spss cox回归亚组交互作用
啊，我们现在学习一下这个亚索分析和交互作用效应，来自于参考资料，来自于临床实验服务中心这样一个微信公众号。在真实世界研究或者临床实验中，我们经常需要进行亚索分析并计算交互作用， 就是这个 p for interaction。 我们可能在文件中经常经常看到类似于这样的图，但是不知道怎么读，我们就一起来学习一下。压缩分析是根据研究对象的机械进行特征分析，然后在每个亚索中进行统计分析， 他的目的是为了干预，观察干预措施或暴露因素对结局的影响。在不同特征的亚人群中是否不同。亚索分析 一个重要的指标就是这个交互作用 p for interaction， 其意义在在于判断干预措施或暴露因素和亚足因素之间有交互作用。如果没有交互作用， p for interaction 是大于零点零五的就， 呃，就不需要去看每个亚足中的效应值。 全部都是大于零点零五的啊，就不需要去看每个亚足中的效应值。如果存在交互作用 p 小于零点零五的话，才有理由去观察每个亚足的效应值，判断效应值在每个亚足里是否不同 啊。然后我们就跟着他，他这个这个文章比较好是因为他是使用的 r 元的内置的， 呃，数据集比较方便我的，我们跟着他一起过一遍吧，学习一下就是学习，目标就是学会画这张图， 使用二元这个 g statable 实现 cox 回归亚祖分析和交互作用效应。第一步，设置工作路径， 然后加载包，第一个包用于亚索分析，然后第二个数据集绘制森林图使用的是 for for rest plot 这个包，然后 greet 用于基础绘图，查看这个数据集。呃，这个数据集其实我们可以用切到 t p t 三零五问一下每个变量的含义。 呃，查看一下一二三四五， 有这么多行，有这么多列的变量。 呃，我们查看一下这个数据集的这个数据集的 列名。呃，我们就跟跟着公众号一起去，就只只列举了这个十个。第一个是 id 啊，我们就不说了，第一第二个是这个生存时间，然后结局。 呃， t r t 是这个药物治疗， a g 是年龄， sex 是性别，然后这个是有无副水，有无肝肿大， 有蜘蛛痣，有无水肿。还有这个 stage 是组织鞋阶段，我们只展示了这个十个变量，因为我们没必要把，就是只是为了演示，没必要对所有的亚足进行分析， 然后选择变量并将其转化为因子性。这里我们需要加载这个。呃， tied worse， 这个包用于数据处理，然后从 p p c 数据集中选择需要的变量，就是我们写写这个 写编码含义的这这十个十个变量比较清晰的，第一列是五个，第二列是五个啊，然后呢，把把这些分类变量都转化为因子变量， 都转化为了银子变量。接着查看一下这个，我们转化之后的可以看到这个。 呃，随访时间和这个结局是连续性的变量， 其他的都被我们转化为了因子变量，其他的八个都转化为了因子变量。第四步就是进行亚索分析和交互作用效应，我们使用嗯， g state 包中的 table， sub group， marty， cox 这个函数进行多变量的生存分析。呃，这个是随访时间，这个是结局， 分组的变量是选的这个 sex。 呃， subgroup 呢？雅组指定的变量呢？我们指定了七个，对吧？因为总共有八个嘛，我们这个是作为分组了之后，然后其他的几个作为雅组。 呃，我们再查看一下这个。呃， r r r e s。 不太好看，在这边不太好看。然后我们直接 view 一下，可以看到一二三四 五六七八九十，现在是有十列，我们可能所要展示的就是这个第二列，第三列啊，然后这列和第九列，第十列，这个要生成，这三列要生成一个 hr。 好了，接下来我们绘制森林图，第一步要处理数据，我们把把这个就是得到的这个重命名为 prototy， 然后选取第二三九十行在森林图中进行展示，并替换缺失值。 non 为一个空字符串，我们看一下这个二三九十行， 二三九十。然后我们把这个难替换为空值，替换一个空格字符。好的，我们 view 一下，已经缺失值已经替换成了。 呃，这个空字符号。然后接下来添加一个空白列，用于存放森林图的图形部分。呃，我们直接 view 一下就可以了。可以看到在这个原来是十列，现在就变成了第十列，现在变成了一个，增加了一个空列， 然后将第四列和第六列转化为数值型。呃，看一下这个 protote， 一二三四五六，第四五六列转化为数值型，并保留两位小数，其实现在已经是两位小数了。 好，再 view 一下，四五六列，两位小数，然后接下来计算这个 hr 和百分之九十五 ci， 以便在展示在图形中。 这里用了一个 a v l 子语句，就是说如果，如果不是空，不是空值啊，如果是空值就给他打印一个空的， 否则的话就把这三列连接到一起，这个估计值点估计值，然后可以先下线上线，然后给他连接到一起，我们直接查看一下，看的不清楚我们就 view 一下， 可以看到我们 view 了之后就是增加了一个，原来是十列，十，十一列是空空的，十二列是把这个 hr 用点估计值，然后下线和上线连接起来。接下来我们就正式的进行绘图 啊，稍等片刻，这个就出来了一张图，然后我们把它呃 save as save as pdf 嘛， a 四指大小的一个 pdf 就就得到了这样一张。这样一张图，可以看到我们所需要的是一二三十一，十二九和十这几列。 先展示的是第一列，第二列，第三列 count 呃 percent， 然后是十一列，十二列，还有这个 p value 和 p for interaction。 好，这个这个公众号写的真的蛮好的，可以看到他，他是一月前刚刚刚刚修改，可能，可能刚刚编辑的，可能在之前的话，类似于这样的资料的话，可能都是要付费的。
粉丝9455获赞3.2万
相关视频
02:45查看AI文稿AI文稿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！
127艾吖法数据
09:12查看AI文稿AI文稿单因素 cox 回归是一种用于生存分析的统计分析方法，用于探讨一个单因因素变量对个体生存时间的影响。生存分析是一种统计方法，用于研究某个事件发生前的时间，例如死亡、疾病、复发等。 cox 回归是一种广泛应用于生存分析中的回归分析方法。在单因素 cox 回归中，研究者将一个单因因素作为自变量，例如年龄、性别、治疗方案等， 而因变量则是个体的生存时间。通过计算自变量与生存时间之间的相关性，可以评估该因素对生存时间的影响。具体而言， cox 回归通过估计一个风险比来比较不同因素对生存时间的影响。该因素 cox 回归的结果可以用来确定是否应该将该因素 包含在多因素 cox 回归模型中，以及如何对个体的生存情况进行预测。我们通常先进行单因素的分析，目的是将多因素 cox 模型中的潜在主变量和斜变量快速筛选出来。结果一，单因素 cox 回归统计结果表格， 此表展示了各个字变量或分组变量的统计数风险比上下区间 p 值。结果二，带因素 cox 回归 p 值表格，此表展示了每个字变量的 cox 回归的 vop 值。 结果三，单因素 cox 回归 c n x 表格，此表展示了单因素 cox 回归里每个模型的 c 指数和其标准误差一致性指数，预测风险和实际风险排名是否一致，接近一则准确结果四，单因素 cox 回归系数表格，此表展 展示了 cox 回归里每个变量的系数系数指数标准误差 z 值、 p 值。结果五，单因素 cox 回归。 h。 二、森林图此图把所有的单因素 cox 变量放到了一起，并展示其风险比和上下区间中间的数线是无效线， 若区间横线与竖线交叉，则因素和结局无关联。若区间横线在左侧，则因素有利于结局发生。如果区间横线在竖线右侧， 则因素不利于结局发生。方法说明，本算法调用了 survivor survivor tablean deploy 的二包。使用本方法的相关经典文信有四篇，供您参考。 多因素 cox 回归用于探究多个因素对生存分析的影响。多因素 cox 回归的基本原理是基于 cox 比例风险模型， 在考虑多个预测因素对事件发生的风险比时，可以控制或调整其他因素的影响，从而更精确地评估预测因素对事件的风险比。在多因素 cos 回归中，需要注意调整其他预测因素的影响，并对模型假设进行验证。 结果一，多因素 cos 回归统计结果表格。此表展示了各个自变量或分组变量的统计数风险比。