sbss 操作步骤讲解系列第二十三课逐步回归分析 逐步回归分析是一种筛选变量的过程,从模型中让系统自动识别出有影响的变量。逐步法运用了向前选择和向后选择法进行变量的筛选,一般情况,因自变量较多的情况下,自变量变量数超过十个。 运用逐步回归分析进行分析,排除对音变量没有影响的变量。 逐步回归分析第一步,我们将整理好的数据导入 spss 中,并复制后点击分析回归线信。 第二步,进入线性回归对话框后,将对应的变量放入对应的变量框 中后点击方法选择框里的步进。第三步,点击统计勾选置信区间二,方便画量描述部分相关和偏相关系。贡献性诊断残岔里的德宾沃森,点击继续。 第四步,点击图进入线性回归图对话框,在散点图 y 里放入 spread, 在 x 里放入 spread 后,勾选标准化残插图里的直方图,正态概率图,点击继续确定, 然后逐步回归的描述统计相关性,输入除去的变量表,模型摘要 ono 发表重要的系数表,排除的变量,贡献性诊断残差统计表、 脂肪图,正太性检验 pp 图、散点图结果就出来了。 第五步,将系数表中的结果粘贴复制到表格中,删除显著性后的部分结果后,将模型摘要的结果中的二方,调整后的二方和 annova 表中的 f 值,根据显著性标记信号放在表格的下方, 然后将整理好的结果粘贴复制到 word 文档,进行三线表的制作和文字描述。 学会了记得点赞关注哟,可带坐指导学习交流!
粉丝3323获赞2.0万

大家周末愉快!今天我们用两分钟解决现行方程拟和线的绘制,一共有四个步骤, 第一步,散点图制作。第二步,求回归系数。第三步,拟合回归线。第四步,调整样式。我们先来看第一步,散点图制作, 点击图形,选择散点图中的简单分布,将幸福感和月收入一入字变量和音变量框中,确定生成散点图。 第二步,求回归系数,切回到数据界面,点击分析, 选择线性回归, 得到方程相关数据。 第三步,拟合回归线。可以看到回归系数是一百长数像是负的四点六八六乘以一的负五次方,那么回归方程就是 y 等于一百 x 减去零点零。三, 商机图形开始编辑, 找到你和线图标,设置方程,点击应用, 还可以调整线条格式, 双击回归线,调出属性界面,调整线条宽度、颜色等,得到我们想要的样式, 这样就能得到我们要的结果了。点赞、收藏、关注,和我一起学习打卡吧!

今天教你做逐步回归分析,第一步,导入数据,选择分析方法,逐步回归。第二步,拖照样本查看结果,分析结果超清晰,可以导出多种格式,自动生成模型图供你使用。智能分析分析建议,帮助你进一步理解分析结果,你学会了吗?如有其他疑问,请在评论区告诉我。


sbss 操作步骤讲解系列第二十四课曲线回归分析 曲线回归用于因变量与自变量之间的关系,无法确定是否为线性和其他非线性类型时,就采用曲线回归。因变量和自变量均为数值连续型变量, spss 重的曲线估计能够自动你和十几种曲线模型。 第一步,首先进行曲线模型的确定操作不作为。将整理好的数据导入 spss 中并复制后点击分析回归曲线估计。 第二步,因不确定数据与何种区县模型拟合较好,因此需确定区县模型。进入区县估算对话 框的确定模型时操作不作为。首先将音变量自变量放入对应的变量框中,勾选模型中的所有曲线模型,在方程中包括变量模型绘图,点击确定, 然后模型确定的结果就出来了。根据模型摘要和参数估计表中的二二方的大小确定最终的曲线模型,一般情况以二方最大的模型为准。然后就确定好了本次数据你和较好的曲线模型。接下来进行曲线参数的估计及检验。 第三步,曲线模型参数和检验结果的操作步骤,点击分析回归曲线估计。第四步,进入图中对话框后, 先将音变量字变量放入对应的变量框中,在模型里勾选确定好的曲线模型,勾选显示额 novo 表,点击确定, 然后模型描述个案处理摘药变量处理摘药模型摘药欧 nova 表细数表结果就出来了。 最后将系数表的结果粘贴复制到表格中进行整理,在系数表的下方加入模型摘要中的阿尔方和调整后阿尔方及 annowa 表中的 f 值,根据显著性标记信号, 将表格中整理好的表格粘贴复制到 word 文档中,进行文字描述和表格的制作。 学会了记得点赞关注哟,可带坐指导学习交流!

