多因素分析Word格式.docx

1、1、疾病诊断：用判别分析的方法诊断疾病又称为计量诊断。包 括临床诊断、X线诊断、心电图诊断、超声波诊断、脑电图诊断等。2、 疾病预报：流行病预报、某些疾病（心肌梗死、中风）的早期 预报。3、 预后估计：某些疗法的疗效估计，某些恶性肿瘤患者的生存期 估计等。4、 疾病的病因学估计：研究引起疾病的原因，并分析其主要影响 因素。判别分析:要求Y变量二分类或多分类的属性变量。分别用Fisher 和Bayes准则进行计算。同时根据样本中个体的症状、体征选用多元逐步判别分析的方法, 来判断病人患的什么疾病。其判别函数为：Z = biXi + b:x2 + b3x3 .+ bkxk对判别函数在实际应用中的判

2、别能力要进行检验。判别临界ffl:岭=q y + n2 y（b） /+n2且：_ _艸）人歹0）所以:若YYo判为A类；若YY0判为B类。可以计算各指标的贡献率，进行回代检验其符合率。1、有健康人10名，心肌梗死病人6名，分别进行心电图检查 得到三个指标X】、X：、X3O建立这两类人的判别式，以次判别新的就 诊患者是否为心肌梗死病人。2、 对正常人和口血病人进行血清学方面的研究，用高分辨核磁 共振谱仪分析a峰形，以a峰的高度（XJ和峰腰（XJ的宽度作为观察 指标，采集了 13名白血病人和11名献血员作为健康人的血清的a峰 形。3、 现有己知分类的健康人11人，硬化症患者7人，冠心病患者 5人，

3、这23人的心电图的5个指标测量数据，建立判别方程。3、logistic回归分析多元线性回归要求y是呈正态分布的连续型随机变量。医学中常 见这样的试验：动物服药后是生（假设其值为1）还是死（假设其值 为0）,或是发病（1）还是未发病（0）等。当因变量取值为（0, 1）, 自变量可能是分类变量，也可能是连续变量时，用线性回归分析的方 法进行处理是不合适的，应选用Logistic回归。Logistic回归属于概率型回归，用来分析某类事件发生的概率与 口变量之间的关系。适用于因变量为二值变量（或多分类）的情形。基本概念：因变量的预测值在01之间。如根据冠心病病人的饮 食特点、吸烟史、生活的方式、得病的

4、类型等数据资料，建立一个 logiStic回归方程来预测病人的冠心病的可能性。数学模型：y = lnp/（l- 吠式中：匕是在条件勺=（夠，切，也 ）下，某事件发生的概率，1-厂是该事件不发生的概率。其中，,=1加，m是自变量 的个数。a是截距，S是待估计的参数。Logistic回归方程的曲线为S型，预测值最大值趋近1,最小值 趋近Oologistic回归方程的另一种表达形式：强叭通过变换 l + exp（y）J可以得出P与多元变量Xi间的数学表达式：p=l + exp（G +$Xj）-p = 5 exp（rz+ /?,%；）1、某医生研究哪些指标可以判断糖尿病患者是否动脉硬化，将临 床症状颈

5、总动脉中层厚度imt 0. 8mm或有斑块定义为动脉硬化，记为 因变暈type =1,非硬化imt 尿白蛋白（ALB）、体重指数（BMI）、胰岛 素敏感指数（ISI）、收缩压（SBP）、甘油三脂（TG）、胆固醇（CH0）、 糖尿病病程（DURA）o2、某医院为研究医院内尿路感染的主要危险因素，回顾调查了某年三个月份在住院期间实施保留导尿的200名患者，分别记录了危险因素变量名定义性别X：女=0,男二1年龄（岁）30=0, 30、 =1, 50、二2, 70二3插管前住院时间（天）x33=0, 3 =1, 10、二2, 20、二3导尿方式X,闭式二0,开放式=1导尿期间无抗生素持续冲洗x5否=0

6、,是=1留置导尿时间x63=0, 3 =1, 10二2, 20、二3感染前有无输血史X；无=0,有=1感染前有无应用免疫抑制剂Xs无-0,用-1插管前血浆肌酊水平x980=0, 80、 =1, 170二2有无糖尿病XiO否二0,是=1尿路感染Y未感染二1,感染=0分析可能在医院内尿路感染的危险因素。4、比例风险模型一C0X回归常用统计描述和统计推断的方法有：分位数、中数生存期、平均数、 生存函数古迹、判断生存时间分布、非参数检验、寿命表法、log-rank 检验（对数秩检验）等。这些方法己经系统地应用在医学的医疗评价和 预后的因素分析中。医学临床生存资料有别于其他资料，特别是医学临床随访资料很

7、难 用一般统计方法来处理多种因素对生存时间序列的影响。资料的特点是：1、 危险度的变化规律种类多且难以确定。2、 资料中存在失访（截尾）数据。3、 同是考虑多个变量（连续的或离散的）影响难以控制。非参数可以解决前两个问题，参数法可以解决后两个问题。所以 实际应用中有很大的局限性。Logistic模型中对任一个观察对象的失 效处理都是相同的，无论失效发生在随访期的开始或结束，所以当分 析变量与失效的关系时且需要考虑失效时间的作用时，logistic回归 模型就不完全适用了。而任一变量对失效的作用完全独立于随访期的 长短，直接影响结论的可靠性和稳定性。1972年英国生物统计学家D. R. Cox提

