對(duì)數(shù)線性模型及SPSS操作

1、整理ppt對(duì)數(shù)線性模型對(duì)數(shù)線性模型多項(xiàng)分布對(duì)數(shù)線性模型多項(xiàng)分布對(duì)數(shù)線性模型PoissonPoisson對(duì)數(shù)線性模型對(duì)數(shù)線性模型 整理ppt2高維列聯(lián)表和高維列聯(lián)表和多項(xiàng)分布多項(xiàng)分布對(duì)數(shù)線性模型對(duì)數(shù)線性模型 前面例子原始數(shù)據(jù)是個(gè)三維列聯(lián)表，對(duì)三維列聯(lián)前面例子原始數(shù)據(jù)是個(gè)三維列聯(lián)表，對(duì)三維列聯(lián)表的檢驗(yàn)也類(lèi)似。表的檢驗(yàn)也類(lèi)似。 但高維列聯(lián)表在計(jì)算機(jī)軟件的選項(xiàng)可有所不同，但高維列聯(lián)表在計(jì)算機(jī)軟件的選項(xiàng)可有所不同，而且可以構(gòu)造一個(gè)所謂而且可以構(gòu)造一個(gè)所謂(多項(xiàng)分布多項(xiàng)分布)對(duì)數(shù)線性模型對(duì)數(shù)線性模型(loglinear model)來(lái)進(jìn)行分析。來(lái)進(jìn)行分析。 利用對(duì)數(shù)線性模型的好處是不僅可以直接進(jìn)行預(yù)利用對(duì)

2、數(shù)線性模型的好處是不僅可以直接進(jìn)行預(yù)測(cè)，而且可以增加測(cè)，而且可以增加定量變量作為模型的一部分。定量變量作為模型的一部分。整理ppt3多項(xiàng)分布對(duì)數(shù)線性模型多項(xiàng)分布對(duì)數(shù)線性模型 現(xiàn)在簡(jiǎn)單直觀地通過(guò)二維表介紹一下對(duì)數(shù)線性模型，假定不同的行代表現(xiàn)在簡(jiǎn)單直觀地通過(guò)二維表介紹一下對(duì)數(shù)線性模型，假定不同的行代表第一個(gè)變量的不同水平，而不同的列代表第二個(gè)變量的不同水平。第一個(gè)變量的不同水平，而不同的列代表第二個(gè)變量的不同水平。用用mij代表二維列聯(lián)表第代表二維列聯(lián)表第i行，第行，第j列的頻數(shù)。列的頻數(shù)。人們常假定這個(gè)頻數(shù)可以用下面的人們常假定這個(gè)頻數(shù)可以用下面的公式來(lái)確定：公式來(lái)確定：ln()ijijijm這

3、就是所謂的這就是所謂的多項(xiàng)分布多項(xiàng)分布對(duì)數(shù)線性模型。這里對(duì)數(shù)線性模型。這里i為行變量的第為行變量的第i個(gè)水平對(duì)個(gè)水平對(duì)ln(mij)的影響，而的影響，而j為列變量的第為列變量的第j個(gè)水平對(duì)個(gè)水平對(duì)ln(mij)的影響，這兩個(gè)影響稱(chēng)的影響，這兩個(gè)影響稱(chēng)為主效應(yīng)（為主效應(yīng)（main effect）；ij代表隨機(jī)誤差。代表隨機(jī)誤差。 整理ppt4多項(xiàng)分布對(duì)數(shù)線性模型多項(xiàng)分布對(duì)數(shù)線性模型 這個(gè)模型看上去和回歸模型很象，但由于對(duì)于分布的假設(shè)不同，這個(gè)模型看上去和回歸模型很象，但由于對(duì)于分布的假設(shè)不同，不能簡(jiǎn)單地用線性回歸的方法來(lái)套用不能簡(jiǎn)單地用線性回歸的方法來(lái)套用(和和Logistic回歸類(lèi)似回歸類(lèi)似)