呃,好的,那我们来讲一下回归分析哦。呃,为什么我们要讲回归分析呢?是因为我们,呃最简单的模型来说,比方说我们认为社会支持感会对我们的孤独感呃产生影响了,那这就是我们把社会支持感当做是 x 字变量, 我们的孤独感呢?比方说我们情感孤独呢,是应变让外,那在我们做完我们的嗯,指标打包这一步之后呢?我们其实是需要去用 x 社会知识对于应变让外进行一个预测的。那预测呢?我们一般是在 分析这边,我们是用我们的一个回归,然后线性回归来做就好了,那基本上足以搞定大家的一个呃毕业论文了。那我们在这边的话是把我们的社会支持作为我们这边让,比如说叫做 命作死变量,那么我们把我们的一个呃情感孤独呢?天猫生成连死命左右音变量,然后点击确定就可以了。那基本上这就构成了最简单的操作,那我们看一下结果,结果在这,那在这个变模型在里面呢,我们其实是去 看的一个最核心的东西是,呃,这个指标就是说他对他首先是不是显著,那小于点零五呢?说明是 显著,那他是点零六呢?咱们可以在我们的论文里说他是比较显著的。第二个事情呢,是他的一个系数,那大家说这个事情我们在看系数的时候呢,要看的是这个系数就是点零七二这个系数。 那怎么来解读呢?我们可以这样来解读说当我们的社会知识感每增加一个单位,我们的情感孤独呢,也会相应的增加一个单位,当然跟我们常识有点相反,那这就是数据啊,抛给我们的结果了。那写成公式就可以说, e o m 一等于二点八六幺,这个长量加上点零七二乘以 s ppt m 三,这就构成了我们的一个结果。 因此我们可以在我们的论文里面说,呃,社会支持感对情感孤独具有显著且正向的影响。

多元线性回归分析结果解读,一、模型拟核优度二方,比如二方为零点三,则说明所有 x 可以解释外百分之三十的变化原因。二、共限性判断通过 wave 或者容忍度判断自变量之间是否存在共限性,容忍度等于 e, wave 值 值大于五,说明有贡献性问题。三、自变量显著性查看 x 对应 t 检验的 p 值, p 值小于零点零五则说明 x 对 y 有显著影响。四、写回归模型公式,构造公式使用非标准化回归系数。五、对比分析 x 对 y 的影响大小, 使用标准化回归系数也可以直接参考 specs 智能分析与分析建议进行结果解读,你学会了吗?

九十秒教你学会 spss 有序了! jessic 回归分析可带作指导。第一步,将我们需分析的数据导入 spss 软件重病进行复职,点击分析,回归有序。 进入图中对话框后,将我们需分析的数据放入对应的变量框中,点击输出,勾选平行线检验,点击继续确定, 我们需要的有序 logistic 回归的结果就出来了。第二步,将我们的结果粘贴复制到 excel 表格中并进行整理,可参照图中整理结果整理。第三步,将我们整理好的结果粘贴 复制到 word 文档中并进行文字解释。看表格制作可参考图中结果解释住本次结果不显著,且平行线检验为通过, 说明本次数据不适合使用有序 logistic 回归分析。如果通过平行线检验并显著,可参考多元 logistic 回归分析结果进行整理。

一百二十秒教你学会 spss 曲线回归分析,可带座指导。第一步,先看散点图分布,点击图形九对话框散点图,点图 进入后,勾选散点图图形点击定义,进入图中对话框,将我们需要分析的变量放入对应的变量框中,点击确定,然后散点图的结果就出来了。 双击散点图结果进入图中对话框,点击红色标记处,勾选其中的一类方程线,点击运用。 第二步,在看过散点图分布后,点击分析回回曲线估算, 进入对应的对话框后,将我们需分析的变量放入对应的变量框中,勾选出图中看红色标记的其他模型,点击确定, 然后曲线估计的结果就出来了,从图中结果找到最好的,你核的为三次的模型。 第三步,确定好曲线后,点击分析回归曲线估算,进入对应对话框后,将我们需分析的变量放入对应的变量框中后勾选三次 onoer 表,点击确定, 我们需要的曲线回归,结果就出来了。第四步,将结果粘贴复制到 excel 表格 中并进行整理,可参照图中整理。将整理好的结果粘贴复制到沃尔衮党中,并进行文字解释,看三线表制作,可参照图中解释。

sbss 操作步骤讲解系列第二十一课一元现性回归分析 回归分析主要目的在于了解自变量与因变量之间的数量关系,通过普通最小二乘法进行回归系数的探索,且通过回归方程的相关系数检验、 f 检验和 t 检验对系数。 第一步,将数据导入 spss 中并进行复制后点击分析回归线信。 第二步,进入图中对话框后,先将对应的变量放入对应的变量框中,点击统计,勾选估算值模型拟和置信区间得并过森,点击继续。 第三步,点击图,勾选直方图,正态概率图,且在散点图中 y 里放入 spread, 在 x 里放入 spread, 点击继续确定。 然后一元现性回归的模型摘要欧 nova 表系数残叉统计,即勾选的图结果就出来了。 将结果粘贴复制到表格中进行整理。首先将系数表的结果粘贴复制到表格中,将显著性后的部分删除后,将模型摘要的二二方和调整后二二方,即 n o 外表中的 f 值,根据显著水平标记对应的心数放入表格的下方。 学会了吗?记得点赞关注哟,可带坐指导学习交流!