上下区间批值 结果二，多因素 cox 回归屁值表格。词表展示了多因素 cox 回归的 world p 值。结果三， 多音素 cox 回归 c n x 指表格，此表展示了多音素 cox 回归里模型的 c 指数和其标准误差一致性指数预测风险和实际风险排名是否一致，接近一则准确结果四，多因素 cox 回归系数表格。词表展示了 cox 回归里每个变量的系数系数指数标准误差 z 值、 p 值。 结果五，多因素 cox 回归预测风险表格展示了所有样本预测风险值。结果六，多因素 cox 回归 h 二、森林图 此图展示所有因素的变量，并展示其风险比和上下区间中间的竖线是无效线，若区间横线与竖线交叉，则因素和结局无关联。若区间横线在左侧，则因素有利于结局发生。如果区间横线在竖线右侧，则因素不利于结局发生。 结果七，多因素 cox 回归 rock 曲线图 rock 曲线的横轴是假阳性概率，纵轴是真阳性概率。主要看 rock the rock 面积，即曲线下与坐标轴为成的面 面积。如果 out 接近一方法，真实性越高，准确率高。结果吧。多因素 cos 回归决策曲线图决策曲线用来帮助确定高风险，需要干预低风险，避免干预评价获益程度的一种评估方法。 横坐标示预概率，总轴是近或意安徽线是不进行干预或一为零哦。黄线表示所有样本均进行干预，模型的蓝线越靠近干预黄线越好。 结果九，多因素 cox 回归校准曲线图校正曲线是实际发生率和预测发生率的散点图。 横坐标为预测的生存率，纵坐标为实际的生存率。对角线是预测概率等于实际概率，对角线的虚线是参考线及预测值等于实际值的情况。预测和实际发生率完全一样。你和曲线和对角线 线越接近，说明预测和实际发生率越接近，说明模型越好。结果时，多因素 cos 回归列线图列线图又称弄墨图，用来把多因素分析结果用图形方式表现出来，将多个预测指标进行整合，然后采用带有刻度的线段， 按照一定的比例绘制在同一平面上，从而用以表达预测模型中各个变量之间的相互关系。每一个变量对应的线段上都标注了刻度，代表了该变量的可取值范围， 而线段的长度则反映了该因素对结局事件的贡献大小。单项得分，即图中的 prince。 第一行表示每个变量在不同曲直下所对应的单项分数以及总得分，即 total pointness。 最后一行表示所有变量取值后对应的单项分数加起来合计的总得分。 p 二则 是总分对应的应变量预测概率。方法说明，本算法调用了 survival survivor table one deployed 二包。使用本方法的相关经典文信有四篇，供您参考。 那么如何快速简单的实现这些分析呢？有请统计员上传好数据后进行数据分析。选择生存分析、单因素 cock 分析。设置参数、生存状态、生存时间、自变量拖进或者勾选相应变量， 点击开始运行分析。预览分析结果， 下载分析报告。图表 参照单因素 cox 分析结果，选择合适变量，进行多因素 cox 分析。选择好所需字变量，点击开始运行分析。预览分析结果， 下载结果文件包 查看分析报告， 查看帮助文道。 好啦，操作如此简单，快来试试吧！
12:50查看AI文稿AI文稿之前介绍完了简单的单因素生存分析，现在我们介绍一个多因素生存分析的方法，就是 cox 比例风险模型。那这张内容比较多，分为了下面七个部分。 首先这个多因素分析方法我还是要提一句，就是他有参数法和半参数法。参数法就是我们之前介绍的， 还要求时间满足特定的分布，比方说这个分这些分布都有个特定的方法，但是这个实在是局限性比较大，所以说我们就推出了半参数法，又叫 cox 比例风险回归模型，是目前多因素分析主要的方法。 cox 模型它有个基本形式， 第一个 h、 t、 h， 这个第一个我就不读了，然后把这 e、 x、 p 里面东西展开，就是这个东西，就是 分别用贝塔乘以 x， 然后 h、 t、 x， 就是这个对应其他东西应该叫做 y， 就是具有前面量 x 的个体在 t 十克的风险函数，这个风险函数指时间 t 十克个体的瞬时死亡率。死亡率， 呃，简而言之就是这个模型是为了预测，那预测什么呢？就是预测他到那个点危不危险，是危险还是不危险。所以说推出了这个模型，就是那个时刻他死亡的概率有多大，就死亡率有多大。 那么这个东西就是所有斜变量均为零的时候，就是没有考虑这个斜变量的时候，他有个机械的死亡率，这个是非参数部分。 那么这里面这个东西就是考虑各种斜边量，贝塔一乘 x 一，贝塔二乘 x 二，这个乘下来再算了一个 e、 x、 p， 然后 这个东西是线性部分，这是参数部分，可以是定性的 x， 也可以是定量的变量。呃，这个很好理解，是个比较基础的概念。然后这两个部分，一个是参非参数，一个是参数，所以说这个模型叫做半参数法 cox 模型。 那么下面介绍几个概念。第一个是回归系数，就这个模型里面贝塔叫做回归系数，这个贝塔大于零就是这个因素， 死亡风险越大，就是他有这个因素越危险，小于零就是死亡风险越小等于零，就是这个斜变量没影响原因就是这个 h 零 t， 他是生存，就是去掉斜变量之后的生存风险函数，就是他不能小于零， 所以说这个地方他乘一个数乘以一个大于零的数，那么就是他跟这个东西成正比。所以说 我们又把这一块地方 data 这一块地方叫做预后指数，因为这个地方越大 就是线性部，就是也就是他线性部分越大，就风险越大，就是后面的结果就会越差。如果将这些 x 这些全部标化，标化之前呢？就是标化，是之前技术统计学介绍的概念，就标化之后纳入防尘，成为标化后预后指数， 这个也是概念技术就好相对危险度。这个 最后一个定义就是具有两个斜变量 x i 和 x j 的个体，其风险函数之比即为 r r， 它是一个与时间无关的变量，因为被除掉了基本函形式是这个样子。这个东西，这些前三个这种东西就是简单的定义，大家有所了解就好。知识点之后 我们应该是进行一个操作的演示，先把这个关生存分析 cox 回归统治一下时间，这个跟前面操作一样， 然后我把这三个当数前面量选进去，这个东西输入向前向前向前，后面有个冒号，冒号向前，这有个冒号什么的，然后这都比较这个东西怎么选，介绍一下， 这东西叫做斜变量的选择，这个向前之前应该是学过，但我在这重新讲一下，向前就是全部变量强制进入模型，而进入是全部强制进入模型，向前是如果就是初始，这个模型是不包含任何变量的，直接变量足够会被挑选进去 模型，他根据一定的要求挑选变量镜模型，向后是原始模型，包含了所有的变量，但是这些变量会足够，因为一些条件被排除掉模型。然后这些冒号后面的就是条件， 冒号后面是条件，这条件分别是有条件的 l、 r 和瓦尔德条件，有条件的那个参考标准就是条件参数，古迹的自燃率 r， l r 是极大自燃古迹的自燃率，瓦尔德是瓦尔的统计量， 瓦尔的统计量，这个一般不推荐选，选前两个就好。如果你要用那个逐步回归的方法的话。然后我们继续这里学习，这里 分类，这里不不选了图，这里把这个这个生存分析，这个图生 存曲线选上保存，这里先不选自行区间，可以勾上这个进入零点零五，出去是零点一，排出的这个 p 值应该是大于这个 p 值的， 然后一般是取零点零五和零点一，然后其他的东西可以不写，然后把这些选进去之后直接点确定就好。 我们看到这个模型是具有显著性的，然后其中性别这个变量到时候可以剔除出去，他被他这显著性很低，他没有显著性，这两个是非常有显著性的。 然后这些东西大家之前的也就见过，同一个数据库也见过，然后我们再试试这个， 随便选一个有条件的， 你看到第一项他性别上来就被剃掉了， 他被剔除出去了，然后最后留下来。模型是年龄和是否用药， 哦，这是年龄是否用药， 这就是他会根据一定的标准来自己选择，哪些是踢出去，哪些是在里面留着，操作就在这儿了。然后这个模型基本原理是这个就是 spss 里面基础本的操作方式是这个。 然后我们介绍一下他的那个统计分期的要求，每种统计方法都有一个统计分期的要求，这个 cox 回归也不例外。他的也 要求是比例风险假定，要求前提条件就是比例风险假定为固定值，就是斜变量对生存力的影响，他不会因为时间的改变而改变，这是他的要求。他计算方法有两种，一个是绘图法，一个是计算法。这两个方法绘图法就是 时间为横轴对竖，生存率为重轴绘制，斜变量的生存曲线分别绘制。