4、；計(jì)算過(guò)程也很不一樣。當(dāng)然我們把這個(gè)留給計(jì)算機(jī)去操心了。計(jì)算過(guò)程也很不一樣。當(dāng)然我們把這個(gè)留給計(jì)算機(jī)去操心了。只要利用數(shù)據(jù)來(lái)擬合這個(gè)模型就可以得到對(duì)于參數(shù)只要利用數(shù)據(jù)來(lái)擬合這個(gè)模型就可以得到對(duì)于參數(shù)m的估計(jì)的估計(jì)（沒(méi)有意義），以及（沒(méi)有意義），以及ai和和bj的的“估計(jì)估計(jì)”。 有了估計(jì)的參數(shù)，就可以預(yù)測(cè)出任何有了估計(jì)的參數(shù)，就可以預(yù)測(cè)出任何i，j水平組合的頻數(shù)水平組合的頻數(shù)mij了了（通過(guò)其對(duì)數(shù)）。（通過(guò)其對(duì)數(shù)）。 注意，這里的估計(jì)之所以打引號(hào)是因?yàn)橐粋€(gè)變量的各個(gè)水平的注意，這里的估計(jì)之所以打引號(hào)是因?yàn)橐粋€(gè)變量的各個(gè)水平的影響是相對(duì)的影響是相對(duì)的,因此因此,只有事先固定一個(gè)參數(shù)值只有事先固定

5、一個(gè)參數(shù)值(比如比如a1=0), ,或者或者設(shè)定類(lèi)似于設(shè)定類(lèi)似于S Sai=0=0這樣的約束，才可能估計(jì)出各個(gè)的值。這樣的約束，才可能估計(jì)出各個(gè)的值。沒(méi)有沒(méi)有約束，則這些參數(shù)是估計(jì)不出來(lái)的。約束，則這些參數(shù)是估計(jì)不出來(lái)的。 整理ppt5多項(xiàng)分布對(duì)數(shù)線性模型多項(xiàng)分布對(duì)數(shù)線性模型 二維列聯(lián)表的更完全的對(duì)數(shù)線性模型為二維列聯(lián)表的更完全的對(duì)數(shù)線性模型為ln()()ijijijijm 這里的這里的()ij代表第一個(gè)變量的第代表第一個(gè)變量的第i個(gè)水平和第二個(gè)變量個(gè)水平和第二個(gè)變量的第的第j個(gè)水平對(duì)個(gè)水平對(duì)ln(mij)的共同影響的共同影響(交叉效應(yīng)交叉效應(yīng))。即當(dāng)單獨(dú)。即當(dāng)單獨(dú)作用時(shí)，每個(gè)變量的一個(gè)水平對(duì)

6、作用時(shí)，每個(gè)變量的一個(gè)水平對(duì)ln(mij)的影響只有的影響只有i(或或j)大，但如果這兩個(gè)變量一同影響就不僅是大，但如果這兩個(gè)變量一同影響就不僅是i + j ，而，而且還多出一項(xiàng)。且還多出一項(xiàng)。 這里的交叉項(xiàng)的諸參數(shù)的大小也是相對(duì)的，也需要這里的交叉項(xiàng)的諸參數(shù)的大小也是相對(duì)的，也需要約束約束條件條件來(lái)得到其來(lái)得到其“估計(jì)估計(jì)”；涉及的變量和水平越多，約束；涉及的變量和水平越多，約束也越多。也越多。整理ppt6注意，無(wú)論你對(duì)模型假定了多少種效應(yīng)，注意，無(wú)論你對(duì)模型假定了多少種效應(yīng)，并并不見(jiàn)得都有意義不見(jiàn)得都有意義；有些可能是多余的。本來(lái)；有些可能是多余的。本來(lái)沒(méi)有交叉影響，但如果寫(xiě)入，也沒(méi)有關(guān)系

