Logistic回归又称逻辑回归分析，是一种广义线性回归分析模型，常用于疾病的自动诊断，例如探索疾病的危险因素、疾病的预后因素等，以及是临床病例分析的常用方法。 下面小编以肺癌的分析为例进行论证。
一位医生想探究肺癌的发生与一系列因素之间的关系，包括年龄、性别、BMI、COPD病史、吸烟等。在这个设计中，因变量是一个二分变量（是或否） ，自变量包括二分变量、连续变量（年龄）和有序多分类变量。 为了探索二分变量和自变量之间的关系，应该使用二元逻辑回归分析进行。 在进行二元逻辑回归之前，如果自变量过多，建议先通过卡方检验等单变量分析筛选出一些与因变量无关的自变量，再进行多变量分析，这样可以使结果更加可靠。 另外，在纳入自变量时，最好放宽单变量分析的P值，如0.1或0.15，以免遗漏一些重要因素。 临床上认为与因变量相关但在单变量分析中无统计学意义的变量也应包括在内。
接下来就是SPSS操作的步骤了。
1. 输入数据。
2. 分析-回归-二元逻辑
3. 因变量为肺癌，自变量为年龄、COPD、性别、BMI、吸烟史。 本研究纳入年龄只是为了调整该变量带来的混杂spss回归分析的结果解读，不考虑该变量的OR值，直接纳入年龄。 方法选择“forward,LR”，各种方法的结果略有不同，大家可以相互印证。
4.分类，可以将多分类变量（有序分类和无序分类）转化为协变量。 本研究中COPD为多类别变量（无/轻度/中度/重度），如下图点击选择，选择第一个参考类别，因为“0”表示没有COPD，作为参考。
5、建议勾选如图的选项。
6. 结果的解释。 我们重点关注以下三个表。
在模型系数的综合检验中，模型列中的pR值具有统计显着性和整体意义。
这是为了检验模型的拟合优度。 如果p>0.05，说明模型拟合优度高。
对于下图，Sig。 为p值，Exp(B)为OR值spss回归分析的结果解读，Exp(B)的95%CI为OR值的95%可信区间。
对于多分类变量COPD，在setting中以“0”作为对照组，得到的结果是0组分别对应的1、2、3组的OR值。只要有一个相对于参考组具有统计显着性OR值的组，那么该变量的所有组都包含在模型中。 在这个结果中，COPD第一行没有OR值，其p值小于0.05，说明差异有统计学意义。
本期内容到此结束。 不知道地方或者想要软件包的可以后台回复小编。 欢迎骚扰
结尾
扫描二维码，获取更多精彩
改变SCI
点击查看你的最佳状态