然后如果他是平行的，就代表满足条件，这个方法非常不推荐使用，因为你用这个方法，你说他是平行的，他可能稍微斜一点，他也是平行的，因为他这个统计吗？他是因为 基于概率的，他两条线也可能稍微有点弯曲，这时候你用肉眼观看，你是没办法解释的。这个绘图法不可靠，这个计算法是比较 比较准的一种方法，但是 spss 里面没有这个方法，然后但是很多时候遇到这个写文章之类的，又要要求你给出这个值，所以说我查了查文献，包括一些文章，这个办法怎么在 spss 里面实现？嗯，大家看一下， 原理不赘述。同样是先生存分析，你先假定他是满足的，保存里面保存偏残差，继续 性别是被踢出去，年龄和是否用药 多出来两个东西，这是偏残差。然后数据里面有一个选择个案，如果条件满足， 结局等于一就是结局等于一就死亡。删除删除未选定歌案，就是我们要求把删失的全部给去掉， 看全是死亡了。然后这就是第二步，去掉三式的第三步， 各按排字，将时间排一个字，类型就是默认的字绑定，就是平均值 得到一个这个 check 三个东西，我们根据这之前的操作得到这三个东西，分析 变量，把这三个东西全部扔进去，直接点确定。嗯，做个相关分析，然后看你看时间这一块，你发现这是零点七六八，一个是零点九幺幺。针对年龄和是否用药不拒绝原假设，证明 它是没有改变的，就是它满足比例风险，确定这个地方要求大于零点零五。哈，这要求大于零点零五代表它是满足原要求，小于零点零五就不能用这个方法计算了，就是不能用 coco 词来计算这个斜变量就得剔出去。 如果某个鞋变量不满足的话，那有两种解决方案，一个是将这个鞋变量分成，比方说可能 你用药不用药不满足，然后我们就把这个用药不用药给分成分析，还有情况下就是 参数回归，就是什么线性回归，看看想不想办法，用不用其他回归的方法，或者说是你用参数的方法，之前介绍的方法，参数的方法，然后这部分是 比例风险的假定，这是 cox 回归的要求，之前要求做这个东西，但是这个做的方法是比较难的，大家到时候再没看懂，再重新看一遍视频。然后因素的筛选， 就是如果你有一堆因素的话，我们该如何筛选？我这倒是简单，只有三个因素，我一起丢进去再仔细看看，但是你该如何筛选呢？就第一步。首先单变量分析， 就是 k m 法筛选出有统计学意义的变量，呃，这个过程跟那个线型回归之类的比较相似，然后把上面有意义的项目扔到 cox 回 规模型里面进行分析，但是要学的东西就是例外，这个有些时候斜变量具有专业的意义，他无论单变量分析中是否有统计学意义，都可以纳入模型，这个就是例外。一 b 二二就是他也是不能多重贡献性，这个多重贡献性的话就 不能拉入模型了，就得考虑一下该怎么把这个多重数贡献性问题给处理一下啊。这个地方没有操作演示， 那么我们有没有什么建，建立模型的时候我们有没有什么注意，就是要求可以掌握的东西呢？这里介绍几个东西，第一是前记法，后退法，你根据需要选择，呃，这个不重要。第二个是纳入排出一定要小于标准，这个之前讲过，一般为零点零五和零点一。第三 三个前半句话就是研究要求特别严格，批只可设为零点零一。但是生存分析中有另外一句话，就是要求比较宽松的时候，批只可以设为零点二，这个批只定为零点二。有些时候如果要求不这么严格，比方说杂志要求不严格，或者说你文章本身要求不这么严格， 定为零点二是可以的。然后第四点就是针对这个第一点，如果你用了逐步回归得出结果，他保证的是最大四函函数值是最大的， 但是这并不能保证这个模型的精度最高，最终模型还是需要根据自己专业来支持。所以说我们理出一条思路，就是整个计算模型应该可以用这么一个方法来进行，就是单因素、多因素，就是先单变量分析，多变量分析结合专业来分析。 很多人可能只有第一步、第二步，但是很多时候他们忽略了第三步在这里面，所以说导致最后模型建立的不好，把一些关键的你要研究的因素给剔除了出去。 好，这个是多音速生存回归。讲到这这张是比较难的一张，希望大家能掌握。
06:17查看AI文稿AI文稿各位朋友大家好，今天我们开始学习 spas 统计分析实战终极篇，本次我们讲解的内容是 cox 比例风险模型回归， 我们来看一下具体的案例，研究某种新药的抗肿瘤效果。 将肺癌患者随机的分为两组，分别采用新药和常规药物进行治疗，同时要考虑年龄和性别的影响，也就是这里面我把年龄和性别当做邪变量。 在 spa 的数据文件里面呢，总共有五个变量，第一个变量也就是 group， 它表示新药和常规药。第二个变量呢是性变，分别是男女。第三个变量呢是年龄，这里面年龄呢也将它处理成了分类变量。 第四个变量是生存时间，最后的变量呢就是生存结局，那生存结局这里面呢，我们是用一表示死亡，零表示山势。 我们看一下在 spot 的界面里面如何进行分析。首先呢，在 spot 界面里面找到分析，然后再找到生存分析，那这里面呢，有个 cos 回归，我们点击 cos 回归，那这时候呢，就会弹出来 cos 回归的分析界面， 将生存时间拖入到时间，再严格将结 据拖入到状态的严格。然后呢，再将三个变量，性别，年龄，药物风阻拖入到鞋变量里， 那这里面的方法我们就直接使用强制进入法，不考虑逐步回归。 然后点击定义事件，出现新的对话框，在这里面呢，我们输入一，也就是表示结局，这个变量如果取值等于一，他就表示事件已发生，然后点击继续。 之后呢，我们再点击分类，因为我们的三个斜变量他都是分类变量，所以这时候呢，我们要把三个变量拖入到分类斜变量 单元格，那这时候呢，我们要来指定他的参照水平，就以性别为例，性别呢，他是两个水平，男性和女性，你究竟是以男性为参照，女性和他比，还是女性为参照，男性和他比？ 你假设男性他的死亡风险是女性的一点五倍，那这时候反过来，女性的死亡风险是不是男性的一除以一点五倍啊？所以呢，你的参照水平不同，他的结果就会有所差异。 这里面通常而言，我们是以他取值最小的这个水平为参照，所以呢，我们就点击第一个，然后点击变化量，让每一个分类型变量后面都出现 force 的，那这时候呢，他们就以他取值最小的那个值 作为参照，然后我们点击继续，然后呢点击选项，在选项这里面呢，我们要勾上 e x p， 只有勾上 e x p， 它才会返回来 h r 的百分之九十五可行区间。 之后呢就是自主抽样，这个呢使用的比较少，我们就不过多讲解， 我们来看一下结果。首先呢，我们的样码量是七十， 发生结局事件的有三十三个，未发生结局事件的有三十七个，然后不存在趋势值， 然后是分类变量编码，比如这里面药物分组零是常规药。 一是星耀，我们当时在设置的时候呢，是以参照水平最小的为参照，所以这里面呢，我们是星耀和常规要进行比较。性别呢，我们是男性和女性进行比较，年龄呢是大于六十岁的与小于等于六十岁的进行比较。 之后呢就是模型的结果。在这个 ppt 里面呢，我们看的是方程中的变量这个表格，在这个表格里面呢，第一列是回归系数， 第二列是回归系数标准物，第三列是对回归系数进行假设检验所得到的瓦尔德卡方值。那第五列呢，就是它的 p 值，最后三列就是 hr 值以及 hr 值的百分之九十 区间。那这里面呢，我们先看一下 p 值，药物风阻，它的 p 值是小于零点零五，也就是说药物风阻是存在统计学意义，它的 o r 值呢，是零点三九零 over 的百分之九十，肯定区间呢是零点一七四到零点八七六。第二个变量性变，第三个变量年龄，它的 p 值呢，都是大于零点零五的，也就是说不存在统计和意义。 这里面药物分组，它是新药和常规药比，也就是说新药 他发生死亡的风险是常规药的零点三九零倍，或者我们可以描述成新药他的死亡风险 比常规药降低了百分之六十一，这个百分之六十一呢，就是一减去零点三九得来的。 感谢大家的观看，我是大鹏统计工作室的大鹏。
