SAS中文论坛

标题: 请教：以下两种方式进行逻辑回归 [打印本页]

作者: shiyiming 时间: 2009-8-4 15:39
标题: 请教：以下两种方式进行逻辑回归
请教：

以下两种方式进行逻辑回归，有什么不同之处
1、 1、给每个变量不同特征值产生虚拟变量后进行回归（不使用Class语句）；
2、2、不做虚拟变量，在MODEL Y=X1 X2 X3 语句之前加个CLASS语句。
据我肉眼观察第二种方法的output，一个变量中只要有一个特征值组的P显著，则该变量进入方程，其他特征值虽然不显著但也给出了Estimate。

谢谢！

作者: shiyiming 时间: 2009-8-4 20:47
标题: Re: 请教：以下两种方式进行逻辑回归
有时候肉眼的观察是不充分的。两种方法应该是无异的。不同的结果源于不同的parameterization。
如果舍弃class，你用的是glm，而SAS class的缺省是effect。
你可以从输出的相同的odds ratio得到验证

作者: shiyiming 时间: 2009-8-5 09:49
标题: Re: 请教：以下两种方式进行逻辑回归
谢谢jingju11 ！

两种方式的ODDS RATIO结果不太一样，应该怎么比较。截取变量“教育程度”的情况举例。
下面第一个表格是生成虚拟变量后逻辑回归的结果，
第二个表格是使用CLASS 语句变量有几个特征值（1，2，3……）

表一
Odds Ratio Estimates
Effect       Point Estimate       95% Wald
                  Confidence Limits
education1 2.01 1.559 2.593
education2 1.844 1.613 2.107
education4 0.638 0.468 0.871

表二
Odds Ratio Estimates
Effect                      Point Estimate       95% Wald
                                 Confidence Limits
education_seg 1 vs 4          3.847 2.478 5.972
education_seg 2 vs 4          3.514 2.43 5.082
education_seg 3 vs 4             1.87 1.298 2.695

作者: shiyiming 时间: 2009-8-5 10:36
标题: Re: 请教：以下两种方式进行逻辑回归
两种方法一样
你的结果有区别重要原因，x 的设计举证不一样(Class Level Information)
一种是以整体X判断对模型的贡献，令一种则分别判断x的属性对模型的显著性。

作者: shiyiming 时间: 2009-8-5 22:05
标题: Re: 请教：以下两种方式进行逻辑回归
"...一种是以整体X判断对模型的贡献，令一种则分别判断x的属性对模型的显著性。" 不是很理解这句话。但是我想这句话应该是有出处的。

下面是一个改造过的sas示例：

Data Neuralgia;
   input Treatment $ Sex $ Age Duration Pain $ @@;
t1=( Treatment='A' );
t2=( Treatment='B' );
t3=( Treatment='P' );
   datalines;
P  F  68 1  No B  M  74  16  No  P  F  67  30  No
P  M  66  26  Yes  B  F  67  28  No  B  F  77  16  No
A  F  71  12  No B  F  72  50  No  B  F  76 9  Yes
A  M  71  17  Yes  A  F  63  27  No  A  F  69  18  Yes
B  F  66  12  No A  M  62  42  No  P  F  64 1  Yes
A  F  64  17  No P  M  74 4  No  A  F  72  25  No
P  M  70 1  Yes  B  M  66  19  No  B  M  59  29  No
A  F  64  30  No A  M  70  28  No  A  M  69 1  No
B  F  78 1  No P  M  83 1  Yes B  F  69  42  No
B  M  75  30  Yes  P  M  77  29  Yes P  F  79  20  Yes
A  M  70  12  No A  F  69  12  No  B  F  65  14  No
B  M  70 1  No B  M  67  23  No  A  M  76  25  Yes
P  M  78  12  Yes  B  M  77 1  Yes B  F  69  24  No
P  M  66 4  Yes  P  F  65  29  No  P  M  60  26  Yes
A  M  78  15  Yes  B  M  75  21  Yes A  F  67  11  No
P  F  72  27  No P  F  70  13  Yes A  M  75 6  Yes
B  F  65 7  No P  F  68  27  Yes P  M  68  11  Yes
P  M  67  17  Yes  B  M  70  22  No  A  M  65  15  No
P  F  67 1  Yes  A  M  67  10  No  P  F  72  11  Yes
A  F  74 1  No B  M  80  21  Yes A  F  69 3  No
;

run;

/*1*/
proc logistic data=Neuralgia;
   class Treatment Sex/param=glm;
   model Pain= Treatment Sex Duration / expb;
run;

/*2*/
proc logistic data=Neuralgia;
   class Sex/param=glm;
   model Pain= t1 t2 t3 Sex Duration / expb;
run;
---------------------------------------------------------
*results from model 1;
Analysis of Maximum Likelihood Estimates

                                       Standard       Wald
      Parameter    DF Estimate    Error Chi-Square Pr > ChiSq Exp(Est)

      Intercept    1    -2.5728    0.9140       7.9230       0.0049    0.076
      Treatment A    1    2.5900    0.8481       9.3266       0.0023    13.330
      Treatment B    1    2.5430    0.8511       8.9268       0.0028    12.718
      Treatment P    0          0          .       .          .          .
      Sex    F    1    1.7889    0.7173       6.2190       0.0126    5.983
      Sex    M    0          0          .       .          .          .
      Duration       1    0.0240    0.0297       0.6525       0.4192    1.024

                                    Odds Ratio Estimates

                                          Point       95% Wald
                     Effect             Estimate    Confidence Limits

                     Treatment A vs P    13.330    2.529    70.263
                     Treatment B vs P    12.718    2.398    67.442
                     Sex    F vs M    5.983    1.467    24.406
                     Duration             1.024    0.966    1.086
-------------------------------------------------
*results from model 2;
Analysis of Maximum Likelihood Estimates

                                       Standard       Wald
      Parameter    DF Estimate    Error Chi-Square Pr > ChiSq Exp(Est)

      Intercept    1    -2.5728    0.9140       7.9230       0.0049    0.076
      t1             1    2.5900    0.8481       9.3266       0.0023    13.330
      t2             1    2.5430    0.8511       8.9268       0.0028    12.718
      t3             0          0          .       .          .          .
      Sex    F    1    1.7889    0.7173       6.2190       0.0126    5.983
      Sex    M    0          0          .       .          .          .
      Duration       1    0.0240    0.0297       0.6525       0.4192    1.024

                                    Odds Ratio Estimates

                                          Point       95% Wald
                     Effect          Estimate    Confidence Limits

                     t1                13.330    2.529    70.263
                     t2                12.718    2.398    67.442
                     Sex    F vs M    5.983    1.467    24.406
                     Duration             1.024    0.966    1.086
*--------------------------------------------------------------------------------------------------;

*两种结果无有任何不同；如果有表面上的不同，是源于差异的参数化；

作者: shiyiming 时间: 2009-8-5 22:09
标题: Re: 请教：以下两种方式进行逻辑回归
“。。。据我肉眼观察第二种方法的output，一个变量中只要有一个特征值组的P显著，则该变量进入方程，其他特征值虽然不显著但也给出了Estimate。”

这种显著性的不同归因于不同的estimates。因为p是检测estimate是否无异于0.

欢迎光临 SAS中文论坛 (https://mysas.net/forum/)