sbss 操作步骤讲解系列第三十三课 cox 回归 cox 回归用于解决多因素生存分析、生存估计比较和影响因素分析。 cox 模型对变量的要求有, 一、时间变量为数执行。二、事件变量状态变量为连续型或分类变量。三、自变量斜变量为连续型和分类变量。分类变量是进行哑变量处理。 第一步,首先将数据导入 spss 软件中并复制后点击分析生存分析 cox 回归 第二步,首先将变量列表中的变量放入对应变量框中并定义好事件, 点击定义事件。在单职框里填入情况发生情况、副职数值后点击继续。 点击分类,进入定义分类斜变量框里。将斜变量框中的多份类变量放入右侧分类斜变量中并定义参考类别后点击继续。 点击图,进入图勾选框,勾选生存分析风险并可以看单个变量的生存函数图。将斜变量表里的变量放入右侧单独的线条框中,点击继续。 若需要检验方法,可以点击方法的小箭头并勾选自己想要的分析方法。 若需要看致信区间范围,可以点击选项,勾选模型统计下的 xb 的致信区间,点击继续。 若需要保存模型中的变量,点击保存。勾选保存模型变量中的需要保留的选项,点击继续。确定 cox 回归的个案处理摘要分类变量编码模型 amerbabas 检验方程中的变量鞋变量平均值和模式值。勾选的鞋变量平均值生存函数图、生存分析函数图、鞋变量平均值风险图风险函数图。结果就出来了。 最后是结果的整理,首先将生存分析函数图粘贴到表格中后,将方程中的变量表粘贴到表格进行整理,去除致信区间的内容。也可将模型系数的 ambus 检验的结果整理,放在表格的下方后,将 整理好的结果复制到 word 中,进行三线表的制作和文字描述。 学会了记得点赞关注呦,可带坐指导学习交流!

如何用 spss 做线性回归分析?打开 spss, 输入数据,点击分析,选择回归线性命令,将需要分析的变量选入对应列表框中,单击右侧的统计按钮,选中估计值模型,你和德宾沃森, 单击右侧的图按钮,勾选直方图,正态概率图,单击右侧的选下按钮,勾选在方程中包含常量,点击确定,潇洒结束分析验证结果收对,你学会了吗?

毕业论文数据分析,曲线回归,建议收藏备用。选择图形图表构建程序,点击确定,选择输出图形为散点图,将你 x 选入横轴, y 选入纵轴,点击确定,可以知道 x 和 y 之间符合哪类曲线。 再次选择分析回归曲线回归,将你 x 选入字变亮, y 选入音变亮模型中选择立方,点击确定就可以了。

