非配对设计多值名义资料多水平多重Logistic回归模型

本文目的是介绍非配对设计多值名义资料多水平多重logistic回归模型的构建与求解方法。首先介绍了有关的基本概念,涉及“多值名义结果变量”“分层或多水平数据结构”和“扩展的多重logistic回归模型”;其次,呈现了一个具有二水平结构的横断面调查资料,该资料涉及多个影响因素和一个多值有序的结果变量（在本文中,将其视为多值名义结果变量）;最后,借助SAS中的两个过程（即GLIMMIX和NLMIXED）对给定的资料进行统计分析,即构建和求解“非配对设计多值名义资料多水平多重logistic回归模型”,并对相关结果进行比较和解释。     

复杂抽样调查设计多值名义资料一水平多重Logistic回归分析

本文目的是介绍复杂抽样调查设计多值名义资料一水平多重logistic回归模型构建，并探讨不同策略之间的差异。采用SAS中的LOGISTIC过程和SURVEYLOGISTIC过程，分别按照是否考虑抽样设计与是否考虑抽样权重共4种分析策略对数据构建广义logistic回归模型，并比较结果。不同分析策略所得结果显示，不仅参数估计值、回归系数标准误、OR值及其置信区间的估计值有所差别，而且对纳入模型的解释变量也有影响。因此，在对复杂抽样调查设计多值名义资料构建广义logistics回归模型时，既要考虑抽样设计，又要兼顾抽样权重，否则即使样本量足够大，也会导致错误的推断结论。     

非配对设计多值有序资料一水平多重Logistic回归分析

本文目的是介绍非配对设计多值有序资料一水平多重logistic回归模型的构建与求解方法。本文详细介绍了构建累积logistic回归模型的原理和具体方法,并结合实例介绍如何使用SAS软件中的LOGISTIC过程来拟合此回归模型,并对逐步回归法的输出结果进行了解释;其次讨论了有关构建累积logistic回归模型的过程中自变量筛选、模型评价以及拟合模型时需注意的问题。     

合理进行多重Logistic回归分析——结合多水平模型分析

本文目的是介绍如何结合多水平模型分析,合理地进行多重Logistic回归分析的方法。第一,介绍了与多水平模型分析有关的4个基本概念。第二,介绍了构建多水平模型的3个步骤。第三,通过一个多中心药物临床试验的实例,介绍了如何用SAS软件进行分析的全过程,其内容如下：①检验各中心优势比之间是否具有齐性;②对试验中心产生哑变量后构建多重Logistic回归模型;③将试验中心视为分层变量构建多重Logistic回归模型;④构建随机截距多水平多重Logistic回归模型;⑤构建随机截距和随机斜率多水平多重Logistic回归模型。得到的结论是,当具有二值结果变量的各层级资料间存在差异时,最合适的做法是构建多水平多重Logistic回归模型。     

复杂抽样调查设计二值资料一水平多重Logistic回归分析

本文目的是介绍复杂抽样调查设计二值资料多重logistic回归分析方法。通过一个实例,利用八种不同的分析策略(不考虑抽样设计和抽样权重、考虑抽样设计不考虑抽样权重、不考虑抽样设计考虑抽样权重、同时考虑抽样设计和抽样权重以及分别不考虑与考虑派生变量)对数据进行建模。对所得结果进行比较得出如下结论:在对复杂抽样设计资料进行统计分析的过程中,同时考虑抽样设计和抽样权重可以得到符合数据内部变量间依赖关系真实情况的结论。此外,本研究还介绍了采用SAS软件中SURVEYLOGISTIC过程对复杂抽样调查数据进行多重Llogistic回归分析的详细步骤。     

非配对设计多值有序资料多水平多重Logistic回归分析

本文目的是介绍多值有序资料多水平多重logistic回归分析方法。此法是在层次结构数据的基础上，构建多值有序因变量随一组自变量变化而变化的回归模型。具体的做法如下：①先介绍有关的基本概念；②呈现待分析的数据结构；③扼要介绍回归模型的构建与求解；④详细介绍如何使用SAS的GLIMMIX和NLMIXED两个过程来拟合此回归模型，并对相关结果进行解释和比较；⑤讨论多水平结构数据下拟合累积logistic回归模型时需注意的问题。     

非配对设计二值资料多水平多重Logistic回归分析

本文目的是介绍非配对设计二值资料多水平多重logistic回归模型的构建与求解方法。首先介绍模型的有关概念及模型的构建原理,基于实例使用SAS软件对列联表资料进行分析,以proc glimmix和proc nlmixed过程构建和求解模型,并对相关结果进行解释和比较。     

