logistics回归,最优尺度回归,决策树.ppt

logistics回归,最优尺度回归,决策树.ppt

ID:52417156

大小:1.63 MB

页数:32页

时间:2020-04-05

logistics回归,最优尺度回归,决策树.ppt_第1页
logistics回归,最优尺度回归,决策树.ppt_第2页
logistics回归,最优尺度回归,决策树.ppt_第3页
logistics回归,最优尺度回归,决策树.ppt_第4页
logistics回归,最优尺度回归,决策树.ppt_第5页
资源描述:

《logistics回归,最优尺度回归,决策树.ppt》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库

1、2016.06.04案例分析许**刘**李*王**苏*山东大学公共卫生学院生物统计学系DepartmentofBiostatistics,SchoolofPublicHealthShandongUniversity212345决策树方法比较最优尺度回归统计描述Logistics回归Outline3统计描述4统计描述▶QQ图可看出血小板取自然对数后数据分布更趋于正态分布,更为平稳。5统计描述▶与四分位数值的距离超过1.5倍四分位间距的为离群值,以o表示;超过3倍的则为极值,用*表示。▶血小板取自然对数后明显减弱了异常值的影响6统计描述▶年龄、收缩压、舒张压、ln血小板箱式图中均没有

2、明显极端值7年龄舒张压收缩压统计描述Ln血小板8统计描述9Logistics回归logistics单因素分析结果10Logistics回归多因素分析结果(单因素有意义)多因素分析结果(逐步回归)▶激素对预防迟发型脑损伤的保护性作用最大,即使用激素后脑损伤的发生风险会下降至原先的e-9.988211Logistics回归12Logistics回归/*将结果直接输出到一个word文档中*//*logistic多因素*/odsrtffile='multi.rtf';proclogisticdata=anlidescendingplots=roc(id=prob);classvar2(r

3、ef='1')var7(ref='0')var8(ref='0')var9(ref='0')var10(ref='0')var11(ref='1')var12(ref='0')var13(ref='0')var14(ref='0')/param=reference;/*为分类变量设置参考水平*/modely=var4var5var9var11var13var16/stbrisklimits(selection=stepwisesle=0.1sls=0.1details)rsquare;/*得到标准化系数;置信区间;逐步回归每一步的系数细节;R2*/run;odsrtfclose;

4、13最优尺度回归▶在分析数据时,当遇到自变量为分类变量的情况,比如收入级别、学历等,我们通常的处理方法是直接将各个类别定义取值为等距连续整数。比如将收入的高、中、低分别定义为1、2、3,但是这意味着这三个水平之间的差距是相等的或者说它们对因变量的数值影响程度是均匀的,显然这种假设是有些草率的,基于此的分析有时会得出很不合理的结论。而最优尺度回归可以解决这一问题,它可以将人为设置的分类变量进一步优化,找出更加合理的分类。▶首先,我们先把原始数据中的进行了处理,即将0,1变量定义为1,2。14最优尺度回归SPSS操作步骤15最优尺度回归▶对案例进行了汇总整理,总计201例,但有4个个

5、案包括缺失值(去除异常值),分析中使用的最终样本量为197。▶模型摘要,调整后的R方为0.551,说明模型解释能力比较好▶方差分析结果。P值明显小0.05,说明该模型有统计学意义16最优尺度回归▶模型的系数及其显著性。17最优尺度回归偏相关系数18最优尺度回归量化转换图▶由意识程度的转换图(右图)可以看出2、3两个等级被赋予了相同的量化评分,在后续的分析中,这两个级别就被合并分析了。19最优尺度回归▶模型综述(1)由分析结果“系数”表可知,最终的的模型为:Y(迟发型脑病)=0.165*激素-0.407*舒张压-0.293*ln血小板(2)由分析结果的“模型摘要”表,可知模型的拟合

6、优度效果一般,调整后的R2为0.551,“ANOVA”表明模型的整体非常显著,P值小于0.001,模型具有统计学意义。(3)由分析结果“相关性和容错”表重要性分析表明,舒张压、血小板的自然对数和激素对结局影响较大,其余变量对结局的影响作用很小。(4)虽然,在此模型中意识程度的对结局的影响不显著,但是把意识程度设为有序变量,进行相应变换,则改变了变量的初始差异,这也体现了最优尺度变换的优势。20最优尺度回归▶去除异常值的模型R方较大,拟合效果较好。21决策树▶决策树法(decisiontree-basedmethod)是通过一系列if-then的逻辑(分枝)关系,形成一套分层规则,

7、将所有可能发生的结局的概率分布用树形图来表达,生成决策树,从而达到对研究对象进行精确预测或正确分类的目的。▶根据因变量类型,决策树可分为分类树和回归树两大类。▶基本结构:根、叶、分支22决策树▶基本思想:与方差分析中的变异分解极为相近,将总研究人群通过某些特征(自变量)分成数个相对同质的亚人群。采用自顶向下的方法,在决策树的内部结点进行属性值的比较并根据不同属性值判断从该节点向下的分支,在树的叶节点得到结论。▶决策树生成算法分成两个步骤:树的生成开始,数据都在根节点递归的进行数据

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。