hoi qui logistic da thuc

SỬ DỤNG HỒI QUI LOGISTIC ĐA THỨC TRONG NGHIÊN CỨU Y HỌC (Multinomial logistic regression) www.bsrang.blogspot.com Mơ hình hồi qui tuyến tính dùng để xem xét mối quan hệ tuyến tính biến phụ thuộc y biến độc lập x biến định lượng Ví dụ cân nặng theo chiều cao, phương trình có dạng đường thẳng sau:: y (cân nặng) =βx (chiều cao) + Mơ hình hồi qui logistic nhị thức (binary logistic) để xem xét mối quan hệ biến phụ thuộc biến định tính nhị phân (ví dụ: sống/chết) biến độc lập biến định lượng biến định tính phương trình liên hệ có dạng: Log(odds)= β1x1+ β2x2+ + (trong x1 , x2, biến độc lập Odds= p/1-p) Ví dụ: p xác suất tử vong 1-p xác suất sống Mơ hình hồi qui logistic đa thức (multinomial logistic) tương tự mơ hình hồi qui logistic nhị thức biến phụ thuộc biến định tính có lớn trạng thái (hoặc mức) Ví dụ (khỏi bệnh, thương tật, tử vong) (tốt, trung bình, xấu) Sau ví dụ phân tích hồi qui logistic đa thức SPSS Tìm liên hệ cân nặng, triệu chứng thiếu máu bà mẹ mang thai trẻ sinh nhẹ cân Biến phụ thuộc (kết cục) sinh nhẹ cân biến định tính, chia làm mức: bình thường (>2500g), nhẹ cân trung bình (15002500g) nhẹ cân nặng (< 1500) Nhập số liêu vào SPSS sau: Cột 1: mã BN Cột 2: Cân nặng mẹ (biến số) Cột 3: Triệuchứng thiếu máu mẹ (biến nhị phân 1) Cột : Biến kết cục sinh nhẹ cân có mức (0: bình thường; 1: nhẹ cân trung bình; 2: nhẹ cân mức độ nặng) Vào menu: Analyze> Regression>Multinomial Logistic Vào hình Multinomial Logistic Regression Chuyên biến nhecan vào ô biến phụ thuộc (Dependent) Chuyển biến thieumau(biến nhị phân) vào ô Factor(s) biến cannang vào ô Covariate Nhấn vào hộp thoại Reference Category, chọn mức tham khảo first category, có mã nhecan=0 (cân nặng bình thường) hình sau: Nhắp Continue, nhấn OK cho kết sau: Các bảng mô tả phù hợp mô hình, nói chung trị số -2 Log likelihood nhỏ phù hợp mơ hình lớn Còn trị pseudo- R2 gần tương tự R2 mơ hình hồi qui tuyến tính Và cuối bảng kết gồm hàng cột Hàng có số (nhẹ cân trung bình) biến dự đốn (cân nặng mẹ, thiếu máu) so sánh với mức tham khảo (cân bình thường) Hàng có số (nhẹ cân mức độ nặng) biến dự đoán (cân nặng mẹ, thiếu máu) so sánh với mức tham khảo (cân bình thường) Cột 1: gồm biến dự đoán (cân nặng mẹ thiếu máu) Cột : B hệ số hồi qui Cột 3: Sai số chuẩn Cột 4: Trị Wald test tương tự 2(chi square) mơ hình hồi qui tuyến tính Cột 5: df (bậc tự do) Cột 6: Sig (ý nghĩa thống kê) Cột 7: Exponent hệ số hồi qui B cột (eB) Cột 8-9: khoảng tin cậy 95% OR Diễn dịch kết sau: Nếu gọi p1 xác suất trẻ nhẹ cân trung bình (1500-2500g) p2 xác suất trẻ nhẹ cân mức độ nặng ( 2500g) Log (p1/p0)= 15,2 - 0,25xcannang - 2.6x thieumau Nếu mẹ khơng bị thiếu máu log(p1/p0) giảm 2,6 tỉ số OR=0,07 (p=0,05) nói cách khác mẹ khơng bị thiếu máu nguy sinh nhẹ cân trung bình (1500-2500g) giảm 93% Nếu mẹ có cân nặng bình thường log(p1/p0) giảm 0,25 tỉ số OR=0,77(KTC95%: 0,54-1,10) (p=0.16), khơng có liện hệ cân nặng mẹ sinh nhẹ cân mức độ trung bình (OR=0,77 p=0,16) Log(p2/p0) =42,7 - 0,77x cannang- 4,6 x thieumau Nếu mẹ khơng bị thiếu máu log(nhẹ cân mức độ nặng) giảm 4,6 tỉ số OR=0,01 (p=0,011), nói cách khác mẹ không bị thiếu máu giảm nguy sinh nhẹ cân mức độ nặng ( Regression>Multinomial Logistic Vào hình Multinomial Logistic Regression Chuyên biến nhecan vào ô biến phụ thuộc (Dependent) Chuyển biến... trị số -2 Log likelihood nhỏ phù hợp mô hình lớn Còn trị pseudo- R2 gần tương tự R2 mơ hình hồi qui tuyến tính Và cuối bảng kết gồm hàng cột Hàng có số (nhẹ cân trung bình) biến dự đoán (cân