一篇研究在經過多種量化分析的統計方法後,經常以找尋預測因子或影響因子作為Ending,所使用的統計方法即是大家常看到的迴歸分析,一般所指的迴歸分析若沒有特別強調,通常都是線性迴歸(Linear Regression),而且是多個自變項所組成的多元線性迴歸(Multiple Linear Regression),不過根據我的經驗,多數客戶學線性迴歸並沒有太大的問題,就算拿書自學也都能輕易上手;而這篇所要介紹的是從統計方法聽起來就比較難的二元羅吉斯迴歸。

二元羅吉斯迴歸與線性迴歸的差別,僅在於依變項/Outcome尺度的不同,當依變項為二類的類別變項(通常Coding 1 & 0)時,會採用二元羅吉斯迴歸進行分析;而當依變項為連續尺度的變項時,則是使用線性迴歸。(當依變項的水準為三類以上,則採用多項式羅吉斯迴歸)。

 

(我也想要上統計課程)

在這篇文章中,僅教導各位如何看懂報表及學會如何解釋,SPSS操做的部分以後有機會再分享,或可參考之前一篇「SAS簡易教學~二元羅吉斯迴歸分析」。以下的例子為虛擬的案例,依變項是受訪者「有無受到運動傷害」(有=1、無=0),自變項則有「性別」、「運動前有無暖身」、「年齡」、「運動年數」,本例僅選擇自變項有達顯著水準的部分來做介紹,實際上,自變項未達顯著的話您也不會有太多解釋,這代表該自變項並不會影響/預測依變項。

二元羅吉斯迴歸結果的解釋並不困難,只要拆成兩個步驟來解釋,最後再合在一起即可。

首先,是自變項的部分,無論是在跑線性迴歸、羅吉斯迴歸、廣義估計方程(GEE)、階層線性模式(HLM)、一般線性模式(GLM),自變項只分連續與類別兩種解釋。(1連續變項比較簡單,即數字越大越會怎麼樣(後者的怎麼樣是要配合依變項的結果,所以到時與依變項結果搭配即完成敘述),因此以下表為例,年齡與運動年數都是連續變項,所以解釋即為年齡越大越怎樣、運動年數越久越怎樣;(2)而當自變項為類別變項時,大家可能聽過必須做虛擬編碼(Dummy Code),沒聽過也沒關係,只要記得此時類別變項裡會指定某一類為參照組(又稱被比較組,可由研究者自行決定)參照組一旦決定,所有的類別都會被解釋成與參照組做比較,因此以下表為例,性別與運動前暖身為類別變項,我也已經指定性別部分以女性為參照組,運動前暖身以無暖身為參照組所以解釋即為男性相較女性還要怎麼樣、有暖身相較沒暖身還要怎麼樣

 

延伸閱讀

 

二元羅吉斯迴歸(Binary Logistic Regression)之Gpower應用-計算sample size或power~上

 

二元羅吉斯迴歸(Binary Logistic Regression)之Gpower應用-計算sample size或power~下

 

好書推薦-最適樣本數(Determining sample size) 林星帆顧問整理

全站熱搜

晨晰部落格新站 發表在 痞客邦 留言(4) 人氣()