7、，沒(méi)有交叉影響，但如果寫(xiě)入，也沒(méi)有關(guān)系，在分析過(guò)程中一般可以知道哪些影響是顯著在分析過(guò)程中一般可以知道哪些影響是顯著的，而那些是不顯著的。的，而那些是不顯著的。 整理pptPoisson分布簡(jiǎn)介分布簡(jiǎn)介 在某些固定的條件下在某些固定的條件下, 人們認(rèn)為某些事件出現(xiàn)人們認(rèn)為某些事件出現(xiàn)的次數(shù)服從的次數(shù)服從Poisson分布分布, 比如在某一個(gè)時(shí)間段內(nèi)某比如在某一個(gè)時(shí)間段內(nèi)某種疾病的發(fā)生病數(shù)種疾病的發(fā)生病數(shù), 顯微鏡下的微生物數(shù)顯微鏡下的微生物數(shù), 血球數(shù)血球數(shù), 門(mén)診病人數(shù)門(mén)診病人數(shù), 投保數(shù)投保數(shù), 商店的顧客數(shù)商店的顧客數(shù), 公共汽車(chē)到達(dá)公共汽車(chē)到達(dá)數(shù)數(shù), 電話接通數(shù)等等電話接通數(shù)等等. 然

8、而然而, 條件是不斷變化的條件是不斷變化的. 因此因此, 所涉及的所涉及的Poisson分布的參數(shù)也隨著變化分布的參數(shù)也隨著變化.整理ppt8Poisson對(duì)數(shù)線性模型對(duì)數(shù)線性模型 假定哮喘發(fā)生服從假定哮喘發(fā)生服從Poisson分布；但是由于條件不同，分布；但是由于條件不同，Poisson分布的參數(shù)也應(yīng)該隨著條件的變化而改變。這里分布的參數(shù)也應(yīng)該隨著條件的變化而改變。這里的條件就是給出的性別、空氣污染程度與年齡。當(dāng)然，的條件就是給出的性別、空氣污染程度與年齡。當(dāng)然，如何影響以及這些條件影響是否顯著則是我們所關(guān)心的。如何影響以及這些條件影響是否顯著則是我們所關(guān)心的。這個(gè)模型可以寫(xiě)成這個(gè)模型可以寫(xiě)

9、成 這里這里為常數(shù)項(xiàng)，為常數(shù)項(xiàng)，i為性別為性別（i=1,2分別代表女性和男性分別代表女性和男性?xún)蓚€(gè)水平），兩個(gè)水平），j為空氣污染程度為空氣污染程度（j=1,2,3代表低、中高代表低、中高三個(gè)污染水平），三個(gè)污染水平），x為連續(xù)變量年齡為連續(xù)變量年齡，而而為年齡前面為年齡前面的系數(shù)的系數(shù)，ij為為殘差項(xiàng)殘差項(xiàng)。 ln()ijijx整理ppt9 SPSS 中一共提供了對(duì)數(shù)線性模型的三個(gè)過(guò)程: General 過(guò)程、過(guò)程、Logit 過(guò)程過(guò)程和和Model Selection 過(guò)程過(guò)程，三者都應(yīng)用對(duì)數(shù)線性模型的基本原理，但在具體的擬和方法和結(jié)果輸出上有些不同，分別用于不同的研究情況。 Genera

10、l 過(guò)程適用于研究人員只對(duì)某些特定效應(yīng)項(xiàng)某些特定效應(yīng)項(xiàng)感興趣的情況，屬于證實(shí)證實(shí)性研究性研究。General 過(guò)程的另外一個(gè)特點(diǎn)是，分析中只考慮因素之間是否相關(guān)，不考慮誰(shuí)是原因誰(shuí)是結(jié)果，最后在結(jié)果解釋時(shí)才由研究人員來(lái)做出判斷。 如果因變量為兩分類(lèi)，就可以用Logit 過(guò)程提供的Logit 模型來(lái)分析。相比之下，它比另兩個(gè)模型更像方差分析，明確分出了應(yīng)變量和自變量明確分出了應(yīng)變量和自變量，直接服務(wù)于分類(lèi)變量之間的因果關(guān)系。 Model Selection 過(guò)程擬合的是分層對(duì)數(shù)線性模型分層對(duì)數(shù)線性模型(Hierarchical Mode)。如果在探索性分析中研究人員只是設(shè)想若干分類(lèi)變量之間可能有關(guān)

