※ 引述《WendyWang (粉红喵)》之铭言： : 关於logistic regression有点问题一直无法解开 : 爬过文没有找到类似的文章 : 特来请教各位大大~ : 我目前主要要探讨 : Ｘ：三种不同抽菸量(类别变项) : 对於Ｙ：肺部疾病 (有/无)(二元变项) 的区辨力 : 但是要控制一些X : 年龄(老/中/青), 性别(男/女), 收入(高/低) (共变项) : 采用logistic regression : 在SPSS里面的做法 : Depedent: 肺部疾病(有/无) : Covariate: 年龄(老/中/青), 性别(男/女), 收入(高/低), 抽菸量(高/中/低) : 结果： : 　　　　　　　 有无肺部疾病 : B OR 95% C.I. : 　 　 Lower Upper : 年龄 : 　　青 0.389 0.708 0.200 1.912 : 　　中 　 1.000 : 　　老　-0.141 3.682 2.036 9.514 : 性别 : 男 1.000 : 女 -0.442 0.643 0.135 3.053 : 收入 : 低 1.000 : 高 -1.689 0.485 0.040 1.859 : 抽菸量 : 低 1.000 : 中 3.029 2.685 2.308 5.386 : 高 1.057 20.878 2.164 50.500 : 不过老板说~ 这些X都有系数和OR出现 : 只代表把全部X都同时考量 是为crude model : 并非把年龄, 性别, 收入"控制"了 (adjusted) : 因为老板也不是很懂 (我们不是统计厉害的系所) : 但老板说如果有被"控制"的X 就不会出现在model中 不会还有系数或OR : 可是找过相关的书籍和文献~ : 都找不着别的做法 (还是会同时出现所有X的系数和OR) : 而且SPSS中~ binary logistic regression也没有能控制某些covariate的选项 : 请教高手大大们~ : 希望能给些指点 : 谢谢!! 这其实就是「控制变数」概念的问题 就我的认知，你老板可能也稍稍弄错了控制变数的意义 所谓控制变数，是因为非是研究的主要探讨变数 但是又这个(些)变数又会对依变数产生影响，所以必须要「控制」 在统计上的处理就是视为「自变项」丢入 而在统计上的意义则是将控制变项的「效果」自依变项中「排除」 所以这也是为什麽自变项愈多 则回归的R-square愈高 题外话 这类控制的意义在回归中常称为「控制变数」(control variables) 而在变异数分析(ANOVA)中则称为「共变数」(covariates) ANOVA加上covariate的概念就是为共变数分析(ANCOVA) 当然另一个问题是 既然控制变数跟自变数在处理上是一样的 那分为控制变数跟自变数的意义在那? 主要是在於研究的焦点 大部份研究的焦点都是集中在某几个变数间的效果 但是有些额外的变数已经被证实或者应该会对依变项有影响 若是不控制这些变数的效果 (也就是不把这些变数的效果排除的话) 则分析的结果就会被挑战 所以当研究中清楚的区分出控制变数与自变数後 研究的可信度可以比较有说服力 当然，控制变数的效果不论显着与否，通常是不讨论的 而且有时为了清楚表达， 许多人会采用阶层回归(hierarchical regression)的方式来表现 让读者知道控制变数解释了多少变异量，而後的自变项又增加了多少变异量 回到你的问题 纵然logistic regression非是线性回归 但是控制，或者你这边说的共变数的意义是一样的 所以在模型中出现控制变数的odds ratio是正常的 而且是必然的 当然如前所说，你并不需要特别去讨论这些共变数的意义 只要将焦点集中在自变项的OR就可以了 希望这样有回答到你的疑问 --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 140.112.110.191