逻辑回归 家庭作业帮助服务 - Assignment Help

逻辑回归家庭作业帮助

线性和非线性回归方法通常应用于基础科学。评估各种因素对单个二进制结果的相对贡献的临床研究,例如死亡或疾病的存在或不存在,通常采用逻辑回归方法。

我们对生物效应及其决定因素的大部分理解是通过统计回归分析获得的。线性和非线性回归方法常用于基础科学。评估各种因素对单个二进制结果(如存在或不存在死亡或疾病)的相对贡献的临床研究通常采用逻辑回归方法。本文的目的是提供一个足够的介绍,以允许不熟悉回归方法的临床医生了解和解释其结果。我们将首先描述线性回归技术,以呈现基本概念。因此,随着心胸外科医生的重要性和越来越多的使用,我们将考虑更长的逻辑回归。逻辑回归中涉及的计算很复杂,但目前可用的个人计算机和普遍存在的统计软件已经为几乎所有临床医师的桌面提供了执行分析的能力。因此,很难找到最近不包含至少一个使用这种技术的报告的医学期刊。图1显示了在过去十年中出现在三个胸外科杂志中的研究中逻辑回归的使用越来越多。在描述逻辑回归后,我们将介绍一个说明该技术的临床示例。

简单线性回归术语“回归”起源于19世纪统计学家弗朗西斯·加尔顿(Francis Galton)。他用它来形容他的观察,认为小父亲的儿子往往更高一些,父亲的儿子更短,使儿子的身高“倒退”到所有男人的平均身高。加尔顿的朋友卡尔·皮尔逊(Karl Pearson)为已经被称为“回归分析”的数学基础开发了一种用于描述和量化两个或多个变量之间关系的统计技术。在线性回归中,术语“简单”是指只有两个变量相关的事实。因此,该技术被认为是双变量的。术语“线性”表示该关系可以用直线描述。变量之间的关系是变化之一,也就是说,随着一个变量的大小增加或减小,另一个变量也在变化。

一定条件下。首先,因变量必须是连续的;也就是说,它必须以数字量表(例如血压,年龄)来衡量。第二,变量之间的关系是功能依赖之一。这意味着通常绘制在xy图的y或垂直轴上的因变量由x或水平轴上绘制的独立变量确定或是其函数。第三,x变量的值被规定或测量具有可忽略的误差,而y变量的值被假定为来自正态分布的群体的随机样本。此外,x的每个值的y值的标准偏差是相同的。我们不会考虑为数据集拟合直线所需的计算,让我们的计算机软件做数学。相反,我们将专注于计算机输出,以及它告诉我们有关依赖变量和独立变量之间的关系。几乎所有的统计软件包将执行简单的线性回归,并产生我们寻求的信息。这些值的标签可能不同,但通常在软件文档中定义。我们将使用常用术语来描述这些值。简单线性回归中的计算机输出包含四类信息。第一个是定义直线的信息,该直线最适合描述或“适合”独立变量的每个值的因变量的值。第二个是衡量两个变量在我们可用数据中的相关性。第三个告诉我们,我们的数据虽然表现出关系,但是从实际上并不存在这样的关系的人口来看,它们的可能性是多少。第四类信息包含回归线及其系数的变异性的估计,称为标准误差,以及用于计算统计学显着性的一些值。对于本文中追求的回归的直观理解,这些信息不是必需的,但感兴趣的读者将会对这些事情进行彻底的讨论。我们将详细考虑前三类信息。确定y在x上的回归的线由两个系数确定。第一个系数,y截距是y的值,其中x等于0.第二个系数是线的斜率或每x单位变化的y的变化

多元线性回归多元线性回归是简单线性回归的泛化。它描述了两个或多个独立变量和单个因变量之间的关系。对简单线性回归中所需数据的性质的相同约束适用。可以通过将垂直于另外两个轴投影的第三(z)轴转换到xy图的平面来将两个独立变量和单个因变量的曲线图形化。回归定义三维空间中的一个平面,其中一个维度为因变量,一个维度分别用于两个独立变量。该平面上的任何点都标识了两个独立变量的相应值的因变量的值。可应用的独立变量的数量不受多元回归分析的限制。三个或更多个独立变量可以确定因变量的值,但是我们的三维空间排除了这种关系的绘制。然而,这些关系是有效的。许多相同的计算机生成的多元回归结果与简单回归生成的结果相同。他们的解释也是类似的。对于y截距和每个独立变量产生回归系数。每个独立变量的回归系数表示自变量中单位变化的因变量变化,其他独立变量保持不变。因变量与所有独立变量之间的关系的强度由确定系数R2给出。正如简单回归一样,R2测量由回归分析的因变量变异百分比。计算机输出也可能产生一个称为“调整后的R2”的值。加上多个独立变量会增加R2,而不考虑附加变量对因变量的影响。调整是为额外变量支付的“价格”,并通过产生更好的总体估计来纠正这种通货膨胀。就像在简单回归中一样,为回归系数生成t统计量,p值和置信区间,以测试它们是否与0显着不同。

Posted on March 28, 2017 in 临床研究

Share the Story

Back to Top
Share This