《多因素回归分析简介》由会员分享，可在线阅读，更多相关《多因素回归分析简介（8页珍藏版）》请在金锄头文库上搜索。
1、第十七章 多因素回归分析的Stata实现本章使用的Stata命令：多因素回归regress depvar indepvars逐步回归stepwise , options : commandLogistic回归logistic depvar indepvars weight生存时间数据设定stset timevar weight , failure(failvar=numlist)Cox回归stcox varlist例17-4 某研究者为了研究某种避孕药对人体血糖的影响，分别在正在使用这种避孕药的人群、6个月前曾经使用过这种避孕药的人群、从未使用过避孕药的人群中各随机抽取6人。考虑到血糖可能与年
2、龄有关，所以该研究者不仅测定了这18位对象的血糖，而且也记录了这18位对象的年龄，具体资料见表174。请根据研究问题作统计分析。表17-4 三种避孕药使用情况下的年龄（，岁）与血糖水平(，mg)现服药者曾服药者从未服药者201202412628135211222613032137231242713234138231262913135137241252913435139241273013637144 本研究的问题是比较三种用药情况下的血糖平均水平是否不同，因此首先考虑以下总体均数的情况。解：Stata数据如下：xyg1g22012001211220123124012312601241250124
3、12701241261026130102713210291311029134103013610281350032137003413800351370035139003714400Stata命令如下：reg y x g1 g2结果： Source | SS df MS Number of obs = 18-+- F( 3, 14) = 83.88 Model | 717.684557 3 239.228186 Prob F = 0.0000 Residual | 39.9265537 14 2.85189669 R-squared = 0.9473-+- Adj R-squared = 0.93
4、60 Total | 757.611111 17 44.5653595 Root MSE = 1.6888- y | Coef. Std. Err. t P|t| 95% Conf. Interval-+- x | 1.067797 .1795127 5.95 0.000 .6827801 1.452813 g1 | -.4265537 1.452834 -0.29 0.773 -3.542572 2.689465 g2 | -2.587571 2.202234 -1.17 0.260 -7.310893 2.135752 _cons | 102.5621 6.053067 16.94 0.0
5、00 89.57961 115.5447-g1代表曾服药者和未服药者的比较，p=0.773，说明曾服药者和未服药者血糖平均水平没有差别。g2代表现服药者和未服药者的比较，p=0.260，说明现服药者和未服药者血糖平均水平没有差别。接着比较曾服药者和现服药者：test g1= g2结果：( 1) g1 - g2 = 0 F( 1, 14) = 2.66 Prob F = 0.1252P=0.1252，曾服药者和现服药者血糖平均水平没有差别。例17-5 为了研究影响肥胖者瘦素（Leptin）的主要危险因素，某研究者调查了某医院肥胖门诊的500名肥胖就诊者的瘦素、年龄、体重指数、总胆固醇、甘油三酯、
6、是否患糖尿病、是否患高血压、饮食、运动、服药情况等，并用逐步线性回归模型分析影响瘦素的主要因素。为了简化问题，仅取自变量为年龄（X1，岁）、体重指数(X2，kg/m2)、总胆固醇(X3，mmol/L)、是否患糖尿病（X4，患糖尿病为1，不患糖尿病为0）和是否患高血压（X5，患高血压为1，不患高血压为0），应变量为瘦素（Y，ng/ml）。为了说明的方便，这里仅从500名肥胖就诊者中随机取30例，具体数据如表17-11所示，试用逐步线性回归分析寻找主要的影响因素。表17-11 例17-5的数据X1X2X3X4X5YX1X2X3X4X5YX1X2X3X4X5Y6331.0 14.1 0010.4 3
7、929.0 6.8 018.5 6029.5 13.0 019.1 4327.7 8.5 106.5 6631.1 15.3 0010.4 5828.8 14.2 109.4 5127.6 11.8 119.3 4329.5 7.3 008.2 3428.1 5.5 115.3 5730.7 12.9 1011.1 6329.7 15.5 008.4 3228.9 4.5 005.1 4927.9 8.8 007.1 4928.9 10.1 006.5 6027.9 12.4 119.7 3829.5 6.2 016.7 4428.7 8.6 008.9 5530.7 12.8 1110.3
8、5728.5 11.6 018.6 3928.3 6.8 005.6 5230.7 9.9 1110.3 3426.8 5.3 003.0 5430.5 11.3 019.4 5126.9 10.9 009.1 4429.3 9.0 006.9 5329.1 11.2 007.1 3025.8 4.9 113.8 6229.5 14.7 1011.4 5428.3 12.8 008.1 6030.3 12.9 1111.8 Stata数据如下：X1X2X3X4X5Y633114.10010.44327.78.5106.55127.611.8119.35730.712.91011.14927.9
9、8.8007.13829.56.2016.75728.511.6018.63426.85.30034429.39006.96229.514.71011.439296.8018.56631.115.30010.44329.57.3008.26329.715.5008.44928.910.1006.54428.78.6008.93928.36.8005.65430.511.3019.45329.111.2007.15428.312.8008.16029.513019.15828.814.2109.43428.15.5115.33228.94.5005.16027.912.4119.75530.71
10、2.81110.35230.79.91110.35126.910.9009.13025.84.9113.86030.312.91111.8Stata命令：stepwise, pr(0.15): reg y x1 x2 x3 x4 x5结果： begin with full modelp = 0.7123 = 0.1500 removing x3p = 0.3424 = 0.1500 removing x5 Source | SS df MS Number of obs = 30-+- F( 3, 26) = 35.37 Model | 114.195479 3 38.0651597 Prob
