条件logit回归结果解读一、方法概述条件logit回归Conditional Logistic Regression是一种专门用于分析匹配病例-对照研究数据的回归分析方法由Breslow和Day等学者发展完善。与普通logistic回归不同条件logit回归在建模过程中通过条件似然函数消除了匹配层stratum的干扰效应从而能够有效控制匹配因素对暴露-效应关系的混杂作用。该方法在流行病学研究中具有重要地位特别适用于1:1或1:M匹配的病例-对照研究设计。条件logit回归的核心优势在于它能够在保持匹配设计优势如控制已知混杂因素的同时估计各自变量暴露因素对结局事件的独立效应并通过相对危险度RR值量化影响程度。本研究使用SPSSAU软件进行条件logit回归分析以x2、x3、x4为自变量y为因变量系统评估各因素对结局事件的影响。在SPSSAU【实验/医学研究】模块选择【条件logit回归】将变量拖拽至右侧对应分析框操作如下图二、模型整体有效性检验首先对条件logit回归模型的整体有效性进行似然比检验。该检验的原假设为是否放入自变量x2、x3、x4两种情况下模型质量均相同。检验结果如表1所示。由表1可知最终模型的-2倍对数似然值为146.194较仅截距模型的197.750下降了51.556。似然比检验的卡方值为51.557df3对应的p值为0.000小于0.01的显著性水平。因此拒绝原假设表明纳入的自变量x2、x3、x4对模型具有显著贡献模型构建具有统计学意义自变量的整体有效性得到验证。三、样本缺失情况对进入模型的样本情况进行说明结果如表2所示。由表2可知本次分析共有270个有效样本进入模型无缺失数据被排除样本利用率为100%。四、条件logit回归分析结果以x2、x3、x4为自变量y为因变量进行条件logit回归分析结果如表3所示。模型的McFadden R方为0.261Cox Snell R方为0.174Nagelkerke R方为0.335表明自变量可以解释因变量约26.1%的变异。备注因变量yMcFadden R方0.261Cox Snell R方0.174Nagelkerke R方0.335由表3可知各自变量对因变量y的影响情况如下1x2的回归系数为0.863在0.01水平上显著z5.106p0.000RR值为2.36995% CI1.701~3.299表明x2每增加一个单位事件发生的相对危险度增加为原来的2.369倍。x2对y具有显著的正向影响关系是事件发生的危险因素。2x3的回归系数为-0.811在0.01水平上显著z-4.358p0.000RR值为0.44495% CI0.308~0.640表明x3每增加一个单位事件发生的相对危险度降低为原来的0.444倍。x3对y具有显著的负向影响关系是事件发生的保护因素。3x4的回归系数为0.257但未达到显著性水平z1.626p0.1040.05RR值为1.29395% CI0.949~1.762置信区间包含1表明x4对y不具有显著的影响关系。* p0.05 ** p0.01 括号里面为z值图1 条件logit回归森林图由图1森林图可知x2的RR值2.369及其95%置信区间1.701~3.299完全位于参考线1的右侧表明x2是显著的危险因素x3的RR值0.444及其95%置信区间0.308~0.640完全位于参考线1的左侧表明x3是显著的保护因素x4的RR值1.293的95%置信区间0.949~1.762跨越参考线1表明x4的效应不具有统计学显著性。森林图直观地展示了各自变量的效应大小和方向与回归分析结果高度一致。五、共线性诊断对模型自变量间的共线性问题进行诊断结果如表5所示。由表5可知各自变量的VIF值均接近1x2为1.000x3和x4均为1.010远低于共线性判断标准10严格标准为5容忍度值均接近1均大于0.9远高于共线性判断标准0.1严格标准为0.2。这表明三个自变量之间不存在共线性问题模型估计结果可靠。六、综合分析与讨论综合以上分析结果本研究基于270个有效样本利用SPSSAU软件进行条件logit回归分析。模型似然比检验结果表明模型整体有效chi251.557p0.001McFadden R方为0.261具有一定的解释力。共线性诊断结果显示自变量间不存在共线性问题。分析结果表明x2是事件发生的显著危险因素RR2.369x3是显著的保护因素RR0.444而x4对事件发生不具有显著影响。七、结论本研究利用SPSSAU软件进行条件logit回归分析基于270个匹配样本探讨x2、x3、x4对因变量y的影响。模型整体有效chi251.557p0.001McFadden R方为0.261。分析结果显示x2对y产生显著的正向影响RR2.369p0.01是事件发生的危险因素x3对y产生显著的负向影响RR0.444p0.01是事件发生的保护因素x4对y不具有显著影响RR1.293p0.104。共线性诊断结果表明自变量间不存在多重共线性问题模型估计结果稳健可靠。 条件Logit回归结果解读：离散选择中的方案偏好分析