11、系，但是并無(wú)明確假設(shè)，也沒(méi)有具體分出哪個(gè)是因變量、哪個(gè)是自變量，此時(shí)比較適宜采用分層對(duì)數(shù)線性模型分析。整理ppt10對(duì)數(shù)線性模型- General模型 一般對(duì)數(shù)線性模型是對(duì)數(shù)線性模型中最簡(jiǎn)單的一種。 例：某醫(yī)科大學(xué)附屬醫(yī)院用內(nèi)科療法治療一般類(lèi)型胃潰病患者80 例，治愈63 例，治療特殊類(lèi)型胃潰病患者99 例，治愈31 例，試通過(guò)此資料比較用內(nèi)科療法治療兩種胃潰病病人所得的治愈率是否相同。 影響格子中頻數(shù)大小的因素有兩個(gè):組別和治療結(jié)果，根據(jù)前面的分析可知，要比較兩種類(lèi)型胃潰瘍病的治愈率是否相同，就是分析組別和治療結(jié)果兩個(gè)因素對(duì)單元格頻數(shù)的作用是否存在交互作用。整理ppt11可以認(rèn)為用內(nèi)科療法治

12、療兩種胃潰瘍病人所得的治愈率是不同的。一般類(lèi)型病人的治愈率高于特殊類(lèi)型，或者可以說(shuō)，治愈率和組別與治療結(jié)果兩個(gè)因素有關(guān)，對(duì)單元格頻數(shù)的作用存在交互作用。整理ppt擬合Poisson回歸模型時(shí)使用首先應(yīng)當(dāng)使用Weight Cases 過(guò)程，將count 指定為頻數(shù)變量。整理ppt整理ppt整理ppt整理ppt整理ppt17結(jié)果分析：結(jié)果分析：模型迭代的基本情況：允許最大迭代次數(shù)為20 次，用于判斷收斂的相對(duì)容忍度為0.001，本模型迭代4次后即成功收斂。表格下方的腳注給出了具體模型的信息：?jiǎn)卧駜?nèi)頻數(shù)服從多項(xiàng)分布，具體的模型如下，即含交互作用項(xiàng)的飽含交互作用項(xiàng)的飽和模型和模型。abbaab)(l

13、n整理ppt整理ppt整理ppt這里關(guān)心的是參數(shù)6 的估計(jì)值及假設(shè)檢驗(yàn)結(jié)果，即兩個(gè)因素的交互作用是否有意義。其參數(shù)估計(jì)值為2. 095 ,P0. 05 ，認(rèn)為胃潰瘍類(lèi)型和治療結(jié)果兩個(gè)因素之間存在交互作用，即不同胃潰瘍類(lèi)型有不同的治療率。結(jié)合具體資料可以看出，一般類(lèi)型胃潰瘍治愈率高于特殊類(lèi)型。整理ppt 輸出的分別是4 個(gè)系數(shù)的協(xié)方差矩陣和相關(guān)系數(shù)矩陣。作為參照水平的參數(shù)(都賦值為0) 沒(méi)有列出。 再次提醒：由于擬合的是飽和模型，故所有的殘差均為0 ，因此沒(méi)有輸出與殘差有關(guān)的圖形。整理ppt22 如果選擇Custom模型，分析group和result兩個(gè)因素的Main effect，不包含兩者的

14、交互效應(yīng)，結(jié)果會(huì)怎樣？從模型的擬和優(yōu)度檢驗(yàn)可見(jiàn)，無(wú)論是似然比2 還是普通的Pearson 2 , P值都是小于0.05 的，從飽和模型中去除交互項(xiàng)后所用的這個(gè)模型在擬合優(yōu)度上和原飽和模型有統(tǒng)計(jì)學(xué)差異，即被去除的交互項(xiàng)實(shí)際上是存在的被去除的交互項(xiàng)實(shí)際上是存在的。也就是兩變量間有關(guān)系，即不同類(lèi)型胃潰瘍病人的治愈率不同。這與飽和模型的分析結(jié)果是完全一致的。整理ppt 4 個(gè)單元格的觀察頻數(shù)、期望頻數(shù)和校正殘差的散點(diǎn)圖矩陣散點(diǎn)圖矩陣。 上排中間的格子是指以期望頻數(shù)橫坐標(biāo)、實(shí)際頻數(shù)為縱坐標(biāo)的散點(diǎn)圖； 第二排左邊的散點(diǎn)圖是以實(shí)際頻數(shù)為橫坐標(biāo)、期望頻數(shù)為縱坐標(biāo)。 如果把這兩個(gè)圖作一定的旋轉(zhuǎn)，就會(huì)發(fā)現(xiàn)它們是完

