括："gaussian", "poisson", "binomial", "multinomial", "cox", and "mgaussian".