大家好,今天呢是我们本系列课程的最后一次课程,那我今天要给大家讲的呢是 logistic 回归,它也是回归分析当中的一种很常见的方法, 它的内容主要包括简单的二分类, logistic 回归以及它的 sps 的操作实力,还有就是多项 logistic 回归以及 sps 的操作实力。 那我们都知道我们之前所讲的线性乌龟,他都是讲自变量的一些变化和各种各种各样的情形以及遇到的问题。那我们今天讲的是因变量的不同的情形。 之前我们讲的应变量其实都应用在一个是连续变量,那我们如果遇到了是分类型变量,比如说一二三四啊,或者是说 我们分等级啊,或者是分类啊,这种情况呢,我们该怎么办?这个时候呢, logs 的回归就用到了派上用场,那分类变量也有一种最常见的就是说适合否零或一的分类,那这就是我们所说的简单二分类。 这个时候呢,我们如果选取因变量为一的概率,比如说 p y 等于一分为一的概率,这个时候 p 与概率自变量之间的关系却很难用线情函数去表示。这个时候呢,我们需要取一个变换,也就是所常说的 logic 变换,我们令 q 等于 loin, p 除以 p 一减 p 用它等于一个线性表达式, b 零加上 b e x e 加上 b n x n, 这个呢就是 logic 偏换,也就是我们所说的 logistic 线性回归模型的由来。我们既然做了这样的一个变化,那就与普通的线性回归有一些区别,我们我们的参数估计的方式有了很大的区别,之前呢 都是由最小二成估计,这里用的是极大自然估计,至于什么是极大自然估计呢,那就大家私下里可以看一下同字学的一些相关课程去了解一下。 那第二个呢,回归系数的解释含义也有很大的区别,劳力斯,这个回归他呢系数表示的是事件发生与不发生的概率比,他,这个和我们之前的有有很大的区别哦,这个是需要大家注意的地方, 这个呢是简单二分牢记,所以我们根据这个呢,我给大家举一个例子,是说比如说银行拖欠贷款的影响运输进行分析, 可选的是呢有客户的年龄,教育水平,工龄等等这些因素,我们从中选择出对是否投权贷款的预测因素,那投权贷款只有两种选择适合否,这个时候呢,我们选择二分类。劳介斯蒂克, 这是我们的一个变量视图,一个是数据视图,这是我们的数据, 下面呢我们进行操作,这个时候分析回归不是现行回归喽,这个时候是二元 logistic, 然后进入一个回归的界面,在这里面选择应变量和自变量,设置 外力的等于一,然后点击分类回对话窗口,这个时候我们这个例子当中只有教育是分类变量加入,想让他选入右边的 的窗口当中,这个时候具体的操作是这样的一个操作,大家可以看一下这些选项变量之间的操作,然后就可以点击确定进行回归,这是回归的一个输出结果。同样的是模型汇总图, 但是呢我们这里有一个对数自然值以及这个 r 方,这个 r 方 两个和之前不一样,但是呢他们的含他们的含义是一样的,就是说越接近说明我们模型的离合度也好。这里呢我们的模型度虽然说离合程度不是很高, 但是由于我们的参数啊,主要是用于模型之间的对比,所以他虽然礼盒程度不是很高,也没有很大的关系。然后呢,我们再看一下这个随机性检验的表格,这个表 比较的是观测值和期望值之间的一个差距,我们这个时候表中的观测值和期望值大致相同,已观测和期望值,已观测和期望值大致相同,这个我们可以最这里看出,模型的拟合度也是可以接受的。 再看其他的输入表格,这是一个分类表格,分类我们选择呃是否拖欠贷款,是是 yes, 否是 no。 我们可以看到最终模型的这样一个分类的列联表,在我们给入了七百个数据中进行预测, 在未拖欠贷款当中有四百七十八,加上三十九点五百七十一粒,其中呢有四百七十八粒是分类正确,就是说原本就是 no 的,我们现在也给 他分裂到 no 当中,那我们正确率达到了百分之九十二点五,在一百八十三例拖欠贷款的用户当中呢,我们有九十二例分类正确,正确率百分之五十点三, 总的正确率呢是百分之八十一点四,正确的百分比可以看出啊,这个模型对于预测的效果还是比较好的, 我们可以通过这个最后一个方程中的变量这个表格来得到一个模型的表达式,可以写出这样的一个表达式,这样的一个是 employ, 这这四个是他的模型的 音变字变量,然后音变量是 logic p, 同样的是这样,这个是长竖向,这个是音字变量前面对应的系数, 这个是我们模型的一个表达式,这个是二分类的情况。那我们现在给大家介绍一下多项的劳力士回归。我知道我们所说的多项就是我们的 音变量是分类变量,但是含有三个或三个以上水平的一些分类。比如说我是一年级、二年级、三四年级都有四个年级的选项的学生, 或者说我们可以研究说视力分为轻、中、重三个水平,那我们考察影响视力的水平的因素的时候,这个时候我们的应变量可是三个分类,所以呢,我们考虑多项 logistic 回归。 我们举这样的一个例子,比如说我们给一个民意调查,关于人们的早餐喜好水平,那我 我们的早餐选择影响因素应变量是说一个是早餐的汤点,二个是燕麦类,三个是谷物类。自变量呢,暂定为婚姻啊,年龄这些等等。这些自变量早餐呢,有三个选择,所以我们选择多变量的一个劳杰斯蒂克, 这个时候呢,点入依然是分析回归,这个时候是选择多项劳介 style 点击呢?参考类别,参考类别选择最后一个类别,就是说我以最后一个类别为参考项, 其他的两个类别呢,与此对照,而不是说是与否的对照,而是说其他的类别与这个类别相比较,我发生的概率的一个对比的比较类别的顺序可以升可以降,我们这里选择升序,这个 影响不大,我们再看一个其他的。同时呢,我们点击一个回归模型,勾选主效应,打开多项就选择主效应,模型的主效应,再不考察他们之间的交互交互关系, 因为我们可以看到其实性别,年龄这些的交互关系,嗯,对这里的影响在根据我们以往的经验,可是对他的影响不大,但是如果要考虑交互效应,在其他的情况下也可以这么做,这里选择不考虑交互效应, 然后点击主面板中点击统计 statistic, 然后勾选一些这些选项,然后参数的估计值自然比检验,其他的可以根据默认值来选择。然后最后呢就是他的一个回归结果的输出以及解释。第一个呢是我的 模型礼盒信息,一个是自然笔,一个是卡方的自然笔检验可以看出通过了显著性检验,所以模型的礼盒效果较好。第二个呢是礼盒优度,一个是 pos, 一个是偏差的礼盒优度,我们可以看到是这样的一个, 不过我们离合优度的假设检验和模型离合信息的假设检验不一样,所以他们的 p 值一个很小,一个很大,但是都不影响,我们都是知道他是通过了离合的显著性检验。最后一个是 vr 发的值,最高是零点四一四, 说明模型啊对于原始变量的解释程度不是特别高,还有一部分信息并不能解释。最后还有输出来一个自然笔的检验,自然笔的检验情况啊,我们可以知道最终 进入模型的效应包括洁具啊,年龄,婚姻状况,声音态,生活态度这四个,并且呢我们通过最后一列的行政消失,后面三个都是显著性的, 通过了他的显著性检验。那最后一个呢?这个表呢就是参数的估算值,这个表格由于我们以最后一个为参考项,这里呢就输入前面两个和最后一个进行相比较的这样一个 模型的系数的一个估计值,这是他的系数估计值标准,误差,自由度以及系数的显著性。我们可以得出我们的模回归模型的一个表达式,可以看到显著性在年龄等于三,这个不通过显著性检验以及 婚姻状况等于零,婚姻状况,生活状况等于零,不通过显著性检验,系数的显著性检验。但是我们依然可以写出他的参数的一个 模型表达式,这个呢就是多项 logic 定回归的一个整体的介绍。那我们这个系列的课程呢,到今天也就到此结束了, 希望大家能够好好学习,能够达到呃之前课程开始之前所给大家设置的一个目标,那希望大家能够呃学的好,学的更好。