12:14查看AI文稿AI文稿呃，大家晚上好，今天跟大家一起学习一下这个呃统计学生的一个交互作用。嗯，交互作用一般就是指呃母因素的作用随着其他因素 啊变化而变化，也就是说呃随着其他因素水平的不同，而不同的两个因素更多作用呢？他他不等于两个因素的单独作用之和，也就是相加交互作用，或者是成绩，也就是呃相持的这一个交互作用。 那交互作用一般在统一上有哪几类呢？我们可以看一下，一般有以下五类，第一个就是这个插身分析，第二就是那个分散分析啊，再就是那个多因素逻辑的回归，嗯，还有处理多个因素间交互作用这个广义相对危险度 模型以及这个多维因子降为法这个插身分析。呃，如果没有听说的话，我给我给大家简单介绍一下，他一般呢是用于这个清于环境的这一个交付作用 啊。我以简单的这一个这个图表给大家说一下，就是这个，嗯，比方说某一个基因还有一个环境因子，呃造成某一个疾病的一个发生。我们看一下基因有这个比方说 他缺失或者是不缺失或者突变，正好表示表示一个突变符号，表示没有突变，还要还隐，因此有或者是没有，然后他就他就存在这个病组，对照组存在这样的一个这样一个呃数字，然后呢这个 这个联合作用就是 a， 他应该等于呃 ah 乘以这个对角线的 ah 乘以 bg， 这就是可以说明这个基因和环境这样的一个嗯共同作用。然后 然后这个嗯金的一个作用，他就是 c h 乘以 d g， 然后这个环境的这个呃担当作用应该就是 这个 eh 乘以 fg， 对不对？那么我们就有这样的一个后来的这样一个三类的三种 a o r 值，也就是联合作用 o r 值，但基因单独做的 o r 值和这个和这个环境单独做成这个 o r 值，那么嗯，这样，这个这样一个表， 我的这样的一个介绍就属于这个，这个这个查身分析。然后呢？嗯，现在我们来回到这个呃交付作用，交付作用，我们要知道这个 在现行模型中，这个呃他的成绩相，他是反映的这个呃相加的这一个模型，但是如果是这个裸机的回归或者是可可的回归模型的话，嗯，这个相乘的这个模型呢，就是我们所所说的成绩相， 他不能，他如果有同学意的话，他不能说明他的这个相加的一个交互作用，或者说他没有同学意，也不能说明有无这个相加交互作用。所以说这个而且这个而且这个 相乘的这个交物作用，它并不能说明生物学上的一个相交的交物作用。嗯，因此的这个呃，有个同学家他就用了三类指标呃来表示了这个呃，如果评价这个 两婚类这个模型下两模型下的这个呃交付中的这个定量评价指标， 我们我们可以从这个呃，这段话上可以看着就是这就是这个，首先是这个，嗯，交付作用指数就是 s， 他应该就是，嗯两运动共同作用的 o r 值减一除以，呃， 所以嗯，比方说 a e 速单独作用下的一个 o r 值， b e 速单独是， 而这这个简易的一个和他是一个比值，也就是说如果他等于一的话，就没有这个交付作用，对不对？而且 s 呃绝对值越大，说明交付作用越强。因此呢，如果 s 的执行执行包括一的话，那么就说明没有这个这个交付作用就不存在。 还有个就是这个超好香的危险度 r i r i r i 他是，他是，他是用的是两用途从事存在的这个偶尔之来 来来减去这个单独作用之和的一个差值，对吧？无非就是减这边还减了个一，然后他应该就是嗯跟零作为一个比较，如果他没有添加交互作用的话，那么他的最新出现应该包括零，还有这个交互作用归音笔 根部作用规矩，我们可以看一下，应该就是这个这个呃超过危险度除以这个两两亿从共同作用的这个 o r 值，对不对？它表示的就是疾病的总危险动作可归于交物作用的一个比例，对不对？ 他因为二二一，因为二幺幺是表示同时存在的这个偶尔制嘛，他是一个总的一个危险度，所以说这个那么 ap 他应该也就是和您作为一个比较，如果，如果，也就是说如果在 我们做一个分析，结果出来后，我们可以看到起超过危险度以及呃，以及这个交通归因。比如果他都包含他的 执行出行包含零，而且这个 s 这个出行包含一的话，那么就没有这个交付作用，对不对？没有这个相加交付作用，那么那么在诺基斯回归中，这个这个这个就是这个，我们常见诺基斯回这个，呃，他是怎么计算的呢？ 我们可以从这幅图片上我们可以看一下。嗯，我先给大家解释一下，就是这个 a e b 一，它是表示 a b 同时存在下这个位置， a o b e 表示 b 因素单独存在下这个 o r 值， a b， 我的表 a 因素单独存在下这个，剩下这个 o r 值，对不对？ 然后这个，嗯，诺基斯回归这个就是两因素。诺基斯回归这个模型中，他这个 这个 o r a 一比一，还有这个 a 零 b 一，还有 a 一比零，他这个 o r 值怎么计算的呢？我们可以先理合这个二分类逻辑图跟这种模型用 o r 值应该就是吸走的这个，这个 e s 就是他的这个意思。方一的 贝塔一，对不对，就是表示 a 因素单独所有人刷的一个 o r 值，然后还有这个 b 因素单独所有人刷了一个 o r 值，然后还有同时我们得注意一下这个， 就是这个两个一组同时做下这个袜子，他应该就是，呃，这个系数之和的这个一层就是一，就是他的这个 exp， 而不是这个北大三，就是 eexp 的北大， 这个得大家得注意一下。那么那么在在 r 语言中我们是如何完成这个这个操作呢？呃，当然如果你们不想这么复杂的话，你们可以用哑边量来表示这个构建逻辑的会模型， 也就是说产生一个变量，这个变量就包括 ab 同时存在 a， a 存在， b 存在，在 a 不存在， b 存在，我们同，而且 a 不存在 b b 零，主页不存在，把它作为，而且准备把 也不存在，必不存在这种情况作为他这个参照，像这样的话构建在这个逻辑的会模型的，这个呃贝塔，这个就是这个共同作用，这个 os 就应该直接就是呃这个 啊，北大三的这个椰子，椰子皮，这个北大三 让我们看一下在嗯二运动是如何实现的啊？为了这些时间我还是给大家构造了就是随便弄的一组数据。然后我们首先你和这个 这个模具图跟模型，让我们来看一下这个会不会模型 来运行一下，我们可以看到这个就是只有这一个 a c h o l e 这个配料他是有同学意义的，而且这个沉香是没有同学意义的，对不对 啊？我们给儿子给展示出来，这个就是我们普通模具回归的结果。那那如何 分成这个胶布？做到了三类指标了，我们可以用这个这个函数，这个这个函数是在这个是用什么包的？在这个我们可以看一下是在是在这个 呃 in interaction r 一一一批 i r 这两个包里面，我们是要试试，是要加载这两个包的， 让我们预习一下这个这个结果我们可以看到， 可以看到这个就是这三，这个这个就是呃超过危险，就是这个 r e i r 就是相对超过危险度的一个 一个一个纸，还有他的巨型区间，这个就是这个这个 ap， 也就是这个嗯，胶布作用的硅音笔。第三个就是这个 s， 也就是这个胶布作用指数 s， 我们可以看一下他们，他们三个人都是前两个都是包含的，这个包含一说明他们并没有存在一个相加交付作用，那么我们有没有一个可视化的一个一个方法的结果可视化，我们可以用这个，这个 inter action boot 这个这个这个函数，然后我们可以 用运营一下折腾代码，他就可以把这个 把杰克给直观的呈现，而且是一个表格的形式来呈现， 我们可以很直观的看到这个，呃，这个 r， e， s， r， e， p 和 s， 对不对？ r， e， p， s， r 和 s 都是包含零，而且这个 s 还是包含，包含 e 的，说明他们说明这个数据所呈现的这两个因素之间并没有存在一个相加交互作用， 同样我们可以一刻实画看不开，可以看到他都是包含零零，然后这个是包含一的，这样的话结果就比较直观。那对于这个， 嗯，那对于这个，呃分层分析，然后大家肯定也是比较了解，在宾利对照宾利介绍研究中是用的比较多的。然后这个插身分析，如果有兴趣的话，大家可以可以自己去查一下本线，还有这个广 一，呃相对危险模型，还有这个多维应急降压法，呃，感兴趣的小伙伴可以自己学习，或者是呃呃，可以给我留言，大家一起来探讨一下。好，今天的内容就我说到这里，谢谢大家。
38落叶梧桐
12:50
