1、多 分类 logistic 回归 Logistic 回归 要求 应 变量 Y 是 0/1 两 分类 变量。 如果 Y 是 多 分类 变量， 如 疾病 结局可 有 恶化 、 好转、 痊愈 三 种 结局， 就 应该 使用 该 模块 多 分类 (multinomial logistic)逻辑回归 。 该 模块 不 仅 输出 Multinomial logistic 回归 结果， 而 且 给出 按 序 合并 生成 0/1 两分类 变量 后 的 ordinary logistics 回归 结果 。 如 Y 为 0、 1、 2 三 分组 变量， 将 有 两 种 合并 方法： 1 和 2 合并 然后 与 0
2、 比， 或 合并 0 和 1 然后 与 2 比 。 该 模块 同时 给出 每 个 自变量对 Y 的 分布 的 预测 值， 并 用 图形 显示。 例： DEMO 数据 分析 对 SBP 的 三 分组 进行 回归 分析 ， 输入 界面 如 下图 所 示 输出 结果： Multinomial Logistic Regression Outcome: Systolic BP, mmhg 三分组 SEX : Male Multinomial Logistic Regression: Odd.ratio (95% CI) P.value SBP.T3 = 0 SBP.T3 = 1 SBP.T3 = 2 (
3、Intercept) 1.0 (ref.) 17.3557 (0.8369, 359.9301) 0.0651 0.3025 (0.0156, 5.8780) 0.4296 BMI 1.0 (ref.) 0.9100 (0.7993, 1.0360) 0.1539 0.9973 (0.8808, 1.1292) 0.9658 AGE 1.0 (ref.) 0.9837 (0.9613, 1.0065) 0.1593 1.0381 (1.0164, 1.0603) 0.0005 factor(OCCU.NEW)2 1.0 (ref.) 1.0226 (0.5852, 1.7870) 0.9375
4、 0.9584 (0.5525, 1.6624) 0.8798 factor(EDU.NEW)2 1.0 (ref.) 0.6797 (0.2983, 1.5489) 0.3582 1.1612 (0.5524, 2.4411) 0.6933 factor(EDU.NEW)3 1.0 (ref.) 1.2542 (0.5313, 2.9607) 0.6052 1.1300 (0.4953, 2.5781) 0.7714 Predicted probability for each sub-group (with other Xs = mean or the first level) Sub-g
5、roup P(SBP.T3=0) P(SBP.T3=1) P(SBP.T3=2) OCCU.NEW = 1 0.28714 0.36714 0.34572 OCCU.NEW = 2 0.28890 0.37773 0.33337 EDU.NEW = 1 0.28714 0.36714 0.34572 EDU.NEW = 2 0.30608 0.26599 0.42793 EDU.NEW = 3 0.25226 0.40453 0.34321 Ordinary logistic regression OR 95%CI Low 95%CI Upp P-value BMI 0.9879 0.9005
6、 1.0838 0.7962 AGE 1.0343 1.0182 1.0507 0.0001 factor(OCCU.NEW)2 0.9476 0.6349 1.4142 0.7921 factor(EDU.NEW)2 1.1955 0.6706 2.1312 0.5449 factor(EDU.NEW)3 1.1689 0.6310 2.1652 0.6197 0|1 1.0602 0.1241 9.0574 0.9574 1|2 5.1634 0.6011 44.3544 0.1346 SEX : Female Multinomial Logistic Regression: Odd.ra
7、tio (95% CI) P.value SBP.T3 = 0 SBP.T3 = 1 SBP.T3 = 2 (Intercept) 1.0 (ref.) 0.0294 (0.0021, 0.4057) 0.0085 3e-040 (0.0000, 0.0060) 0.0001 BMI 1.0 (ref.) 1.0944 (0.9858, 1.2150) 0.0908 1.2288 (1.0915, 1.3833) 0.0007 AGE 1.0 (ref.) 1.0419 (1.0142, 1.0703) 0.0028 1.1138 (1.0810, 1.1475) 0.0001 factor(
8、OCCU.NEW)2 1.0 (ref.) 0.9164 (0.5460, 1.5381) 0.7411 0.3478 (0.1865, 0.6487) 0.0009 factor(EDU.NEW)2 1.0 (ref.) 0.9895 (0.5246, 1.8666) 0.9741 0.7482 (0.3356, 1.6680) 0.4782 factor(EDU.NEW)3 1.0 (ref.) 2.4945 (1.1156, 5.5776) 0.0260 0.7209 (0.1957, 2.6558) 0.6228 Predicted probability for each sub-g
9、roup (with other Xs = mean or the first level) Sub-group P(SBP.T3=0) P(SBP.T3=1) P(SBP.T3=2) OCCU.NEW = 1 0.31769 0.29879 0.38352 OCCU.NEW = 2 0.43825 0.37772 0.18403 EDU.NEW = 1 0.31769 0.29879 0.38352 EDU.NEW = 2 0.35287 0.32841 0.31872 EDU.NEW = 3 0.23717 0.55643 0.20640 Ordinary logistic regress
10、ion OR 95%CI Low 95%CI Upp P-value BMI 1.1539 1.0650 1.2502 0.0005 AGE 1.0840 1.0627 1.1057 0.0001 factor(OCCU.NEW)2 0.4568 0.3009 0.6935 0.0002 factor(EDU.NEW)2 0.7835 0.4588 1.3379 0.3714 factor(EDU.NEW)3 1.2110 0.6255 2.3444 0.5700 0|1 141.1441 17.8402 1116.671 0.0001 1|2 823.2729 98.5182 6879.7254 0.0001