本期案例的研究目的为探寻年龄 bmi 是否会影响心率。我们搜集了一百六十五名正常人的年龄 bmi 心率数据,数据情况如下, 具体在 spss 上操作为,第一步,点击分析回归线性。第二步,选择对应的自变量和应变量。第 三步,点击统计贡献性诊断得兵沃森,然后点击继续。第四步,点击图,按照图式进行选择,然后点击继续。最后点击确定 spss 软件就会输出多重现性回归的运算结果。 结果解读模型摘要表显示,二平方等于零点一一四意味着自变量年龄和 bmi, 可以解释因变量心率变化的百分之十一点四一八二言二方,在百分之三十以上意味着你和状况良好,而实际数据分析百分之十也是可以接受的。系数表显示年龄显著负向影响心率, 影响系数为负零点一八四,小于零且显著性 p 等于零点零零零,小于零点零五意味着年龄越大心率越小。 bmi 显著正向影响心率,影响系数为零点七四四,大于零且显著性 p 等于零点零零五,小于零点零五意味着 bmi 越大心率越大。基于系数表的结果得出回归方程心率等于六十五点七八八,减零点一八四成年龄加零点七四四 bmi。

电量他是我们音变量的影响因素,对他的这个研究目的来说,就是他找的这些一般资料找的还是比较准确的啊, 一类的经历损伤,他下面还有二类经历损伤啊,他他是分开分析的,那么分影响高龄产妇一一类盆底肌经历损伤的这个影响因素,他具体是怎么样的呢?然后我们就看 第一看批节,我刚才给大家说了,第二就需要看他这个回归系数,他这个回归系数是以零点零五啊为水准,高于零点零五呢,大于零点零五你看到没有? 那么说明他就是正影响,你看这个孕期体重增加程度,他是个负的零点六六零,那么他就是负面的影响。这个怎么解释?就是说看这个回归,如果 说大于零点零五,那就说明这个第二产程每增加 一个单位发是激励损伤的这个概率就增加了二点三八八倍。也就是说你的这个第二产程时间长一个单位相对于短一个单位来说呢, 你发生精力损伤的这个概率就有二点三八八倍。孕期体重增加少一个单位是多一个单位,这个高龄产妇发生 精力损伤的一点九三四倍啊,这个是否勤盆底功能锻炼 少单位是多一个单位。高龄产真经历损伤的零点四二六倍啊,怎么讲呢?也就是说那你这个孕期呢,合理的控制你的体重增加,而且适量的进行这个盆底功能锻炼 好,嗯,我们可以看他的这个结论 哈,他的这个结论说的就是,是吧。本研究结果提示,高龄高龄妇女孕期应该保持合理的体重增加 啊,适当做一些体力劳动以及盆底功能训练啊,以减少 对早期产后盆底肌造成的损伤。好,这个就是我们今天分析的这篇文章 啊,从这边文章来讲这个二元诺基斯基的回归分析,接下来呢,我们以我们今天的这个一组数据实操 来示范一下这个回归分析的具体方法以及结果解读。 手术室患者啊,他通过手术之后呢啊,发生的这个感染以及没有发生感染的一组数据,这个数据里面包括包含了这个患者的年龄啊,性别啊,嗯,这个身高,体重,体质指数,术中的体温呢 啊,术前血压等等等等。那么我们今天以这样一组数据为例,给大家演示一下,看这个手术室患者手术之后发生 你的影响因素是什么?好,我们把这个数据复制到统计软件里面来, 是否感染啊,在这里这个是否感染就是我们的应变量,那么我们的这个年龄、性别、身高、体重,体质指数,书中体温等等一般资料就是我们的这个 啊自编量。那么其实我先给大家说了的哈,我们可以看一下那个文章,我们 我们需要,我们实际上需要先在这个把这些因素哈先做单因素分析,找出来他们存啊,是否发生感染的患者,是否在这个一般资料比较上面是否存在显出差异,存在显出差异的一般资料我们才把它纳入模型,但是 我这里为了节约时间哈,就是我没有做单因素分析,我直接就把这个啊,所有的 这个自变量啊纳入到我们的这个模型当中啊,重点就是给大家演示一下二元诺基斯基的回归分析以及结果解读啊。那么就是我们我们这里 也很简单啊,数据整理好了之后录入进来,你记得一定不要有错误,整理数据的时候一定要认真,然后录入到统计软件里面了之后呢点击这个分析,分析里面,因为我们是那个二元诺基斯提格回归分析,他也是 回归选项卡里面的啊,我们点回归,然后会有这个二元洛基斯提格,我们点击一下。

