sas教程：第九章直线回归、直线相关与logistic回归（下）

作者：佚名教程来源：本站原创点击数：更新时间：2007-10-30

REG过程不仅可以完成只有一个自变量的简单直线回归，还可以作含有多个自变量的多元线性回归。作多元线性回归时REG过程的语法格式与简单直线回归的语法几乎完全相同，只要把要分析的多个自变量名放在MODEL语句中应变量后即可。因为多元线性回归时一般要作自变量的筛选，涉及到MODEL语句的选项，现将多元线性回归常用的选项介绍如下：

8.4.1 语法选项

SELECTION=method，规定变量筛选的方法，method可以是以下几种选项

FORWARD(或F)，前进法，按照SLE规定的P值从无到有依次选一个变量进入模型
BACKWARD（或B），后退法，按照SLS规定的P值从含有全部变量的模型开始，依次剔除一个变量
STEPWISE（或S），逐步法，按照SLE的标准依次选入变量，同时对模型中现有的变量按SLS的标准剔除不显著的变量
NONE，即不选择任何选项，不作任何变量筛选，此时使用的是含有全部自变量的全回归模型

SLE=概率值，入选标准，规定变量入选模型的显著性水平，前进法的默认是0.5，逐步法是0.15
SLS=概率值，剔除标准，指定变量保留在模型的显著水平，后退法默认为0.10，逐步法是0.15
标准化偏回归系数 STB 可用来比较各个自变量作用的大小
COLLIN 要求详细分析自变量之间的共线性，给出信息矩阵的特征根和条件数，来判断自变量之间有无多重共线性。

8.4.2 应用实例

例8.3 现有20名糖尿病人的血糖(y,mmol/L)、胰岛素(X₁,mU/L))及生长素(X₂,μg/L)的测量数据列于中，试进行多元线性回归分析（卫生统计第四版例11.1）。

20名糖尿病人的血糖、胰岛素及生长素的测量数据

病例号i	血糖 y	胰岛素X₁	生长素X₂
1	12.21	15.20	9.51
2	14.54	16.70	11.43
3	12.27	11.90	7.53
4	12.04	14.00	12.17
5	7.88	19.80	2.33
6	11.10	16.20	13.52
7	10.43	17.00	10.07
8	13.32	10.30	18.89
9	19.59	5.90	13.14
10	9.05	18.70	9.63
11	6.44	25.10	5.10
12	9.49	16.40	4.53
13	10.16	22.00	2.16
14	8.38	23.10	4.26
15	8.49	23.20	3.42
16	7.71	25.00	7.34
17	11.38	16.80	12.75
18	10.82	11.20	10.88
19	12.49	13.70	11.06
20	9.21	24.40	9.16
平均值	10.85	17.77	8.94

假设上表的资料已建立文本文件c:\user\li4_1，调用REG过程拟合多元回归方程，程序如下：

Libname a ‘c:\user’;

data a.bk4_1;

　infile ‘c:\user\li4_1’;

　input id y x1 x2@@;

proc reg data=a.bk4_1;

　model y=x1 x2/stb;

　model y=x1 x2/ selection=stepwise stb;

run;

REG过程中MODEL语句可以交互使用，本例我们建立了两个模型，第一个model没有作变量筛选，建立一个含有两个自变量的方程，并输出标准化偏回归系数。第二个model指定逐步回归法筛选变量。程序运行的主要结果如下：

Model:model1 模型1
Dependent Variable:Y

                                Analysis of Variance
                                  回归模型的方差分析
                                    Sum of       Mean
            Source          DF      Squares      Square      F Value     Prob>F
           变异来源        自由度   离均差平方和    均方         F值         P值 
            Model            2    116.62646     58.31323     21.539      0.0001
            Error           17     46.02494      2.70735
            C Total         19    162.65140

          误差的均方根 Root MSE       1.64540     决定系数       R-square   0.7170
          应变量的均数 Dep Mean      10.85000     调整的决定系数 Adj R-sq   0.6837
          应变量的变异系数 C.V.      15.16500

                                      Parameter Estimates
以下是参数估计和假设检验（t检验法）
                      Parameter    Standard    T for H0:                Standardized
     Variable  DF     Estimate     Error       Parameter=0  Prob > |T|  Estimate
      变量名   自由度 参数估计值 估计值的标准误Sb    t值          P值

截距 INTERCEP   1     17.010824   2.47237134      6.880      0.0001     0.00000000
        X1      1     -0.405907   0.09412204     -4.313      0.0005    -0.74340924
        X2      1      0.097669   0.11588150      0.843      0.4110     0.14528940

Model:model2（模型2）
Dependent Variable:Y（应变量名）

                                      Analysis of Variance

                              Sum of        Mean
      Source          DF      Squares       Square      F Value       Prob>F

       Model            1    114.70324    114.70324      43.060       0.0001
       Error           18     47.94816      2.66379
       C Total         19    162.65140

                    Root MSE       1.63211     R-square       0.7052
                    Dep Mean      10.85000     Adj R-sq       0.6888
                    C.V.          15.04250