15、全一樣的。 從觀察頻數(shù)和校正殘差的散點(diǎn)圖可看出， 4 個(gè)散點(diǎn)明顯存在著一定的趨勢(shì)，這說(shuō)明殘差不服從正態(tài)分布，所擬合的模型尚不能完全解釋4 個(gè)格子頻數(shù)的分布規(guī)律，可能還有有意義的變量未被納入(實(shí)際上就是交互項(xiàng)未被納入)。整理ppt 校正殘差的正態(tài)Q-Q 圖和去勢(shì)正態(tài)Q-Q圖，可見(jiàn)雖然只有4 個(gè)格子的殘差，但明顯存在著一定趨勢(shì)，結(jié)論和前面相同。整理ppt25Poisson回歸模型回歸模型 SPSS 中一般對(duì)數(shù)線性模型主對(duì)話框右下側(cè)的Distribution of Cell Counts 單選框組默認(rèn)為Poisson ，即各單元格中頻數(shù)服從Poisson 分布。 在上文所討論的模型中，單元格內(nèi)頻數(shù)都

16、被假定成服從多項(xiàng)分布，此時(shí)擬合的是標(biāo)準(zhǔn)的對(duì)數(shù)線性模型。 但是如果將頻數(shù)分布設(shè)定為Poisson 分布，此時(shí)擬合的又是什么模型呢?整理ppt整理ppt27 例：現(xiàn)收集了某一年代英國(guó)男性醫(yī)生冠心病死亡與抽煙關(guān)系的年齡分組數(shù)據(jù)。請(qǐng)推斷英國(guó)男醫(yī)生冠心病死亡與抽煙、年齡是否有關(guān)？注意由于死亡與追蹤人數(shù)和追蹤時(shí)間均有關(guān)，故對(duì)人數(shù)進(jìn)行了校正，實(shí)際上是用經(jīng)過(guò)校正的觀察人數(shù)作為觀察單位。 由于冠心病并非傳染病，且在人群中的病死率較低病死率較低，因此可以認(rèn)為死亡人數(shù)服從Poisson 分布。 在清楚了模型的基本結(jié)構(gòu)后，本例的操作就不再困難了，唯一比較特殊的是由于各年齡組的觀察人數(shù)不同，需要在各年齡組的觀察人數(shù)不同

17、，需要在Cell Structure 框中加以設(shè)定框中加以設(shè)定。整理ppt28首先對(duì)死亡數(shù)died進(jìn)行加權(quán)。整理ppt由模型的擬合優(yōu)度可見(jiàn)，當(dāng)前模型和飽和模型相比沒(méi)有統(tǒng)計(jì)學(xué)差異，說(shuō)明不需要再納入兩個(gè)變量的交互項(xiàng)不需要再納入兩個(gè)變量的交互項(xiàng)了。整理ppt 模型的參數(shù)估計(jì)值，由于Poisson 回歸模型都是對(duì)前瞻性研究數(shù)據(jù)進(jìn)行擬合，因此可以通過(guò)對(duì)事件發(fā)生率(此處為死亡率)的比較計(jì)算出相對(duì)危險(xiǎn)度。 本例的結(jié)果：和抽煙者相比，不抽煙者的死亡風(fēng)險(xiǎn)較低，其RR為exp (-0.5) =0.6060 。而隨著年齡的增加，死亡的風(fēng)險(xiǎn)也在逐漸上升，和35 歲組(編碼為1)相比，65 歲組(編碼為4) 的RR值為