大家好,我是军磊,上一个视频呢,我们主要介绍了相关性分析的一些操作和制表, 那么从这一节课开始呢,我们正式进入模型检验阶段啊,我们会从最基础的呃线性回归模型开始讲,一直讲到啊,我们的结构方程中间会讲啊,调节效应模型、 中介小型模型啊,以及混合模型,混合模型就是既有中介也有调节。嗯,那么在我们讲这个正式讲操作和制表之前呢,我们还是会讲几个比较重要的啊,概念, 一些繁琐的理论我就不讲了,主要讲究几个概念啊,好,这个就是我们呃,肯定大家都见过的一张散点图。呃,这里的这些 这些散点呢,就是我们的数据,我们涉及到的数据,那么这些这条直线呢,就是我们所构建的模型, 我们会啊,通过线性回归去构造这样一条线。那么这个 y 等于 ax 加 b 加 e 呢,就是我们构建的那个模型。 a 呢,就是我们的啊,自编量的系数。 b 呢,就叫洁具象或叫长竖象啊,一般我们叫洁具象。 e 呢,就是残叉序列或叫残叉象啊,这几个一定要记住啊,这几个概念一定要记住 啊,之所以为什么 x 这里是大写呢,是因为这个里可能是一个矩阵啊, x 呢,他可能是多个多个 x 啊。嗯,好,下面我们讲 另外一个变量,叫控制变量啊,很多同学就问我控制变量是什么呢?控制变量到底有什么用呢?好,我们在这里给大家说一下控制变量啊,他其实就是一种自变量,只不过这个控制变量他可能是呃,嗯, 经常出现的一种变量,或者说在我们的成语当中势必会出现的一种变量,我们把它称为控制变量。嗯, 比如说我们的 x 对外他是有一个正向的一个作用的,但是呢,你这时候如果没有考虑控制变量,那么 你这个自备量呢,他就对对歪的一个影响呢,可能就没有可信度。如果你加入了一个自控制变量,发现那个自备量依然显著,那么这时候你才能说 啊,自备量,对啊,易变量,他是行动的,但是这个控制变量呢,并不是说我们构建模型一定要加入啊,这个是你需要跟你的导师去讨论的啊,一般啊,我们是要加入的。 好,我们可以拿一个例子来讲,比如说啊,小明每次都会碰见小红,但是小红呢啊,见到他就很开心的笑,小明就以为呢啊,小红可能会喜欢他,因为他啊,见到他就笑吗?啊,其实这是小明想多了,因为小红每天都会跟他的青梅竹马的邻居小军一起 上学啊,那么这个跟小军上学就是控制变量啊,不管见没见到小明,他都会很开心的,所以说啊,见到小明就开心一笑,这个是没有控制变量是成立的,但是加入控制变量反而就不成立了,那么这就是控 控制变量,我们去探讨他的一个原因啊。好,我们再看一个变量关系。嗯 嗯,那么这些变量呢?是我们,嗯在构建模型当中会用到的一些变量,当然啊,可能不会全部用到啊,比如说调节和中介,而这个会根据你自己的啊模型进行取舍。嗯, 好,我们来看一下这个,呃,大家不要被这个模型呃样子给吓到,其实很简单,我们一个一个来讲控制变量,刚才我们讲了控制变量,他其实跟自备量呢,他是啊一样的,都是可以把它当成自备量来看待啊, 那么呃,我们讲中介变量是什么呢?就是说我们自变量要通过中介变量才能够影响音变量, 那么我们就说这个变量叫中介变量,那么什么是调节变量呢?调节变量一般是作用于某条 路径路径上,比如说他会影响某条路径,比如说我们的啊,在调节变量高的情况下,他这条啊回归线的一个斜率是高的,那么在调节变量低的时候,他是 击打雷丝阵,他影响的是这条线啊,这条回归线好,我们呃讲完,呃,那么这个模型整体看他是一个混合模型,那么我们呃用的时候可能会啊 只是做中介模型,比如说只是做这这条线,这条线和这条线啊有有可能只是做调节模型,这个到时候我们后面讲调节效应, 中介效应的时候还会再去讲,我们这里就先不讲了,那么我们今天呢就是从最简单的回归模型来开始讲,就是既没有调节变量,也没有中介变量,也没有控制变量啊,通过一个简单的多元性回归模型呢,来 介绍一些啊,技术啊,指标啊,我们应该怎么去看待啊?怎么去看待,包括我们怎么制作一个对外形形回归的一个表。嗯 啊,另外呢我给大家说再说一下,就是我用的这个软件啊,我用我既有十七版的软件,也会有二十二版的软件,那么从今天开始呢?之前我都是用的十七版的啊,从今天开始呢,我就用二十二版的这个软件了啊,为什么呢?因为,因为我之前学的时候学这统计的时候就用的十七版啊, 所以用的比较啊,比较比较顺手吧。但是最近几年开始啊,啊,有一个新的验证模型的一个手段叫 不是我们做回归的时候啊,回归上有一个 pross, 嗯,在这个 parss 的没有啊,正是发展成型之前呢,我们都是用啊回归模型,就是先行回归模型,去通过逐层回归的形式 啊,注册服务也是来去进行验证的,而是啊比较麻烦。那么有了这个,有了这个普洱赛的之后呢,我们就可以很方便的去进行 比较复杂的这个模型检验了。所以说我还是建议大家啊,装一下这个二十二版或者是以上的这个版本,并装一下这个插件,这个 他现在在我的公众号上也有,到时候大家可以回复啊,普洱赛词就可以获得啊。我们先看一下这个表的结构啊,如这是一个多元先进回表的一个通用的结构,当然这个这里面有几个指标呢?