SPSS处理单元素，多元素logistic，详细流程和操作截图

 

统计结果：

1. Binary logistic:单变量模型(针对各个变量)

LOGISTIC REGRESSION VARIABLES 脑白质高信号程度

   /METHOD=ENTER  高分辨斑块（填入每个变量名就可以得到）

   /PRINT=CI(95)

   /CRITERIA=PIN(0.05) POUT(0.10) ITERATE(20) CUT(0.5).

 

方程中的变量
		B	S.E.	Wald	df	显著性	Exp(B)	EXP(B) 的 95.0% C.I.
								下限	上限
步骤 1a	年龄	.065	.024	7.318	1	.007	1.067	1.018	1.118
	常量	-4.007	1.432	7.829	1	.005	.018
a. 在步骤 1 中输入的变量: 年龄.

 

 

方程中的变量
		B	S.E.	Wald	df	显著性	Exp(B)	EXP(B) 的 95.0% C.I.
								下限	上限
步骤 1a	高血压病史	2.462	.608	16.378	1	.000	11.724	3.559	38.620
	常量	-1.910	.536	12.703	1	.000	.148
a. 在步骤 1 中输入的变量: 高血压病史.

 

 

方程中的变量
		B	S.E.	Wald	df	显著性	Exp(B)	EXP(B) 的 95.0% C.I.
								下限	上限
步骤 1a	糖尿病(1)	-1.655	.481	11.834	1	.001	.191	.074	.491
	常量	.693	.354	3.844	1	.050	2.000
a. 在步骤 1 中输入的变量: 糖尿病.

 

方程中的变量
		B	S.E.	Wald	df	显著性	Exp(B)	EXP(B) 的 95.0% C.I.
								下限	上限
步骤 1a	mRs评分	.456	.200	5.195	1	.023	1.577	1.066	2.334
	常量	-1.534	.631	5.915	1	.015	.216
a. 在步骤 1 中输入的变量: mRs评分.

 

 

方程中的变量
		B	S.E.	Wald	df	显著性	Exp(B)	EXP(B) 的 95.0% C.I.
								下限	上限
步骤 1a	高分辨斑块	3.013	.572	27.727	1	.000	20.357	6.631	62.495
	常量	-1.692	.411	16.916	1	.000	.184
a. 在步骤 1 中输入的变量: 高分辨斑块.

我只列了5个变量，如有需要可以把所有感兴趣的变量都算一遍。

 

对于logistic回归，单因素分析结果和成组基线资料比较的 t-test, Chi-square test, Fisher's exact test, Mann-whitney U test意义是一样的，都是单因素分析。所以你之前做的单因素分析和现在这个单因素的logistic回归的结果基本一致。根据需求选择其一，也可以都列出来。

 

 

 

 

 

 

 

 

这个表做的就是两组（根据WMH分组）之间各个变量的分布对比，使用了t-test和Chi-square test来检验各个变量和WMH之间的关系。结果和单因素logistic回归一致，都是发现年龄，mRs，高血压，糖尿病，肿块和WMH有显著相关性，然后在下一步建立多因素logistic回归。

      

 

 

 

1. 在统计学上，在建模之前应当判断各个变量是否满足前提假设，包括检验模型中是否存在强多重共线性。

相关矩阵
		Constant	年龄	高血压病史(1)	糖尿病(1)	mRs评分	高分辨斑块(1)
步骤 1	Constant	1.000	-.798	.061	-.178	-.156	-.264
	年龄	-.798	1.000	-.194	-.168	-.334	-.002
	高血压病史(1)	.061	-.194	1.000	-.077	-.099	.379
	糖尿病(1)	-.178	-.168	-.077	1.000	.218	.224
	mRs评分	-.156	-.334	-.099	.218	1.000	-.076
	高分辨斑块(1)	-.264	-.002	.379	.224	-.076	1.000

相关系数的绝对值越接近1说明线性相关越强，正数正相关，负数负相关。从相关系数矩阵来看，存在多重共线性的风险较小。

 

 

1. Binary logistic:全模型

 

多因素分析自变量的选择应该首先应该受样本量的限制。然后遵循专业选择的要求，即医学上合理的分析才作， 没有实际意义的自变量不能放进去。过了这一步，如果自变量数目仍然过多，才可以通过统计学的方法来协助筛选，即单因素分析显著的才进入多因素模型（其实是按照单因素分析的P值有效到达来选）。所以我们将五个在单因素分析显著的变量一起放入logistic回归模型。

方程中的变量
		B	S.E.	Wald	df	显著性	Exp(B)	EXP(B) 的 95.0% C.I.
								下限	上限
步骤 1a	年龄	.043	.036	1.483	1	.223	1.044	.974	1.120
	高血压病史(1)	-2.735	.879	9.668	1	.002	.065	.012	.364
	糖尿病(1)	-1.182	.750	2.486	1	.115	.307	.071	1.333
	mRs评分	.285	.325	.769	1	.381	1.329	.704	2.512
	高分辨斑块(1)	-3.202	.784	16.700	1	.000	.041	.009	.189
	常量	-.410	2.019	.041	1	.839	.664
a. 在步骤 1 中输入的变量: 年龄, 高血压病史, 糖尿病, mRs评分, 高分辨斑块.

结果发现，年龄、糖尿病、mRs在多因素logistic中不再显著。可能的原因有：

1. 几个变量之间存在相互作用
2. 存在未知的混杂因素
3. 样本量不够，不足以使得模型收敛

建议应该实事求是地汇报研究结果，不管结果是显著或者不显著。如有进一步需求可以做分层分析，进一步判别混杂因素是哪个。

 

 

PS：

表格已经画好了，只需要改数字就行了。

B = beta

SE = 标准误差

Wald = Wald 卡方

显著性 = p

Exp（B） =OR

95%CI = 95%OR

 

 

 

 

附：spss操作流程（以你的数据为例）

步骤一：选择数据

步骤二：单变量logistic，以st2为例，重复（也可使用代码easier）

LOGISTIC REGRESSION VARIABLES 复发
  /METHOD=ENTER st2
  /CRITERIA=PIN(.05) POUT(.10) ITERATE(20) CUT(.5).

步骤三：多变量logistic, 模型选择根据实际应用，多试