应该用logistic回归。前提是设计好变量类型。使用有序Logistic进行回归分析时,需要考虑4个假设:
假设1:因变量唯一,且为有序多分类变量,如血压水平可以分为高、中、低;某病的治疗效果分为痊愈、有效、无效等。
假设2:存在一个或多个自变量,可为连续、有序多分类或无序分类变量。
假设3:自变量之间无多重共线性。
假设4:模型满足比例优势假设。意思是无论因变量的分割点在什么位置,模型中各个自变量对因变量的影响不变,也就是自变量对因变量的回归系数与分割点无关。有序多分类的Logistic回归原理是将因变量的多个分类依次分割为多个二元的Logistic回归。
例如本例中因变量患者满意度有4个等级,分析时拆分为三个二元Logistic回归,分别为(0 vs 1+2+3) 、(0+1 vs 2+3)和(0+1+2 vs 3),均是较低级与较高级对比。在有序多分类Logistic回归中,假设几个二元Logistic回归的自变量系数相等,仅常数项不等。
结果也只输出一组自变量的系数。因此,有序多分类的Logistic回归模型,必须对自变量系数相等的假设(即比例优势假设)进行检验(又称平行线检验)。如果不满足该假设,则考虑使用无序多分类Logistic回归。
假设1-2都是对研究设计的假设,需要研究者根据研究设计进行判断。经过分析,本研究符合假设1和假设2,那么应该如何检验假设3、假设4,并进行有序Logistic回归呢?
区别在于广义化线性模型中的联系函数的形式。logit 采用对数形式。应用上,普通logit的响应变量是二元的。 logit的响应变量可以是多元的。统计软件 spss中: logit属于对数线性模型,分析结果主要为因变量和自变量之间的关系,可以细化到各分类因变量与分类自变量之间。sem属于回归分析,分析结果为估计出自变量参数。
因变量是分类变量用逻辑回归统计。根据查询相关资料信息,针对因变量为分类变量而进行回归分析的一种统计方法,属于概率型非线性回归优点:算法易于实现和部署,执行效率和准确度高,故因变量是分类变量用逻辑回归统计。欢迎分享,转载请注明来源:夏雨云
评论列表(0条)