是啊, 嗯,我在上面呈现,但是他可能用不到的,比如说这低价不离职,还有这个公交性检验,这这这两列,这两列,哎, sorry, 这两列啊,这两列可能是用不到的,就是我们可能不需要这些好低价,不值啊,因为 这两个检验呢啊,并不是必须的啊,尤其是第二,第二本职,第二本职呢,嗯,我们一般是用不到的,但是我在一些文献当中也看到有一些同学去展示了这个,所以在这立出来了那么一个一来讲这些指标啊,那么而我们 不用管,我们要看二方和调整二方,这两个指标代表是我们模型可对于我们原始数据的一个解释程度,那 那么这个指标达到几时?达到零点几是好的啊?这个没有一个严格的标准啊,一般达到零点二啊,零点三或者零点四,当然越高越好,越接近一越好嘛,但是一般达到零点二,零点三就是都是可以接受的啊。那么硬性指标,什么硬性指标?是这个 f 检验和啊 p 值, 这个屁值小于零点零五啊,就说明我们的模型是显著的,所以这里面我们可以这样讲,先说他说啊,呃,由上面可知啊,屁值小于零点零五,说明模型通过了啊,这个显著显著水平的检验啊, 有有二方是多少,他说明这个啊,这个模型对原始数学解释程度很高啊,那么这上面 这个数据就基本啊,别说完了。那这第二轮值呢?第二轮值你如果用到的话啊,他必必须要在二左右,他所呈现的是一阶残杀系列的,是不是有自相关啊? 如果在二左右的话,你就说啊 w 值在二附近,所以采茶序列无字相关,一阶采茶序列无字相关啊,这样就可以了。那么我这里呢,就这个纸呢,就是没有在二左右,所以这个就啊不太好啊,如果你的这个指标啊不太好的话,那你就直接删掉,不要呈现啊,不要给自己 挖坑找麻烦。好啊,那么我们再看下面这个指标,嗯,呃,首先我们还是先看后面这两个值啊,这两个值代表了一个是容忍度,一个是 v f, 他呢? v i f 是他容忍度 一个倒数,所以说我们只看 v f 就可以了, v f 呢,我们一般认为他不大于十, 就说明这个自便量与自便量之间的这个贡献性啊,不是那么强,是可以接受的啊。所以之后我们就那么这里呢,你看他说就是在二以下嘛,说明我们这个自便量之间啊,他的贡献性不是那么强啊。 好,我们接下来就看这几个中间这比较重要的这个指标。嗯,首先我们还是要看我们这个显示性检验,这个啊批指 p 呢是小于零点零五,我们就说这个模型是显著的啊,这个变量是对歪具有显著的影响。好,嗯,也就是说通过这个这个来看啊,嗯,这两个, 这两个变量对于模型歪,那么这里我们可以说说,对啊,什么什么,我这个是幸福感,对幸福感 会有冒险啊,他俩对于幸福感呢,具有显示的影响,那么显示的影响是正影响还是负影响呢?我们要看系数,这里有两个系数,一个是标准系数,一个是啊,非标准的一个系数。 如果我们是想去比较两个系数,两个变量之间影响程度大小呢?我们一般是用这个标准系数,那我们构建模型,在下面写这个歪, 等于 ax 加 b 的时候,加 b 的时候,我们一般是用这个非别人化模型来去啊,写这个模型啊,好,我们这些数据啊,怎么出来呢?我们可以操作一下啊,好,我们还是。 呃,这是我们的数据码,我们点击分析,分析里面有这个回归为我们点线性, 现在里面这里其实我刚才做的时候已经已经展示出来了。好,我们把我们的幸福感放在这里,本来是在这里吗?我们放在这里,然后我们把我们的倾偈挂坏,这几个自便量本来是在这里的,放在这里,然后 第一个我们点击购物先行检验,就出来那个 v i 符合用人度了,然后我们再点击 dw 值,就出来 dw 了,这个值呢一般是用不到的啊,这里我再次强调一下,这个是用不到的, 贡献性检验比迪迪 w 值呢出现要次数多一些。好,我们点击继续,然后我们点击确认,那么这里的 r 他 大家都出来了,我们只需要用到这墙前面这三个表啊,前面这三个表,所以我们把前面这三个表给 cosop 一下, 然后放到一个三号表格里,然后把它单独弄出来放在这,然后呢我们把下面这个删掉,然后再把这个删掉, 那么乘这个数据是不是就啊有没有用啊?然后呢我们把这个地方合并一下,叫参数模型参数,然后呢我们在这里 再叫什么?再叫一个啊,然后中间呢有几个,有几个地方,你看这些地方,不过这种雪应该叫柔软度,柔软度比较比较长, 常见啊,这条路,这条腿你可以删掉,把二方调整二平方,这里都可以啊。嗯,然后这个北塔呢,我们可以改为北塔。 好,呃,那我们再再把这些边框啊什么的给啊润色一下,就可以形成这样一个样子啊,这样一个样子 啊,那么我们再继续讲啊,就是啊,这里面你下面这些,呃,怎么来描述啊?你就每一个都描述一下,在下面,比如说啊,千观怀他是什么情况?他的体值多少?体质多少?有没有显著正相关?自相正相关还是负相关啊?还有对 对音变量是正影响还是负影响?那每一个你都说一下,然后最后再来个总结就可以了啊。好,那么咱们今天的课就讲到这里啊。啊,那个关, 关于那个,呃,这个二十二版的这个 spss 呢?你在我的公众号上进行回复。 spss 也可以啊,得到一个软件啊, 后面我都会后面的这些所有的这个内容我都是会基于这个二十二版来讲啊。好,今天这课就到这里啊,谢谢大家。