8、出半参数的比例风险模型 Cox回归模型（Cox regression model ）, 1975年由油料新的补充。Cox模型是将生存时间和因素间的关系用回归方式来表示，主要 解决多因素（如年龄、职业、吸烟、饮酒、病情、治疗方法等）对生 存期（恢复期）的影响。对于每一个研究的病人除去要考察的因素外， 必须有生存时间变量（t）和结局变量（d）。风险函数为：= （f）cxp（勺X +b2x2 +b3x3+-+bpxp） 为风险函数，又称风险率或瞬间死亡率。九为基准风险函 数，是与时间有关的任意函数。1、某省肿瘤医院调查1991-1994年间经手术治疗的66例 大肠癌患者的资料，对可能影响大肠癌术后的

9、临床病理因素进行分析, 以探讨这些因素病理因素对大肠癌术后的综合影响。Zt女二0,男二1Z?40=1, 40、59 二2, 60二3组织学分类z3乳头状腺癌=0,管状腺癌二1肿瘤大小（cm）l6二0,其它二1Dure s分期z5A二 1, B=2, 03, D 二4细胞增殖抗原（PCNA）Z655% =0, 55%=1淋巴管侵润z；血管侵润Zs无二0,用二1手术到观察结束实际天数结束时是否死亡D生存二0,死亡二12、研究天花粉注射治疗绒癌疗效的试验，将16只体表接种成功的 裸鼠分为4组，其中一组作为对照，其余三组分别注射天花粉、甲药和 乙药，得到如下数据：试作Cox分析。带瘤天数天数瘤体大小天

10、花粉治疗无二0,有二1甲药治疗X.无二0,有=1乙药治疗维生素民不用二0,用=1生存天数day结局生存=0,死亡=1附例题：文件名“sars建立永久数据集libname 1 d: ；data a;set 1.sars3;run;读出数据集，选择确诊和发烧病人set al;if group= 2 the delete;逐步判别分析：proc stepdisc method二stepwise sle=0.05 sls=0.05;class group;var cpnb entb hlnl2 h5nlb infab infbb infb2bmpnb pivlb piv3b rsvnab rsvnbb

11、 sarslb sarslmtb sars2b sars3b; Quit;将逐步判别筛选出的变量作回代：proc discrim ;var h5nlb entb infb2b sars2b sars3b mpnb sarslb;*var infb2b cpnb h5nlb piv3b rsvnbb sars3b;quit;计算疑似与发烧病人的逐步logistic回归：data b;if group=l the delete;data bl;set b;if group=2 then groupn=l:if group=3 then groupn=0;proc logistic descendi

12、ng;model groupn= cpnb entb hlnl2 h5nlb infab infbb infb2bmpnb pivlb piv3b rsvnab rsvnbb sarslb sarslmtb sars2b sars3b/ selection=stepwise clodds=pl sle=0.15 sls=0.15;,*model groupn= cpnb entb hlnl2 h5nlb infab infbb infb2bmpnb pivlb piv3b rsvnab rsvnbbsarslb sarslmtb sars2b sars3b;*model groupn= cpn

13、b entb hlnl2 h5nlb infab infbb infb2bmpnb pivlb piv3b rsvnab rsvnbb / selection=stepwise clodds=plsle=0. 15 sls=0. 15;*/quit；计算确诊和发烧病人的logistics回归分析：data c;if group=3 then delete;set c;if group=l then groupn=l:if group=2 then groupn=0;*model groupn= cpnb entb hlnl2 h5nlb infab infbb infb2b mpnb pivl

14、b piv3b rsvnab rsvnbb / selection=stepwise clodds=pl sle=0. 15 sls=0. 15; *,1BACKGROUND274.5140. 54SAMPLE疑似2961. 0783241961. 39501825SAMPLE22091. 48754436SAMPLE32060.7504551951. 38797SAMPLE42300.837887223.51. 5907478SAMPLES240.50.876138245. 51. 7473319SAMPLE62510. 914391781. 26690410SAMPLE7224.50.81

15、7851369.52.62989311SAMPLE8确诊3901.4207651. 78647712SAMPLE9219.50.7996363642. 59074713SAMPLE102280.8306012932. 085409Logistics （B类与C类病人拟和）Classification TableVariables in the EquationBS. EWaldSig.Exp （BStep INFB21 -3.6 .58539. 835.000 025PredictiObservedTYPE%Step454052.92210682.8Overall Percentagi70.9

16、493657.62310582.072.3523361.274.2582768.21910985.278.4a The cut value is 500Constai4.4166E44.859.00085. 73INFBE-T259. 056.003.461INFB21-3.7.6038. 555.0245. 8（.84（47. 784331.5：-1.13013. 998316INFB2）-4.0 6340. 996.017PIV1E2. 5（ 69?13. 93813. 313. 2：1.049. 686.00225. 50-1.2 32】14.869290-456942. 031.011

17、2. 9（.73-16. 33019. 31RSVNA12. 31.71（10.812.00110. 54.971.24.6124342. 64（aVariable（s）entered onstep 1:INFB2Bbstep 2:INFBB.cstep 3:PIV1Bdstep 4:RSVNAB.Logistics （疑似与发烧病人拟和）包括SARS病毒PrediciTYPE Percentage Correc3073.28892.6Overall Percentage86.887.89296.894. 13892.79397.996.33790.29195.895.697.69498.998.5a The cut valueis 500S. E.Exp（B）-8.8101.52933. 17910.4491.74635. 81234524.09H5N1E8. 7922. 24115. 3876582. 40（-12.3192. 36027. 2540006. 1682. 1048. 596477. 2208. 1212.41511.3073364. 19E-13. 1392. 86321.065PIV3E5. 5582. 0557.312.007259. 2621.7742. 559.4804885. 8939. 6572. 92310.914