18、exp (3.338) = 28.163。整理ppt31對(duì)數(shù)線性模型- Logit模型 一般線性模型己經(jīng)可以完成許多分析了，它的特色是對(duì)所有的變量不分因變量和自變量，一視同仁的分析。但有的時(shí)候，研究人員對(duì)研究變量間的因果關(guān)系已經(jīng)了解，研究目的是分析自變量與因變量之間的關(guān)系，此時(shí)用一般對(duì)數(shù)線性模型就無(wú)法利用該信息。 在這種情況下，可以用Logit 過(guò)程提供的Logit 模型來(lái)分析。該模型明確分出因變量和自變量明確分出因變量和自變量，分析因變量和自變量之間的因果關(guān)系。 模型中將自動(dòng)引入自變量與因變量的交互項(xiàng)自動(dòng)引入自變量與因變量的交互項(xiàng)。在擬合結(jié)果上， Logit 模型實(shí)際上和我們熟悉的Logis

19、tic 模型等價(jià)。整理ppt32 例：要研究?jī)煞N手術(shù)后并發(fā)癥的嚴(yán)重程度與手術(shù)類(lèi)型是否有關(guān)，在甲乙兩個(gè)醫(yī)院各觀察70 、54 例子術(shù)病人。本研究分析不同手術(shù)類(lèi)型和不同醫(yī)院對(duì)術(shù)后并發(fā)癥的影響，顯然是否出現(xiàn)術(shù)后并發(fā)癥是因變量，手術(shù)類(lèi)型和醫(yī)院是自變量。這一問(wèn)題可以用Logistic 回歸來(lái)解決，也可以用對(duì)數(shù)線性模型來(lái)解決，二者是等價(jià)的。整理ppt首先應(yīng)當(dāng)使用Weight Cases 過(guò)程，將count 指定為頻數(shù)變量。整理ppt可見(jiàn)該不飽和模型的擬合優(yōu)度與含所有交互項(xiàng)的飽和模型相比并無(wú)統(tǒng)計(jì)學(xué)差異，也就是說(shuō)，用此模型己經(jīng)可以用此模型己經(jīng)可以充分反映三個(gè)變量間的關(guān)系了充分反映三個(gè)變量間的關(guān)系了。整理ppt

20、 SPSS12之后新增的輸出，用于給出反應(yīng)給出反應(yīng)模型的解釋度模型的解釋度，它類(lèi)似于回歸模型中的決定系數(shù)，具體以熵(Entropy) 或集中度(Concentration) 來(lái)計(jì)算。 以熵為例，可見(jiàn)數(shù)據(jù)的總熵為83.613 ，其中被模型解釋掉了2.916 ，因此通過(guò)熵測(cè)得的模型解釋度為2.916/83.613 =0.035。 但是，由于這里擬合的是分類(lèi)數(shù)據(jù)的模型，因此解釋度指標(biāo)只是近似的反映了模型的效果，就如同Logistic 模型中的偽決定系數(shù)一樣。整理ppt模型中所有參數(shù)的估計(jì)值，對(duì)于自變量的任意組合分別估計(jì)了常數(shù)項(xiàng)。其余的11 個(gè)系數(shù)中3個(gè)有效參數(shù)均給出了標(biāo)準(zhǔn)誤、Z值以及參數(shù)95% 可信

21、區(qū)間，從可信區(qū)間可見(jiàn)第11個(gè)參數(shù)有統(tǒng)計(jì)學(xué)意義的，可以這樣理解，在控制了在控制了hospital 這一變量的混雜作用后，因變量這一變量的混雜作用后，因變量effect與自變量與自變量trt 之間存在交互作用。之間存在交互作用。結(jié)合具體數(shù)據(jù)可知，手術(shù)1 的術(shù)后并發(fā)癥發(fā)生率低于手術(shù)2 。兩所不同醫(yī)院之間，術(shù)后并發(fā)癥發(fā)生情況無(wú)明顯差別。整理ppt整理ppt整理ppt39對(duì)數(shù)線性模型-Model Selectio SPSS 中的LoglinearModel Selection 過(guò)程可以進(jìn)行對(duì)數(shù)線性模型的選擇。該過(guò)程從飽和模型入手，從高階交互項(xiàng)開(kāi)始逐步排除無(wú)意義的參數(shù)，直到最該過(guò)程從飽和模型入手，從高階交