                                      Parameter Estimates

                    Parameter   Standard    T for H0:            Standardized
    Variable  DF    Estimate    Error       Parameter=0  Prob > |T|   Estimate

    INTERCEP   1    18.796143   1.26472741    14.862     0.0001    0.00000000
    X1         1    -0.458520   0.06987466    -6.562     0.0001   -0.83976728

REG过程拟合带截距项的直线回归方程，用最小二乘法估计模型的参数，并给出模型及参数的方差分析和t检验。本例的两个模型检验P值都小于0.05，模型有统计学意义。模型1含有两个自变量，其截距项和X₁检验有统计学意义，X₂的检验无统计学意义。模型2为逐步回归法，只纳入了X₁。比较两个模型的决定系数，模型1因含有两个自变量，决定系数比模型2要大，但因为模型纳入了不显著的自变量X₂，导致它的调整决定系数反而较小，所以我们选择模型2，回归方程：Y=18.796-0.459X₁_。

§8.5 logistic回归

如果应变量为分类的变量，则不符合一般回归分析模型的要求，可用logistic回归来分析。Logistic回归按反应变量的类型分为：

两分类的Logistic回归
多分类有序反应变量的Logistic回归
多分类无序反应变量的Logistic回归

按照设计类型可分为：

非条件Logistic回归，即研究对象未经过配对
条件Logistic回归，即研究对象为1：1或1：m配对

简单的Logistic回归需调用SAS中LOGISTIC过程完成，一些较复杂的则需要调用CATMOD过程来实现。本节我们重点介绍LOGISTIC过程的用法，通过实例说明如何实现简单的Logistic回归分析。

8.5.1 语法格式

PROC LOGISTIC [DATA=数据集名] [选项]；

　MODEL 应变量名=自变量名列/ [选项]；

　[BY <变量名列>;

　FREQ <变量名>;

　WEIGHT <变量名>;

　OUTPUT <OUT=新数据集名关键字=新变量名> ...;]

8.5.2 语法说明

LOGISTIC过程，用最大似然法对应变量拟合一个Logistic模型。除了PROC 和MODEL语句为必需，其他都可省略。

【过程选项】

OUTEST=数据集名指定统计量和参数估计输出的新数据集名。
NOPRINT 禁止统计结果在OUTPUT视窗中输出。
ORDER=DATA|FORMATTED|INTERNAL 规定拟和模型的应变量的水平顺序

DATA ：应变量的顺序与数据集中出现的顺序一致

FORMATTED：按照格式化值的顺序，为默认的选项，相当于应变量所赋
值的大小顺序

INTERNAL：按照非格式化值的顺序

DESCENDING|DES 颠倒应变量的排列顺序，如果同时指定了选项ORDER，则系统先按照ORDER规定的顺序排列，然后则降序排列。就是说，如果应变量的赋值，死亡为1，存活0，为了得到死亡对存活的概率（或者说是死亡的风险），应选择此选项，否则得到的是存活对死亡的概率。

【MODEL语句】

MODEL语句指定模型的自变量、应变量，模型选项及结果输出选项，如要拟和交互作用项，需先产生一个表示交互作用的新变量。可以拟合带有一个或多个自变量的Logistic回归模型，用最大似然估计法估计模型的参数，打印出模型估计的过程和模型参数的可信区间。

MODEL语句中常用的选项有：

NOINT 在模型中不拟合常数项，在条件的Logistic回归中用到。
SELECTION= FORWARD(或F)| BACKWARD（或B）| STEPWISE|SCORE 规定变量筛选的方法，分别为向前、向后、逐步和最优子集法。缺省时为NONE，拟合全回归模型。
SLE=概率值，指定变量进入模型的显著水平，缺省为0.05
SLS=概率值，指定变量保留在模型的显著水平，缺省为0.05
CL|WALDCL，要求估计所有回归参数的可信区间
CLODDS=PL|WALD|BOTH，要求计算OR值的可信区间
PLRL，对所有自变量估计OR的可信区间

8.5.3 应用实例

例8.4 某工作者在探讨肾细胞癌转移的有关临床病理因素研究中，收集了一批行根治性肾切除术患者的肾癌标本资料，现从中抽取26例资料作为示例进行logistic回归分析。

