回归回归与回归优选回归回归与回归概念logistic回归的分类：（1）二分类资料logistic回归：因变量为两分类变量的资料，可用非条件logistic回归和条件logistic回归进行分析。非条件logistic回归多用于非配比病例-对照研究或队列研究资料，条件logistic回归多用于配对或配比资料。（2）多分类资料logistic回归：因变量为多项分类的资料，可用多项分类logistic回归模型或有序分类logistic回归模型进行分析。也可以分为logistic回归和条件logistic回归令因变量两个水平对应的值为0、1，概率为1-p、p，则显然我们也可以用多重回归进行分析？为什么要用logistic回归分析？logistic回归回归系数、模型评估、参数估计、假设检验等与之前的回归分析有何不同？因变量为二分变量时既可以用logistics回归也可以用probit回归，那么probit回归及其与logistic回归的异同之处问题1：P表示Y=1的概率，是统计量趋势拟合作用备注AIC、SC越小越好类似于多元回归中的残差平方和似然比卡方越大越好类似于多元回归中的回归平方和P值越小越好RSQUARE越大越好类似于多元回归中的Ｒ＾２Ｃ统计量越大越好度量观测值和条件预测的相对一致性ＨＬ统计量越小越好度量观测值和预测值总体的一致性P值越大越好logistic回归的分类：（Poisson分布变量的方差也是）HL统计量的原假设Ho是预测值和观测值之间无显著差异，因此HL指标的P-Value的值越大，越不能拒绝原假设，即说明模型很好的拟合了数据。如果有一个解释变量x，可以写出如下回归模型：理因素，正确评价疗效。logistic回归的应用对于低发生（病）率的开放性队列研究资料，由于di服从Poisson分布，其概率函数为：统计量趋势拟合作用备注AIC、SC越小越好类似于多元回归中的残差平方和似然比卡方越大越好类似于多元回归中的回归平方和P值越小越好RSQUARE越大越好类似于多元回归中的Ｒ＾２Ｃ统计量越大越好度量观测值和条件预测的相对一致性ＨＬ统计量越小越好度量观测值和预测值总体的一致性P值越大越好试用logistic回归分析筛选出于癌细胞转移有关的危险因素（变量选入和剔除水平均为0.分类数据表现为离散的计数，服从Poisson分布【p（Y=1|X）表示在X的条件下Y=1的概率】logistic回归的数学表达式为：系数含义及对整个模型的评估和检验与logistic回归的内容大同小异偏差统计量G2的差（G2）和自由度的差（df）来预测个体在某因素存在条件下，发生某事件814）logitic系数大约是probit系数的1.线性回归在处理有上限和下限的因变量时面临着一个问题：X上同样的变化对Y产生的影响不同，由图1也可以直观的看出这里并不适合进行线性回归。虽然有很多非线性的函数可以呈现S形，但由于Logit转化比较简易，所以更受欢迎。Logit与概率不同，它没有上下限。比数去除了概率的上限，比数的对数去除了概率的下限；且是以0,5为中点对称的，概率大于0.5产生正的logit,logit距离0的距离反映了概率距离0.5的距离；概率上相同的改变与在logits上产生的改变是不同的，logit转化拉直了X与最初的概率之间的非线性关系。回归系数的意义：统计量趋势拟合作用备注AIC、SC越小越好类似于多元回归中的残差平方和似然比卡方越大越好类似于多元回归中的回归平方和P值越小越好RSQUARE越大越好类似于多元回归中的Ｒ＾２Ｃ统计量越大越好度量观测值和条件预测的相对一致性ＨＬ统计量越小越好度量观测值和预测值总体的一致性P值越大越好参数估计除此以外，logistic回归还可以用优势比估计：案例：在logistic过程步中加“descending”选项的目的是使SAS过程按阳性率（y=1）拟合模型，得到阳性病例对应于阴性病例的优势比。OR值logistic回归模型的假设检验假设自变量在各配比组中对结果变量的作用是相且为了计算更简单一些，程序是让似然数的自然对数取最大值而非让似然函数取最大值。在实践中，对以上统计量最为关注的是C统计量，其次是似然比卡方，最后才是ＨＬ统计量。在临床研究和疗效的评价，组间某些因素构非条件logistic回归多用于非配比病例-对照研究或队列研究资料，条件logistic回归多用于配对或配比资料。试用logistic回归分析筛选出于癌细胞转移有关的危险因素（变量选入和剔除水平均为0.（发病）的概率，为进一步治疗提供依据。Poisson（因变量为poisson分布）对于低发生（病）率的开放性队列研究资料，由于di服从Poisson分布，其概率函数为：回归模型的似