条件logit回归结果解读一、方法概述条件logit回归Conditional Logistic Regression是一种专门用于分析匹配病例-对照研究数据的回归分析方法由Breslow和Day等学者发展完善。与普通logistic回归不同条件logit回归在建模过程中通过条件似然函数消除了匹配层stratum的干扰效应从而能够有效控制匹配因素对暴露-效应关系的混杂作用。该方法在流行病学研究中具有重要地位特别适用于1:1或1:M匹配的病例-对照研究设计。条件logit回归的核心优势在于它能够在保持匹配设计优势如控制已知混杂因素的同时估计各自变量暴露因素对结局事件的独立效应并通过相对危险度RR值量化影响程度。本研究使用SPSSAU软件进行条件logit回归分析以x2、x3、x4为自变量y为因变量系统评估各因素对结局事件的影响。在SPSSAU【实验/医学研究】模块选择【条件logit回归】将变量拖拽至右侧对应分析框操作如下图二、模型整体有效性检验首先对条件logit回归模型的整体有效性进行似然比检验。该检验的原假设为是否放入自变量x2、x3、x4两种情况下模型质量均相同。检验结果如表1所示。由表1可知最终模型的-2倍对数似然值为146.194较仅截距模型的197.750下降了51.556。似然比检验的卡方值为51.557df3对应的p值为0.000小于0.01的显著性水平。因此拒绝原假设表明纳入的自变量x2、x3、x4对模型具有显著贡献模型构建具有统计学意义自变量的整体有效性得到验证。三、样本缺失情况对进入模型的样本情况进行说明结果如表2所示。由表2可知本次分析共有270个有效样本进入模型无缺失数据被排除样本利用率为100%。四、条件logit回归分析结果以x2、x3、x4为自变量y为因变量进行条件logit回归分析结果如表3所示。模型的McFadden R方为0.261Cox Snell R方为0.174Nagelkerke R方为0.335表明自变量可以解释因变量约26.1%的变异。备注因变量yMcFadden R方0.261Cox Snell R方0.174Nagelkerke R方0.335由表3可知各自变量对因变量y的影响情况如下1x2的回归系数为0.863在0.01水平上显著z5.106p0.000RR值为2.36995% CI1.701~3.299表明x2每增加一个单位事件发生的相对危险度增加为原来的2.369倍。x2对y具有显著的正向影响关系是事件发生的危险因素。2x3的回归系数为-0.811在0.01水平上显著z-4.358p0.000RR值为0.44495% CI0.308~0.640表明x3每增加一个单位事件发生的相对危险度降低为原来的0.444倍。x3对y具有显著的负向影响关系是事件发生的保护因素。3x4的回归系数为0.257但未达到显著性水平z1.626p0.1040.05RR值为1.29395% CI0.949~1.762置信区间包含1表明x4对y不具有显著的影响关系。* p0.05 ** p0.01 括号里面为z值图1 条件logit回归森林图由图1森林图可知x2的RR值2.369及其95%置信区间1.701~3.299完全位于参考线1的右侧表明x2是显著的危险因素x3的RR值0.444及其95%置信区间0.308~0.640完全位于参考线1的左侧表明x3是显著的保护因素x4的RR值1.293的95%置信区间0.949~1.762跨越参考线1表明x4的效应不具有统计学显著性。森林图直观地展示了各自变量的效应大小和方向与回归分析结果高度一致。五、共线性诊断对模型自变量间的共线性问题进行诊断结果如表5所示。由表5可知各自变量的VIF值均接近1x2为1.000x3和x4均为1.010远低于共线性判断标准10严格标准为5容忍度值均接近1均大于0.9远高于共线性判断标准0.1严格标准为0.2。这表明三个自变量之间不存在共线性问题模型估计结果可靠。六、综合分析与讨论综合以上分析结果本研究基于270个有效样本利用SPSSAU软件进行条件logit回归分析。模型似然比检验结果表明模型整体有效chi251.557p0.001McFadden R方为0.261具有一定的解释力。共线性诊断结果显示自变量间不存在共线性问题。分析结果表明x2是事件发生的显著危险因素RR2.369x3是显著的保护因素RR0.444而x4对事件发生不具有显著影响。七、结论本研究利用SPSSAU软件进行条件logit回归分析基于270个匹配样本探讨x2、x3、x4对因变量y的影响。模型整体有效chi251.557p0.001McFadden R方为0.261。分析结果显示x2对y产生显著的正向影响RR2.369p0.01是事件发生的危险因素x3对y产生显著的负向影响RR0.444p0.01是事件发生的保护因素x4对y不具有显著影响RR1.293p0.104。共线性诊断结果表明自变量间不存在多重共线性问题模型估计结果稳健可靠。