08:29查看AI文稿AI文稿哈喽，大家好，我是小牛奶，那我之前搁了这么久呢，主要的原因是我自己去写我的自己毕业论文去了，所以啊，这段时间没有时间去做视频， 那么现在论文写差不多了，我也可以给大家进行正常的更新了，那么今天呢，要给大家讲一个领回归，这个领回归主要是受之前一个问我问题的粉丝的启发， 然后呢有必要给大家去讲这个领回归，那这个领回归呢？实际上大家并没有太多的听说过他，那他是一个什么东西呢？我给大家来简单的解释一下。 首先百度百科，百度这个领回归，领回归，他说他是一种专门用于贡献性数据分析的，有篇估计回归方， 方法啊啊等等等等。那么这句话中他就阐述了领回归的两个关键点，一个关键点他是用于贡献性数据分析的， 也就是说我们的原数据必须要有贡献性啊，比较强，那么才适用于领回归。那么领回归呢？它实际上是一种通过啊 损失部分信息，然后降低了精度来为代价去获得一个更加符合实际，更加可靠的 回归系数，那么这个就是领回归的一个定义。那么呃，具体应用到实际中，我们怎么去应用呢？首先我们先检验我们的数据是否有较强的贡献性，那这个要怎么去 点按呢？我顺带着帮大家复习一下这个多元回归，对吧？我们点回归，然后里边有一个线性，把音面量改成这个，然后正面量改成那个。其他的 在我们的统计中我们可以看到他有这个贡献性诊断，还有得名沃森都点上，点上之后呢？点确定， 我们看到在这个模型中啊，他的 r 方是挺高的，然后德兵沃森也是二左右，实际上是非常理想的，对吧？但实际上并不是这样， 我们往下看看系数表，系数表中他就有这个贡献性统计，我们可以看到这个数据，他的贡献性是非常强的，贡献性一般十以上就算比较强了，对吧？那这个都好几千了，就是非常强。那我们可以 看到这个数据，他的啊，光线性很强，就可以用领回归去做，那怎么去做呢？我们点分析，分析中有这个回归， 然后回归中有一个自标优度，我们点上，然后同样我们把这个音变量啊，改成这个，然后自备量都给他改进去。 在这个规则化中呢，他有一个领回归点，点上之后这些数据他是自动啊，不用管他。然后呢，这个输，这个输出中呢？我们把这个 全都点上，除了这个迭代历史记录啊，都点上都可以，然后点确定，确定之后你的电脑就给你分析出来了，对吧？这个领回归 主要有三个图，一个叫领模型，一个叫领系数啊，还有一个叫领路径。那么这个这三个图呢，我不建议大家看最后一个图，因为最后一个图啊，他很多的数据会集中在一起啊，不方便我们看，我们就看这两个图就可以。 这两个图是什么意思呢？首先我们要看第一个图，第一个图他就呃比较重要的一列是这个惩罚， 这个惩罚呢，数值越大就代表他更矮的信息，信息越多，对吧？我们之前讲过领回归，他是通过损失信息啊，或者是等等啊，降级精度啊，就是你这个数值越大，他的损失的信息就越多，精精度就越小。 那么第二个比较重要的就是看这个，呃，这个系数和， 那么这个系数和呢？他越趋于稳定，那么我们就可以使用他想相对应的这个乘法制，这个乘法制也叫 k 值啊，我们就可以呃使用相应的 k 值， 那么我们看这里边有几个比较趋于稳定的点呢？首先呢，我们看大概的啊，这有一个零点一三一，对吧？这个好像是比较稳定的，在整个这个 数值中啊，趋于稳定一个平缓了，那我们看他后边又进行变化变化，然后到这个，呃，零点一零五也是比较平稳，对吧？然后我们继续往下看啊，变化变化，这有一个零点一零一也比较平稳 啊，后边也有比较平稳的一些值。那么问题就来了啊，这么多平稳对应的 k 值，我应该选哪个呢？ 我们要选我们认为平稳且 k 值最小的时候啊，为什么要 k 值最小呢？之前已经讲过了，这个 k 值他是所对应， k 值越大，就说明你损失的信息就越多， 那么我们肯定不希望他损失的 k 值多，对吧？那我们就找这个对应比较比较小的 k 值啊，之前已经说过了，大概是在这个 零点一三九啊，或者零点一四零这块，对吧？他的这个，呃 k 值，还有就是这个零点一三一啊，他这块的 k 值，那么我这个 现在我比较偏向于选零点一三一，为什么呢？因为或者零点一三零，选零点一三零吧，零点一三零，为什么呢？因为他前面的信息基本都已经平稳到一个点，然后后边又进行剧烈的震荡，对吧？那这个例子可以选零点一三零， 那么零点一三零对应的 k 值是零点三六零，那这个零点三六零我们怎么去看他对应的系数呢？我们记住他前面这个编号十九 啊，找下边这个表，他就有一个十九，那十九他对应的这个数值我们就已经显而易见的都已经看出来了，对吧？他对应的系数啊，那这个系数就已经出来了，我们基本的回归方程就已经出来了，那我们看这个他的 r 方是多少呢？是吧？零点九八六也是可以的，挺高的，对吧？那么这样一个领回率领回归就做完了。 那么我最后要说一点，我们领回归呢，他并不是说一个万金油式的说我这个数值只要贡献性非常高，我就可以用领回归 啊。实际上我们在进行领回归的时候呢，要确保几个前提，第一个前提当然是你的数值的贡献性比较高。那第二个前提呢，就是我们通过现有的条件无法去更改，就没法改善我们的数据，以及使我们的贡献性达标 啊。为什么呢？就是比如说我们要改我们的是改变我们数据的贡献性的情况呢？主要有几种方法，一个就是扩大我们的 样本数量，对吧？还有就是删除我们的光线性比较强的，相关性比较强的变量啊，进行删除。那么再进行这两项的前提之上啊，还没法使我们的光线性进行达标，那就可以用这个领回归， 这个领回归啊，他是通过降低精度，删除一些信息来强行使我们的这个贡献性达标的一种方法，所以说 在实际应用中的这种方法实际上不是特别的好，因为他会改变我们的原数据，对吧？那么我相信大家，如果是理由充分的话，那在老师那也会获得通过，包括我们投机杆啊， 只要你的理由充分啊，你就可以用这个领回归，但是千万不要随便使用啊，这个就是今天的全部内容，如果大家啊喜欢的话，点个赞，点个关。
72无敌帅哥小牛奶
12:46查看AI文稿AI文稿呃，大家晚上好，今天嗯和大家一起，嗯聊一下这个深层治疗这个分析 那个这个身份资料跟以往我们所说的这个资料有什么不同呢？就是主要的不同点就在于就是 我们在谈，呃谈谈的一个结局，或者是某个事件发生的时候，我们记录他的这个呃发生的这个时间，就时间的这个长短，也就是将这个 呃终点事件出现入户与达到终点所经营的时间结合起来的一类分析方法。那呃与我们之前所说的这个罗句子回归或者是这个呃多种信誉回归有什么区别呢？我们知道这个罗句子回归只关注的这个呃结局的，比方说 发生。呃，如果是二分类的话，比方说他是发生和未发生，他并不关心这个发生和未发生，他是经历过多长一个时间对不对？还有我们所说的这个嗯线性回归，那线性回归为什么也不能在这个资料中使用呢？那主要是因为， 嗯，主要是因为这个呃呃孙子料他设计的一个时间变量，而这个时间变量呢？他并不服从正态分布， 因为因为他可能有一些三十或者是那个深圳时间，他一般来说都是一些那个满足的事。呃，更多的是一个偏态， 偏态型分布，或者是指数分布，或者是对手分布等等。所以说这种数据的话，嗯，这种数据 话我们一般处理起来也不容这个就是现行回归来进行一个处理。那那针对这个这样的数据我们有什么同学方法呢？一般来说，呃呃，我们也是有的 就专门来处理啊。私人治疗的一类分析方法。呃，在在聊这个分析方法之前，我们首先要知道你们这几个看一点，就是首先第一个就是三十，什么叫三十？就是呃就在规定的观察期内 啊，我们是不知道这个人的确切的一个死亡或者生存的一个时间，就是说 那这样的一个数据，我们就要一个三十的数据，就是说某些观察对象由于某些原因啊，未来能达到观察终点，并不知道确切的是 时间。那么这类数据我们统称为三师，那三师有哪几类呢？第一个类就是就是研究终点结束了， 比方说你设到三年或者五年的一个 c 访到三年，五年过后这个人他并没有发生，这个研究终点尚未发生，那这类是那这类数据也叫三十。还有一类就是释放，就是这个人突然呃失去联系了，你也再也找不到了。这一类就是呃， 就是在你观察期内，这个人突于突然死于其他的疾病，或者以其他原因，比如说发生意外，发生车祸等等。那么那么同样你也也是也是不知道这样这个人的确切的一个 这一个死亡时这个时间的，就是跟终点跟你的研究结局相关这个时间。那么这样这样的一个三类 数据，我们就可以认为这是一个三十的数据，但是三十的数据我们也可以利用起来，因为他提供了这个具体的一个时间，对不对？ 那在那我们有哪些方法来处理这个深深呃资料了，一般我们常见的一般就是有一个寿命比较法，还有这个卡嘛分析法，他们两个都是分参数的一个分析法， 这个说明标法一般在用于这个呃粗糙的，对于粗糙对于就是嗯，就是这个官就是资料比较，嗯，对这个呃 就是死亡，或者是这个时间，我们不需要知道的太详细，就是一个大概的一个一个一个的方法的话，我们一般的就使用这个 嗯说明比较法，就是说他的就是粗略的，粗略的生存时间，这样的话我们可以用这个说明比较法，那对于精确的一个生存时间的一个资料，或者说我们想获得一个更加精确的一个呃时间， 那么这种资料我们呃可以用卡麦分析方法，它既可以适用于大样本，也可以适用于这个小样本。 那还有一个就是呃不管是这个寿命标法还是和卡码分析法，我们只考虑的这个就是一个因素跟一个跟一个结局之间的一个时间的一个关系，但是往往我们还有其他的一些斜变 来影响这个情绪的发生，那么在斜背量加入过后，我们如果还想分析某一个变量跟跟这个结局随着时间的一个关系的话，那么我们就要用这个回归模型，这就是我们常见的苛刻的回归模型。 