Tải bản đầy đủ

BAI 6 TUONG QUAN VA HOI QUY

TIN HỌC ỨNG DỤNG

TƯƠNG QUAN VÀ HỒI QUY

TRƯỜNG ĐẠI HỌC Y DƯỢC HUẾ
BỘ MÔN THỐNG KÊ – DÂN SỐ - SỨC KHỎE SINH SẢN

1


2


3


4


Phương trình hồi qui cho 2 chỉ số gồm: BMI, độ tuổi. Và nghiên cứu đề nghị: nam
giới có PBF > 30 và nữ PBF > 40 thì được xem là béo phì.

PBF (nữ) = -18.9 + 0.044*tuổi + 3.473*BMI - 0.051*BMI*BMI
PBF (nam) = -29.8 + 0.044*tuổi + 3.473*BMI - 0.051*BMI*BMI
http://journals.plos.org/plosone/article?id=10.1371%2Fjournal.pone.0127198


Mục tiêu

1/ Xác định được ý nghĩa và cách sử dụng phân tích tương quang, mô hình hồi quy
thích hợp.
2/ Thực hiện được cách lệnh phân tích tương quan, mô hình hồi quy trong SPSS.
3/ Đọc phiên giãi ý nghĩa và trình bày kết quả phân tích.

Tin học ứng dụng - NCKH

Bộ môn: TKYT – DS -SKSS

6


PHÂN TÍCH TƯƠNG QUAN

Thường xét đến khi 2 biến NC là biến định lượng.
Chú ý đến tính phân bố của số liệu định lượng.
Xác định ngưỡng ý nghĩa của hệ số tương quan (r )
r<0,3: tương quan yếu
0,3 ≤ r ≤ 0,5 : tương quan TB
0,5 < r ≤ 0,7 : tương quan chặt chẽ
r>0,7 : tương quan rất chặt chẽ
7


Ví dụ: tính hệ số tương quan giữa tuổi và chiều cao
Thực hiện: Analyze/ Correlate/Bivariate

Biến số

8


Kết quả thực hiện



Hệ số tương quan r
Ngưỡng ý nghĩa p value
Số trường hợp quan sát

9


Thể hiện mối tương quan trên biểu đồ scatter plot: graph/legacy Dialogs/Scatter plot

10


Biến phụ thuộc

Biến độc lập

11


Chú ý :




Lựa chọn hệ tương quan pearson khi số liệu có phân bố chuẩn
Hệ số tương quan Spearman khi số liệu có phân bố không chuẩn

12


MÔ HÌNH HỒI QUY

Phân loại: (dựa vào kiểu biến số phụ thuộc )



Thông thường chúng ta có nhiều mô hình hồi quy khác nhau tùy thuộc vào
kiểu biến số của biến phụ thuộc.



Một số mô hình chính hay gặp trong các phân tích thống kê: Hồi quy tuyến
tính, hồi quy logistic, và hồi quy Cox ( sự kiện theo thời gian).

13


MÔ HÌNH HỒI QUY



Chương trình này chúng tôi chỉ đề cập đến 2 mô hình là hồi quy tuyến tính (linear
regression) và mô hình logistic với biến phụ thuộc là nhị phân (Binary logistic).

• Dựa vào số lượng biến độc lập đưa vào mô hình
 hồi quy đơn biến ( 1 biến độc lập)
 Hồi quy đa biến ( ≥ 2 biến độc lập)

14


Mô hình hồi quy tuyến tính đơn biến

Hồi quy tuyến tính đơn biến có dạng:







Biến phụ thuộc (y): là biến định lượng
Biến độc lập (x): thường là biến định lượng hoặc thứ bậc.
: là điểm cắt y khi x = 0 ( hằng số constant)
: là độ dốc là sự thay đổi của mỗi đơn vị y khi x thay đổi.
Sử dụng phương pháp ước tính bình phương tối thiểu để lựa chọn mô hình tối
ưu

15


Mô hình hồi quy tuyến tính
Thực hiện:
Analyza/ Regression/ Linear
Lưu ý: Các giả định số liệu phải có phân bố chuẩn, các quan sát độc lấp

16


Biến phụ thuộc

Biến độc lập
Phương pháp đưa phân
tích

17


+ Một số phương pháp phân tích:

-

Enter : tất cả các biến đưa vào đều góp mặt trong mô hình (1 mô hình duy nhất)

-

Backward: Loại bỏ dần các biến không đóng góp cho mô hình (số biến độc lập
giảm dần theo các mô hình)

-

Forward: Tăng dần các biến trong mô hình

-

Stepwise: Kết hợp

18


Ví dụ: Hồi quy tuyến tính đơn biến
Viết phương trình tuyến tính giữa t score cổ xương đùi với tuổi nghiên cứu

19


Phương pháp đưa biến độc lập vào mô hình

Tóm tắt mô hình ( lưu ý ý nghĩa hệ số R2)

Kiểm định sự tồn tại có ý
nghĩa của mô hình

20


Coefficients

a

Model
Standardized
Unstandardized Coefficients

1

B

Std. Error

(Constant)

1.146

.612

tuoi

-.051

.009

Coefficients

Beta

-.408

95.0% Confidence Interval for B

t

Sig.

Lower Bound

Upper Bound

1.872

.063

-.062

2.354

-5.960

.000

-.069

-.034

a. Dependent Variable: tscore_coxdui

*Lưu ý hệ số B, sig. ( giá trị p) và 95% của hệ số B

Phương trình :
Tscore cổ xương đùi = 1,1146 – 0,051*tuổi

21


Mô hình hồi quy binary logistic đơn biến






Với biến phụ thuộc là nhị phân ( mã 0;1)
Thường sử dụng để đo lường chỉ số nguy cơ (OR).
Biến độc lập có thể định lượng hoặc định tính.
Phương pháp này về nguyên tắc tương tự như mô hình tuyến tính. Sử
dụng hàm log



Dạng :

Logit = ln(Odds) = ln[p/(1 - p)] = a + bx

22


Đo lường hệ số nguy cơ ( OR)
Bệnh

Không bệnh

Tổng

Phơi nhiễm

a

b

a+b

Không phơi nhiễm

c

d

d+d

a+c

b+d

a+b+c+d

Tổng

Theo lý thuyết odds được tính như sau :
Odd nhóm bệnh = tỷ lệ có phơi nhiễm nhóm bênh/ tỷ lệ không phơi nhiễm của nhóm bệnh
= a/(a+c) / c/(a+c)
= p/ (1-p) = a/c
Tương tự
Odd nhóm không bệnh = p’/(1-p’) = b/d

OR = odds bệnh/ Odds không bệnh = ad/bc
23


Trong mô hình hồi quy logistic thì
OR chính là ?
(SỬ DỤNG THUẬT TOÁN LOGIT thì OR chính là log cơ số e của hệ số hồi quy B)

24


Ví dụ: xây dựng mô hình logistic giữa tình trạng loãng xương (cổ xương đùi) với trình trạng
giảm chiều cao (có; không )
Analyze/ Regression/Binary logistic

Biến phụ thuộc

Biến độc lập

Phương pháp lựa chọn
biến

25


Tài liệu bạn tìm kiếm đã sẵn sàng tải về

Tải bản đầy đủ ngay

×