做临床的医生小伙伴应该都会接触大量的临床数据,但是如何利用自己手上的数据做出高质量的文章还是一个难题。今天小薇就给大家分享一个提升文章档次和内容的知识。用 spss 的 logistic 回归构建预测模型, 我们以下面这个案例来具体看看如何构建模型。某研究人员,你建立一个关于冠心病患者支架,介入书后再次发生 mais 事件 major advice cardiovascular events 主要心血管不良事件的风险预测模型。数据扩格是如下图所示,其中应变量结局事件为 event 自变量影响因素为,性别、 gender 年龄 h 索索亚 sdp、 吸烟、 smoking、 低密度脂蛋白胆固醇、 ldl 及官脉病变 syntax 群分 syntax。 下面 开始具体的数据分析,一、分析 analyze 回归 regression 二、元 logistic 回归 binary logistic regression。 二、将 in 变量 event 选入 in 变量 dependent 空中,将各个自变量选入协变量 coverage 空中。三、点击保存 save, 在预测值 predicted values 下勾选概率 probabilities, 目的是为了在数据库中新生成一个概率值,用于绘制 rock 曲线和较准曲线图。 四、点击选项 options 勾选 housemailed so goodness of fate, 用于输出 housemailed soul 你和优度检验的结果。五、 输出结果方程中的变量 variable in the equation 中输出了每个影响因素的回归系数, battle or 值百分之九十五 ci 以及批纸等信息。回归方程如下, logicp 等于 余减六十八点八,二八减十点二三三 jane 加一点二五七 aj 零点一九五 sbp 一点二零五 smoking 加十点三一二 ldl, 零点九四三 syntax。 以上就是今天的分享内容,是不是很简单呢?有了这个利器,你就可以把手里的临床数据利用起来了。