在做这在做这个回味魔性之前呢，我们必须要知道一个看脸，就是他必须满足这个 ph 家庭，就是比例风险这个家庭， 那很多人不理解这个这个比例风险他是个什么概念？就是就是，其实通俗来说就是这个， 就是这个我们所研究的这个 r r 直就是个风险笔直啊，就资本量的这个效应值啊，他并不随时间的呃时间而改变，嗯，就是 我可以说一下，就是比方说，嗯，我们知道这个就是这个深深函数，他应该是 ht， 他应该等于 h 零，等于 e x p， 然后 x e 贝塔 x 一加，贝塔 x 二等等。那么 那么那么我们另外一个一个事件就是也是这个，也许你 在这个 t 这个这边的 t 没有写，他也是应该称一个 exp， 然后这个贝塔 exe 再讲，那么那么这两个函数的一个笔直 就是我们常说的这个啊，就是某个事件发生与不发生，就是他死亡或者不死亡，他这个风险比，他应该就是 h 零 t， 这边也是 h 零 t， 那上面就是这个 e x p 这类，然后这边也是个 e x t， 那么我们可以看一下，如果这个 r 要跟要想获得这个 r 的话，那么他必须跟这个时间没有关系，要约掉，对不对？要，而且而且他这样的话 就是个时间的这个值没有关系，与时间 t 也没有关系，如果有关系的话，这个我们就 r r 值，就不能获得一个值得值就随时间变化变化，所以说就是那么这样的话， 这样的话我们就可以得到这个 exp， 他就是这个贝塔 把 xi 一减， x 减一，对不对？要一丝内退下去，那这样的话它就有个长数值满足。这样的一个假设过后，我们可以看到 i 分二，它就是个长数值，也不随时间而变化， 这就是我们常说的这个，这个就是比例风险加低。那那那如果我们负责一组 数据，他他并没有不满足，他怎么就不满，他就不满足这个玻璃风险奖励，我们怎么办呢？ 嗯，我们就需要，我们就需要一把时间跟这个事件作为一个交付。想来隐于模型，就是我们所说的含时间一层斜变样的 coco 回模型，也就是十一系数法这个模型，就是 这个模型，是怎么个回事呢？就是就是，就是把这个， 把这个不满足 ph 加进的这个这个斜变量定义为时间一层变量，并于这个模型中构成时间一层变量，它的一个表达式就是 h x t h t 乘以这个一 x a x 叫北塔 x， 我们在常规的这个模型里面，这个里面，这个传送里面他并没有爆发北塔 x 一，他并不会爆这个 t， 对不对？但是在这个时间依赖之后，我们可以看一下他这个系数里面包含有 t 对不对？ 那么至于怎么做这个事呢？今天在这里，嗯，不加以看书，然后我们还要看一下，这就是说就是还有一类，就是扣个错规，就是他的一个变变异的种，就是这个竞争风险模型。那什么叫竞争风险模型呢？就是 就是，呃，我们往往就是研究一个，比方说某一个事件，嗯，暴露在某个事件，然后最后经过 国 c 访，然后他发生某个事件，那么这个数据就包括这样一个，就是图形里面的这个事件和和三师对不对数据。但是往往我们所研究的事件，他还有其他的一个事件的一个发生的，就是说他，你 就是说我们可以发生死亡，我们也可以发生伤残，对不对？那么那么伤残和死亡之间他就就存在一种竞争的一种关系， 比方说我打个比喻就是说如果你想研究这个，比方说你想研究这个轻度这个认知障碍和这个二二四海默综合症之间的关系，那么 那么我们我们知道的结局就是发生这个二字 综合症，但是在观察期间这些人有可能还死于这个癌症、吸血管病，还有车祸等等原因，那么我们就认为这个，那么这些原因死亡，我们就不能把它认为是这个叫什么二字海姆综合症发生的这个发生 反过来通，也就是说我们不能认为这个发生对阿尔兹海默综合症的发病做出了一个贡献。 如果我们想使用传统的方法的话，那么就是把这个 发生发生这二次寒风中前的死亡过体，释放过体，还有未发生的过体都归为三十的话，那么对比结果造成的这个偏差，所以说这类数据我们就要采用这个呃进 真风险的这个 cos 回归，也就是说他相当于就是限定的更加严格一些。 hmm， 那今天对于这个，今天对于这个深层治疗的这个分析， 哎，就说到这里，然后下一期跟大家说一下如何用 r 语言，呃，针对，针对这个说明表卡骂分析，还有 cose 会竞争风险以及时间一层的这个 coat 回归模型怎么做来做一个介绍。
8落叶梧桐
04:15查看AI文稿AI文稿无论是看文献、分析数据还是作图，想必大家都离不开回归这几个字。我们常见的多重回归、 logistic 回归、 lasso 回归、 cox 回归以及逐步回归到底有什么区别呢？在什么情况下应该用什么模型呢？今天在这里为大家汇总一下这些常用的回归模型。 首先要了解回归分析的定义。回归分析是只利用数据统计原理对大量统计数据进行数学处理，并确定应变量与某些自变量的相关关系，建立一个相关性较好的回归方程及函数表达式，并加以外推，用于预测今后的因变量的变化的分析方法。 了解了回归分析的定义，然后我们从简单线性回归入手，逐步理解一下那些让你头疼的回归模型。简单线性回归模型是指一个音变量、一个自变量的模型，最典型的就是我们做实验经常会用 的标准曲线。它的模型为， y 等于 l， fi 加 bate x。 多变量线性回归或多重线性回归是有多个自变量，只有一个音变量。模型如下， y 等于 l， f， i 加 bate e， x， 一加 bate r， x， 二加 bate 三 x 三。多重现性回归与简单线性回归的区别主要是自变量的数量从图形上看不出区别。 多重线性回归的应变量必须为连续型变量，可以分析哪些因素可以影响肿瘤的大小，但不能使用其分析哪些因素可以影响老年人是否患高血压病。 logistic 回归是一种概率模型，它是以某一时间发生与否的概率屁为音变量，以影响屁的因素为自变量建立回归模型，分析某事件发生的概率与自变量之间的关系，是一种非限性回归模型。 logistic 方程式为， y 等于 beta， 零加 beta e， x， e 加 beta r， x 二加 beta 一 beta 二称为回归系数，反映了在 其他变量固定后， x 等于 e 与 x 等于零。相比，发生 y 事件的概率 o r 值越大，发生结果的可能性越大。 常用于数据挖掘、疾病自动诊断、经济预测等领域，例如探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。 logistic 回归的应变量为分类数据，一般用于二分类变量，如发病与否，死亡与否。 logistic 回归分析对样本量有一定要求，一般样本量为自变量个数的十倍，不允许有数据删。使 cox 回归可以分析多种因素对生存时间的影响。允许有山史值的存在。主要用于肿瘤和其他慢性病的愈后因素分析，也可用于一般的临床疗效评价和队列的病因探索。 cox 回归适用于带有结局的生存时间资料。单因素 cox 回归是对每个因素进行分析，多因素 cox 回 回归是将所有关键因素一起分析，逐步回归是将电量一个一个的引入或删除，引入的条件是其偏回归平方和经检验是显著的。偏回归平方和是指从多因素回归模型中删除一个自变量 x 后，回归平方减少的部分称为 x。 对外的偏回归平方和 常用的有三种方法，一向前法，每次添加一个自变量到模型中，直到增加的变量不会使模型有所改进为止。二、向后法，从模型包含所有自变量开始，每次剔除一个自变量，直到会降低模型质量为止。 三、向前向后法，变量每次添加一个，但每一步中变量都会被重新评价。对模型没有贡献的变量将会被删除。同一个自变量可能会被添加，删除几次，直到获得最优模型。通常采用 eic 准则来衡量统计模型，你和优 良性越小越好。逐步回归可用于多重线性回归。 logistic 回归即 cox 回归中变量的筛选。这里将多重线性回归， logistic 回归即 cox 回归。这三大回归的意同做了一个汇总，来加深一下印象吧。 最后一个 lesso 回归有一点特别， lesso 全称 least absolute， string kitch and selection operator， 是一种筛选变量的方法。确切来说不是回归方法，是一种压缩估计。 lezo 的思想是在传统的最小二层估计上对模型的系数施加一个惩罚。 他通过构造一个惩罚函数得到一个较为精炼的模型，使得他压缩一些回归系数及强制系数绝对直之和小于某个固定值，同时设定一些回归系数为零， 因此保留了子级收缩的优点，是一种处理具有复供线性数据的有偏估计。通常自变量数量远大于样本数量时使用该方法一般是先用 lesso 筛选出变量，之后用筛选出的变量建立 cox 回归。