22、互項(xiàng)開(kāi)始逐步排除無(wú)意義的參數(shù)，直到最終形成一個(gè)最佳的簡(jiǎn)約模型。終形成一個(gè)最佳的簡(jiǎn)約模型。 但是分層模型只提供飽和模型的參數(shù)估計(jì)、不能輸出簡(jiǎn)略模型的參數(shù)估計(jì)分層模型只提供飽和模型的參數(shù)估計(jì)、不能輸出簡(jiǎn)略模型的參數(shù)估計(jì)，在用它得到最佳簡(jiǎn)約模型后，還應(yīng)當(dāng)采用一般模型來(lái)得到具體的參數(shù)估計(jì)和檢驗(yàn)結(jié)果。 對(duì)廣大用戶來(lái)說(shuō)，該過(guò)程的應(yīng)用價(jià)值是最高的，因?yàn)樗梢赃M(jìn)行自動(dòng)篩選自動(dòng)篩選，類(lèi)似于多元回歸中的逐步回歸，這在三維以上列聯(lián)表進(jìn)行聯(lián)合分析時(shí)可以大大降低我們的工作量。整理ppt40 例：某醫(yī)師研究工作姿勢(shì)(B) 與子宮后傾(C) 有無(wú)關(guān)系，隨機(jī)抽查370 名勞動(dòng)強(qiáng)度及年齡相仿的女職工的工作姿勢(shì)與子宮后傾情況，請(qǐng)

23、作統(tǒng)計(jì)分析(假定在可比性方面無(wú)問(wèn)題)。 本例是由三個(gè)分類(lèi)變量(A 、B 、C) 構(gòu)成的三維列聯(lián)表。研究者主要關(guān)心B 與C 是否有關(guān)， A是混雜因素，可考慮用Logistic 回歸，也可用對(duì)數(shù)線性模型，現(xiàn)借助對(duì)數(shù)線性模型作分析。整理ppt整理ppt整理ppt飽和模型整理ppt檢驗(yàn)?zāi)Ｐ椭蠯 維交互作用及K 維以上交互作用是否有統(tǒng)計(jì)學(xué)意義，方法為似然比2和Pearson 2 ，可見(jiàn)無(wú)論哪種檢驗(yàn)均顯示三維交三維交互作用無(wú)統(tǒng)計(jì)學(xué)意義，互作用無(wú)統(tǒng)計(jì)學(xué)意義，二維交互和一維交互以上(即主效應(yīng))均有統(tǒng)計(jì)學(xué)意義。檢驗(yàn)?zāi)Ｐ椭蠯 維交互作用自身是否有統(tǒng)計(jì)學(xué)意義，方法為似然比2和Pearson 2 ，可見(jiàn)結(jié)論和上面相同。整理ppt初始模型：最高階交互效應(yīng)刪除最高階后擬合優(yōu)度有無(wú)意義，顯然刪除三階交互對(duì)模型無(wú)影響。擬合第1步：顯示當(dāng)前模型的最高階交互項(xiàng)，為三個(gè)二階交互項(xiàng)。當(dāng)前模型擬合優(yōu)度與飽和模型相比的檢驗(yàn)，無(wú)統(tǒng)計(jì)學(xué)意義。擬合第1步：如果將這幾個(gè)最高階交互項(xiàng)從模型中刪除，則擬合優(yōu)度的改變有無(wú)統(tǒng)計(jì)學(xué)意義。可見(jiàn)a*b、a*c的P值大于0.05，而b*c所對(duì)應(yīng)P值小于0.05，可見(jiàn)前兩個(gè)二階交互作用可以刪除，而b*c的交互作用不能刪除。整理ppt文本給出了最終模型的信息，同樣是用列出模型中具體系數(shù)的方式來(lái)表示的。文本是最終模型的擬合優(yōu)度檢驗(yàn)，可見(jiàn)模型擬合良好現(xiàn)在已經(jīng)得到了最佳簡(jiǎn)略模型，但