复杂抽样调查设计多值有序资料一水平多重Logistic回归分析

本文目的是比较不同分析策略对复杂抽样调查设计多值有序资料一水平多重logistic回归分析结果的异同。通过实例分析,利用四种不同的分析策略(将复杂抽样视为单纯随机抽样,考虑抽样设计不考虑抽样权重,考虑抽样权重不考虑抽样设计,同时考虑抽样设计和抽样权重)对复杂抽样设计多值有序资料进行建模。在四种不同分析策略的累积logistic回归模型拟合的结果中,自变量的偏回归系数、标准误差及P值均有所不同。在对复杂抽样调查设计的多值有序资料回归建模时,将抽样设计和抽样权重纳入统计分析,会得到更准确、更稳健的分析结果。     

非配对设计二值资料一水平多重Logistic回归分析

本文的目的是介绍非配对设计二值资料一水平多重Logistic回归模型的构建与求解方法。基于SAS软件分别对以列联表和数据库形式呈现的定性资料进行全面分析,并得出了4个对提高模型拟合优度很有价值的结论:第一,若资料以列联表形式呈现,应拟合"加权"Logistic回归模型;第二,若资料中包含定量自变量,不适合将其定性化;第三,若资料中包含定量自变量,应依据定量自变量和二值自变量产生出派生自变量;第四,若资料中有定性自变量时,必须将多值名义或有序自变量进行哑变量变换,不需要依据二值自变量产生出派生自变量。     

如何正确运用χ~2检验——高维表资料统计分析方法概述

本文目的是介绍高维表资料的种类及其对应的统计分析方法。基于结果变量的资料类型,常见的高维表资料可分为以下三类,即结果变量为二值变量、多值名义变量和多值有序变量。高维表资料的统计分析方法主要有两大类,第一类为广义差异性分析,内容包括"加权χ~2检验""CMH χ~2检验"和"Meta分析";第二类为回归分析,内容包括"对数线性回归模型分析""Logistic回归模型分析""Probit回归模型分析"和"离散选择模型分析"。     

生存资料回归模型分析——生存资料Cox比例风险回归模型分析

本文目的是介绍生存资料Cox比例风险回归模型分析的概念、作用及使用SAS软件实现计算的方法。首先介绍相关基本概念,包括"Cox比例风险回归模型简介""模型假定及其检验""参数解释"和"参数估计与假设检验";然后通过一个实例并基于SAS软件演示如何实施生存资料Cox比例风险回归模型分析,内容包括"产生SAS数据集""绘制生存曲线图""判断PH假定是否成立"和"算出参数估计值与假设检验结果"。结果表明:当生存资料满足PH假定时,Cox比例风险回归模型可用于生存资料影响因素分析、校正混杂因素后的组间比较以及对每个个体进行预后指数和生存率的预测。     

The logistic regression analysis of psychiatric data

Logistic regression is presented as the statistical method of choice for analyzing the effects of independent variables on a binary dependent variable in terms of the probability of being in one of its two categories vs the other. The method, which must be applied by computer, is illustrated on data from the DSM-III field trials. The dependent variable is treatment with behaviourally-oriented psychotherapy vs treatment with psychoanalytically-oriented psychotherapy, and the independent variables are several patient and clinician characteristics. Like ordinary multiple regression, the method is shown capable of analyzing categorical as well as continuous independent variables. Unlike ordinary multiple regression when applied to binary data, logistic regression analysis necessarily yields estimated probabilities that lie between 0 and 1. The measure of association derived from logistic regression analysis, the odds ratio, is defined. Methods for making inferences about it are presented and illustrated.     

Evaluation of combination therapy using aciclovir and corticosteroid in adult patients with herpes simplex virus encephalitis

OBJECTIVE: Herpes simplex virus encephalitis (HSVE) is associated with significant morbidity and mortality, even with appropriate antiviral therapy. In the present investigation, the first to assess efficacy of corticosteroid treatment with aciclovir therapy in HSVE, multiple logistic regression analysis was performed of predictors of outcome in adult patients with HSVE. METHODS: A non-randomised retrospective study of 45 patients with HSVE treated with aciclovir was conducted. The patients were divided into poor and good groups based on outcome at three months after completion of aciclovir treatment. The variables evaluated were: clinical variables (sex, age, days after onset at initiation of aciclovir, Glasgow Coma Scale (GCS) at initiation of aciclovir, initial and maximum values for the cell numbers and protein concentration in the cerebrospinal fluid, and corticosteroid administration); neuroradiological variables (detection of lesions by initial cranial computed tomography and by initial magnetic resonance imaging); and one neurophysiological variable (detection of periodic lateralised epileptiform discharges on the initial electroencephalogram). Single variable logistic regression analysis was performed followed by multiple logistic regression analysis. The best set of predictors for the outcome of HSVE was estimated by stepwise logistic regression analysis. RESULTS: A poor outcome was evident with older age, lower GCS score at initiation of aciclovir, and no administration of corticosteroid. Patient age, GCS at initiation of aciclovir, and corticosteroid administration were found to be significant independent predictors of outcome on multiple logistic regression analysis, and these three variables also formed the best set of predictors (R(2) = 0.594, p<0.0001). CONCLUSION: Combination therapy using both aciclovir and corticosteroid represents one of the predictors of outcome in HSVE.