表中有关符号意义说明：

i：样品序号

x₁：确诊时患者的年龄(岁)

x₂：肾细胞癌血管内皮生长因子(VEGF)，其阳性表述由低到高共3个等级

x₃：肾细胞癌组织内微血管数(MVC)

x₄：肾癌细胞核组织学分级，由低到高共Ⅳ级

x₅：肾细胞癌分期，由低到高共Ⅳ期

y：肾细胞癌转移情况(有转移y=1; 无转移y=0)。

26例行根治性肾切除术患者的肾癌标本资料

i	X₁	X₂	X₃	X₄	X₅	Y
1	59	2	43.4	2	1	0
2	36	1	57.2	1	1	0
3	61	2	190.0	2	1	0
4	58	3	128.0	4	3	1
5	55	3	80.0	3	4	1
6	61	1	94.4	2	1	0
7	38	1	76.0	1	1	0
8	42	1	240.0	3	2	0
9	50	1	74.0	1	1	0
10	58	3	68.6	2	2	0
11	68	3	132.8	4	2	0
12	25	2	94.6	4	3	1
13	52	1	56.0	1	1	0
14	31	1	47.8	2	1	0
15	36	3	31.6	3	1	1
16	42	1	66.2	2	1	0
17	14	3	138.6	3	3	1
18	32	1	114.0	2	3	0
19	35	1	40.2	2	1	0
20	70	3	177.2	4	3	1
21	65	2	51.6	4	4	1
22	45	2	124.0	2	4	0
23	68	3	127.2	3	3	1
24	31	2	124.8	2	3	0
25	58	1	128.0	4	3	0
26	60	3	149.8	4	3	1

本题的应变量为二分类变量，用最简单的logistic回归模型进行配合，采用逐步筛选法筛选变量，程序如下：

libname a 'c:\user';
data a.bk4_2;
input x1-x5 y;	定义X1，X2，X，X4，X5和Y五个变量。
cards;
59 2 43.4 2 1 0
...
60 3 149.8 4 3 1
proc logistic des;	选项des指定按照y=1\|y=0的概率来拟合模型
model y=x1-x5/ selection=stepwise;	用逐步回归法拟合模型
run;

过程名后面如果不指定选项DES，则系统按照Y=0的概率拟和模型（Y=0|Y=1），可尝试一下去掉此选项，会发现不仅应变量的排序水平颠倒了，而且所有的参数估计符号相反，OR值为原来的倒数。程序运行的主要输出结果如下：

                            The LOGISTIC Procedure

             Data Set: A.BK4_2                计算所用的数据集名
             Response Variable: Y             应变量
             Response Levels: 2               应变量的水平数
             Number of Observations: 26       观察单位数
             Link Function: Logit             联系函数

                                  Response Profile

                             Ordered
                             Value      Y     Count

                                1       1       9
                                2       0      17

               根据ORDER和DES选项对应变量的重新排序，给出排序值和及每个水
                   平相应的例数，拟合排序为1对应的应变量水平的概率

         Model Fitting Information and Testing Global Null Hypothesis BETA=0
                         对模型的总的检验，无效假设为总体的β=0，

                       Intercept
             Intercept     and
Criterion      Only    Covariates    Chi-Square for Covariates

AIC          35.542      17.826         .
SC           36.800      21.600         .
-2 LOG L     33.542      11.826     21.716 with 2 DF (p=0.0001)（相当于似然比χ2检验）
Score             .           .     15.844 with 2 DF (p=0.0004)（相当于Pearsonχ2检验）

                   模型的总的检验，P值均小于0.05，故模型总体有意义。
                     Analysis of Maximum Likelihood Estimates

		Parameter   Standard  Wald          Pr>     Standardized OddS
Variable   DF	Estimate    Error     Chi-Square Chi-Square Estimate     Ratio
	 自由度	参数估计     标准误     Waldχ2      P值     标准化回归系数 比值比
INTERCPT   1	-12.3285    5.4305     5.1540    0.0232        .           .
X2         1	2.4134      1.1960     4.0719    0.0436     1.185510     11.172
X4         1	2.0963      1.0879     3.7131    0.0540     1.230697      8.136

           Association of Predicted Probabilities and Observed Responses
                                预测数和观测数的关联性分析

                      Concordant = 94.1%          Somers' D = 0.902
                      Discordant =  3.9%          Gamma     = 0.920
                      Tied       =  2.0%          Tau-a     = 0.425
                      (153 pairs)                 c         = 0.951

最后一部分是关于预测概率和观察到的结果的关联性，包括对不同结果的个数和四种秩相关指数的分析。

逐步回归法筛选出两个有意义的变量X₂和X₄，其P值都小于0.05，回归系数β分别为2.4134，2.0963，比数比分别为11.172，8.136，事实上，比数比OR=e^beta。

据此，写出本例的回归方程如下：LogitP=-12.3285+2.4134X₂+2.0963X₄。

上面的方程中X₄的P值大于0.05，但没有被剔除出去，这是因为所采用的筛选方法为Stepwise，X₄的P值并没有超过剔除标准，因此仍在方程内。结合专业，最终的方程仍然保留了X₄。

本例用逐步回归法筛选出对患肾细胞癌有意义的危险因素有两个，肾细胞癌血管内皮生长因子(VEGF)的等级越高，肾癌细胞核组织学分级越高，患肾细胞癌的危险越大。比较两个标准化回归系数，X₂对于患肾细胞癌的影响要大于X₄。

【发表评论】【加入收藏】【告诉好友】【打印此文】【关闭窗口】

上一篇教程： sas教程：第八章直线回归、直线相关与logistic回归（上）

下一篇教程： sas教程：第十章非参数检验