673追梦吧，少年
13:55查看AI文稿AI文稿大家好，欢迎来到 spa 课堂，我是李博士，接下来我跟大家分享的是 spa 多元渐进回归分析。好，首先呢，我们来看一下多元渐进回归 的原理，多元渐进回归本期的模型呢，可以用这个公式来表示， y 是音变量， x 呢是字变量， beta 零呢是常数项， beta 一到 beta， n 呢，是回归系数。有的地方呢，也叫做 偏回归技术。这一部技能呢，是一个随机误差，也叫呢残差。呃，当只有一个字变量的时候呢，也就是说 y 等于比特零加比特一 x x 一加。一部技能呢，也就是一元鉴定回归了。 呃，关于回归方程的参数估计呢，跟一元鉴定回归是一样的，它呢，这里呢，就是用到了一个，呃，普通最小二乘法。 然后关于回归方程的统计量检验呢，呃，一个呢就是模型的你和优度检验，你和优度检验呢是二方，他呢称之为是叛逆技术或者 决定技术。他这个数值呢，越接近于一，说明回归方程的离合程度越好，二方越接近于零的回归直线的离合程度越差。然后他这个简度性模型的简度性检验呢，是 f 检验。呃， 就是说这 f 检验如果批值小于零点零五呢，就说明模型的自变量对音变量是有显著影响的。 呃，如果模型的简注性检验就是 f 检验， p 大于零点零五呢，就说明模型的自变量。呃，对音变量是没有简度影响的，可以这样简单来理解。 呃，关于回归技术的检验呢，它是 t 检验，就是这里呢，是检验单个自变量跟音变量 之间是否存在一个建立关系。然后其他检验呢，包括残差的正带性检验，残差的方差体检验以及独立性检验呢，直接用的不多，主要的呢还是用到的是多元共建性检验，因为 自变量之间如果存在共见性问题呢，对结果会造成一些很大的影响，呃，所以呢，我们后面呢，重点来看一下呃，一个呃，他的一个呃多元共见性的一个诊断方法。 好，我们再来看，再来看 spss 里面呢，给出来了这几种筛选变量的方法。第一个呢就是进入法，进入法呢，他是不会剔除任何变量，就是把我们选择的变量就全部纳入到 呃纳入到模型里面去，然后不会进行变量的剔除。然后第二个呢，就是向前法，呃，向前法呢，他就是呃，首先呢， 他先选择呃语音变量，呃先进相关技术最高的变量呢进入方程呃，并且呢做检验。然后再在剩下的变量中呢， 呃，选择于因变量偏相关技术最高的呢，再进入回归方程再做检验，呃，这个过程反复进行呢，就是一直持续到没有符合条件的变量为止。 第三种方法呢，就是向后法，向后法呢，就是一步步的剔除呃回归方程中的变量了。首先呢，他是将所有的变量 全部纳入回归方程，并对呢回归方程进行简介，然后呢，剔除不简著的 呃回归技术中就替值最小的字变量，呃，并进行了重新做检验，就是一直进行到呢，所有变量回归技术都显著了，然后这个方程呢，就构建完成了，就停止呃变量剔除了。 再一个呢就是逐步法，逐步法呢，就是向前法和向后法的一个综合了，向前法呢，它是变量只进不出，然后将法向后法呢，它是变量只出不进。 呃，就是这样。呃，而这个逐步法呢，就是在这个向前法的基础上呢，加入向后法的策略。但具体思路呢，就是首先呢，依据相关警告低依次引入 变量，如果检验发现已经的自变量基础因为某种原因呢不再显著呢，那么这种变量呢就会被剔除。这逐步法呢，在我们做扳机的时候用的还是挺多的。 然后再一个呢，就是删除法，删除法呢，主要是呃多多层回归分期的一个模式里面的就是把一些变量合在一起， 他呢称作一个组块，然后几个变量呢组成若干组块，然后他们以组块的整体形式呢进入方程， 然后呢我们是通过 spss 界面里面的下一章或下一层完成，这呢就是涉及到一个，呃，分层回归分析了。然后再来看一下多种共享的问题。 呃，多重贡献性问题，为什么在多元鉴定回归里面我们需要考虑呢？因为我们多重多元鉴定回归分期呢，通常是包含两个或两个以上的变量，而这些变量呢，有可能彼此之间呢 相关性较高，所以呢，呃，我们呢，这时候就需要考虑到多重贡献性问题了。呃，衡量多重贡献性的指标呢， 主要有这么四个，一个呢是容易容忍度，容忍度呢是要求，而如果容忍度小于零点一呢，就说明他呢存在严重的供电性问题。 第二个呢是方扎膨胀因子，就是这个 vif， 他呢一般是不应该大于五，大于十的时候呢，就 是有严重的贡献性问题了。第三个呢就是特征根，特征根越接近于零呢，就是说明多重贡献性呢越严重。第四个呢就是条件指数，呃，当某接维度的条件指数大于三值的时候呢， 就是其实有多重贡献性问题。呃，关于多重贡献性问题呢，我们在写论文的时候呢，最常用的还是这个方扎膨胀因子，他呢是要求小于十，如果大于十呢就是有严重的贡献性问题了。 然后我们再来看一下 s p s s 里面呃多多元件回归的相关模块，它呢是在分析回归渐行里面，然后这音变量呢就是我们这里边输入的 变量，入的变量，然后这边呢就是我们把呃影响因素啊，就是这些 x 转入到变量里面，这个方法里面呢，我们需要呃选择合适的方法， 然后统计对话框呢，我们一般是需要进行一个模型和贡献性诊断这两个，然后保存对话框呢，这里面一般是不需要输出结果的。 然后我们通过一个案例呢来看一下，就是建立 x 一 x 二 x 三， x 与 y 之间的肩颈骨规模型，我们通过具体数据来看一下， x 一 x 二 x 三， x 呢，它是一个呃连续变量， y 呢也是 连续变量，我们来建立一下他的一个多元，建立回归模型，分析回归渐进 一变量之外，然后这边量呢是 x 一到 x 这里呢，方法呢我们就选择输入法，因为变量呢不是很多，所以呢我们就选择输入法，呃，如果变量个数很多的时候呢，我们可以考虑，嗯，采用步进法， 然后统计里面呢，我们把宫颈颈诊断选上，二方变化量选上继续，其余呢我们可以选择默认 确定。好，我们来看一下，第一个呢就是模型摘药了，我们重点解除的是这个二方，他的是决定技术，一般呢，这 二方大于零点六或零点七，就说明这个模型度就比较好了。然后这个方扎分机表呢，这 f 呢，就是 f 减变的统计量，然后显著性呢是零点零零零，它呢小于零点零就说明纳入模型的自变量呢，对这个因变量是有减重影响。 然后模型技术呢，我们重点看一下它这个体检键，通过体检键呢，我们来看它这个自变量 x 一到 x 四呢，对音变量是否具有显著影响，我们可以看到呢，这 x 三显著性呢 是大于零点零五的，就说明呢 f 三呢对应变量外呢是没有显著影响的。写回归方程的时候呢，我们可以不把 f 三纳入回归方程里面， 后面紧接着呢是一个宫间的诊断了，他的容差呢，就是要求呢是小于零点一。呃， vif 呢，是小于五，就说明他呢不存在强控健康问题 啊。在这里呢，还有一个贡献经典段呢，就是刚才我们说的一个特征值和条件指标，因为有四个荣叉 vif 特征值，条件指标我们展示的时候呢，一般只展示 vrf 就可以了， 它呢 vrf 呢，它只要角于十呢，就说明它不存在强供减轻问题。 好，关于多元建议回归分期的论文写作方面呢，我们这提供了一个呃，三件表的模板，我们可以根据输出的结果呢，就是把这 结果去填进来就可以展，嗯，绘制这个三线表。好，我们来根据这个结果呢来绘制一下三线表， 这是他一个模板，我们只需把对应的数据复制进来就可以了。我们先来看一下这个技术。 呃，系数呢就是你看 s， 一二三四呢就是四行，如果这边量更多呢，我们通过插入或者删减的形式呢来来使它这个边量个数呢是四，这里呢正好是四，我们直接复制过来就可以了。 然后这是，呃四个四个字边 和一个长数相，然后呢方扎膨胀因子呢？ vrf 呢，我们把它复制过来，然后二方呢？呃，是他，然后我们复制一下， 然后这个 f 呢是它，然后这个显著性呢是零，我们直接写上就行了。然后呢我们再让它保留三位角数。 呃，通常这个零呢，我们就一般是写作是角于零点零一了， 包括这个零也是小于零点零一。 好，这样呢，我们就把他这个表格给做出来了。你看这里面呢展示表格呢？呃，数据，近期呢就是综合了这么三个表格，整合到一个表格里面。 呃，这个 battle 呢是非标准化的回归系数， s， e 呢是标准物。呃，刚才说的这个 b 是非标准化的技术，这个 battle 呢是标准化的回归系数，然后 t 呢是，呃，这个， 呃，这个变量的一个体检验，然后 p 呢是对应的检出性。 v i f 呢是方渣膨胀因子，这个阿尔方呢是决定 技术， f 呢是模型的。嗯， f 检验，然后 p 呢是对应检测性。这样呢，我们就把多元鉴定回归分析的一个， 呃单价表呢给制作出来了。呃，这样一个表格呢，我们可以直接用到一个论文里面去了。 好，关于多元现金回归分期呢，就介绍到这里，大家如果有疑问或者数据分期方面的合作事宜呢，可以联系我们，这是我们的联系方式。好，谢谢。
191数据分析李博士
03:00查看AI文稿AI文稿好，今天呢，陈老师就以这样一套案例数据来给大家演示一下均值。呃，不是又说错了，呃，我们呢，今天就以这样一套数据，陈老师给大家演示一下如何选择回归估计法来填补缺失值。 好，我们可以看到我们搜集了三十名，三十名被调研对象的数据，三十名被调研对象，他被分为两组，我们来看看点这个可以直接切换的，分为病例组和对照组。 好，他们被分为两组之后，我们发现呀，这么三十名被试对象的舒张压和心率有部分的缺失值，这个看一个、两个、两个 一个两个三个四个五个，六个七个。舒张压和心率一共有七个确实值， 那么七十亚，这个舒张压和心率，他是与年龄，性别，身高，体重是密不可分的， 所以呢，如果我们对于舒张压和心率的缺失值的话呢，建议大家选择年龄，性别，身高，体重，收缩压还有组别等等这样一些相关的参考变量来合理的估算舒张压和心率。这样呢，是一种非常非常准确的缺失值的插补方法。 操作的步骤是这样的啊，好，点分析啊，点，这个，呃，分析，对，点分析， 点分析的这个缺失值分析啊，这个缺失值分析比较靠下面点分析，缺失值分析好，进入到缺失值分析的这个对话框之后，然后呢，这个啊，我们会看到两个主 对话框，一个是选择定量变量的这个框框，一个是分类变量。从我们这个数据里面来可以看到，组别一定是分类的，它分为病例组和对照组，年龄一定是定量的，连续数值性的变量，性别是分类的，分为男性和女性， 然后这个剩下的身高，体重，收缩压，收张压，还有心率，全是定量的。好，选择完了之后呢，注意，我们一定要在右边勾选，以回归估计法来填补缺失值。 你一旦把这个回归估计法一旦勾上了，那么一旦勾上，那么实际上就意味着我告诉这个软件，我是以定量变量和分类变量汇总的，怎么我是以这么全部的变量里面的含有缺失值的变量作为 音变量，而不含有缺失值得呢？他就是作为自变量了啊，一旦把这个里面的回归一勾，那就意味着告诉这个软件，我想把我这样一些变量，缺失的作为音变量，没缺失的作为自变量。 好，嗯，注意啊。嗯，进行了这个勾选了，回归之后呢，呃，我们还要点一下这个回归，目的是为了把通过回归而插补好的这样一个缺失值的数据另存一份。
19杏花开医学统计
07:41查看AI文稿AI文稿大家好，今天给大家介绍的呢是回归分析当中的另外一个重要的方法，主成分回归。 主成分回归的内容包括一个他的是相关的概念介绍，还有一个是主成分分析法的原理介绍，最后呢就是 sps 的一个操作实力 啊。首先呢给大家介绍一下主成分回归的一个相关概念。所谓的主成分回归啊，其实还是上一次我们所介绍的多云回归线性模型当中存在多重贡献性时，我们给他的提出的一个解决方法， 主要是说呢，通过主成分分析法对原有存在相关性的变量进行降维，得到一个新的主成分变量，然后呢再将得到的变量作为新的自变量进行回归分析，最后跟 得到的一个得分系数矩阵，将原有的变量带回到新的回归模型当中，这样的一个方法就是主成分分析的一个流程方法。 然后呢我们给大家介绍的就是主成分分析法是什么呢？首先就是说我通过正交变换，将一组存在相关性的变量转换为一组线性不相关的变量，转换后的变量呢就称为主成分，这就是主成分分析法的由来。 那我给大家介绍一下主成分分析法的基本原理。首先是说我们将数据标准化，消除亮缸的差异。 最后然后呢，我们先求一下各个指标之间的一个相关证，通过相关矩证呢，我们可以确定哪些是高度相关，哪些是不相关的，会通过指标之间的相斜方差。然后 我们首先找出第一相关的一个变量，然后找出其他的变量来进行替代，这个替代后的变量制作为第一成分，然后去掉第一成分之后再找出第二个高度相关变量，再用第二成分进行替代， 以此类推，计算出第三成分移植到所有数据的方差都被提取结束之后才完成。这个时候我们所提取的主成分之间呢，是正交的，也就是我们之前所做的正交变换。 举个例子说，我们存在 x 一一直到 x n 个自变量，他们之间是高度相关的，那我们通过提取之后，可以得到 y 一到 y m 个这样的一个主成分，可以知道吗？ m 是小于等于 n 的一个这样的关系。 然后呢，我们可以得到另外两个定义，一个是方差贡献率，一个是因子复合量。什么是方差贡献率呢？其中就是说 d k 的主成分 y k 对于我们原始变量的一个方差的解释程度。 其中我们定义的公式上面拿不拿 i， 就是说我们原始变量 x 一直到 x p 的斜方差正所对应的特征值。 那因子复合量的定义就是说我的 dk 各种成分和原始变量 xi 的相关系数，它的绝对值的大小呢，就刻画了我们主成分的一个主要的意义，也可以对它的命名起到一些帮助。比如说 我们看这个公式，以 y 一为例，虽然说 y 一是由 x 一到 x n 都相关的，但是相关的程度不同呢，也代表了他们之间的相关系数的大小的不同，也代表了他能所解释的主要的变量的意义不同， 这个就是它的一个基本原理。那我们看一下它的 s p s 局一个实力操作来看一下， 依然是这样的一个国民航运客量的一个数据，以民航客运量作为应变量 y， 其他的五个变量作为自变量 x 一一直到 x 五九七八年到九三年的这样的一个数据，这样 可以看到我们先进行一下普通的最小二乘回归，然后来看一下 中心性的诊断，诊断步骤就是我们之前所提及的，这个时候呢，我们的 vif 的值一个是一千九，一个是一千七，很都可以看到是非常的大，说明我们自变量之间存在了严重的多重贡献性问题。 那我们这个时候就要先通过主成分分析法来提取一个主成分的变量，首先呢是分析降为因子分析，大家知道我们 sps 里面呢，主成分分析法和因子分析法虽然说是两种不同的方法，但是都是在这个窗口里面进行操作， 这个时候呢，我们将 x e x 五选到变量的窗口，再点击描述分析的这个选项，将这些选项都勾选掉，这个 k m o 呢是检验 我们是否适合进行主成分分析。最后呢我们点击得分选项，将我们求出来的主成分保存下来，以便后面进行回归，同时呢显示因此得分系数矩阵。 这样一系列的操作之后呢，我们点击确定就可以得到主成分分析法的一个输出结果。首先是简介主成分分析法的可行性，一个 kmo 值一个系， 其中呢我们所得的值是零点六九二，非常接近零点七，而且呢我们的显著性僻值也通过了检验， 这个时候我们可以认为适合做主成分分析，同时我们从相关系数据中也可以看到相关系数 x 四和 x 五和 x 一的相关系数都是 是很大的，所以可以知道我们质量量之间是存在的极大的相关性，所以适合进行主成分分析。那我们进行主成分分析之后呢，所输出来的一个是这样的一个总方差解释表，这个时候呢，一个车成分矩阵，我们可以知道 这样的软件输出结果说我们提取出来了一个主成分，那这个主成分对于所有的原始变量的结石程度呢？累积达到了百分之七十九点八七二八二六，那其实它的提取程度已经是相当高了，说明 其他的由于提取程度不高，我们忽略不计，那相当于我们只提取出了一个主成分，通过这个主成分呢，可以得到好他的一个得分系数举证可以主成分我们命名为 y， y 等于零点二十七倍的 x 一，一直加到零点二十三倍的 x 五，这就是 y 的主成分。然后我们通过提取出来的主成分呢，再进行一次回归分析，也就是主成分回归。 同时呢，我们也要减轻一下这个时候的贡献性 v i f 的值，我们可以看到 v i f 这个时候是一， 那说明他已经小于十了，说明模型已经不存在贡献性。这个时候我们的 r 和 r 发都大于零点九，说明我们的模型内个度依然很好， 同时呢也通过了模型的显著性检验，模型的系数性检验都通过了， p 值都是零点零零，都小于显著性水平零点零五，所以呢，说明我们的主成分回归已经消除了功多重贡献性，同 同时呢模型的你和程度也非常好，这个就是我们主成份回归的一个整整体的介绍，那今天的课程就到此结束，谢谢大家。
