1、資料錄入SPSS。
2、選擇Analyze→Regression→Binary Logistic。
3、主對話方塊設定:將因變數cancer送入Dependent框中,將納入模型的自變數sex, age, BMI和COPD變數Covariates中。本研究中,納入age變數僅僅是為了調整該變數帶來的混雜(不關心該變數的OR值),因此將age直接將改變數納入Logistic迴歸模型。
4、Categorical設定:該選項可將多分類變數(包括有序多分類和無序多分類)變換成啞變數,指定某一分類為參照。本研究中,COPD是多分類變數,我們指定“無COPD病史”的研究物件為參照組,分別比較“輕/中度”和“重度”組相對於參照組患肺癌的風險變化。
6、Hosmer-Lemeshow goodness-of-fit:檢驗模型的擬合優度; CI for exp(B):結果給出OR值的95%可信區間; Display→At last step:僅展示變數篩選的最後一步結果。 →Continue→回到主介面→OK。
1、資料錄入SPSS。
2、選擇Analyze→Regression→Binary Logistic。
3、主對話方塊設定:將因變數cancer送入Dependent框中,將納入模型的自變數sex, age, BMI和COPD變數Covariates中。本研究中,納入age變數僅僅是為了調整該變數帶來的混雜(不關心該變數的OR值),因此將age直接將改變數納入Logistic迴歸模型。
4、Categorical設定:該選項可將多分類變數(包括有序多分類和無序多分類)變換成啞變數,指定某一分類為參照。本研究中,COPD是多分類變數,我們指定“無COPD病史”的研究物件為參照組,分別比較“輕/中度”和“重度”組相對於參照組患肺癌的風險變化。
6、Hosmer-Lemeshow goodness-of-fit:檢驗模型的擬合優度; CI for exp(B):結果給出OR值的95%可信區間; Display→At last step:僅展示變數篩選的最後一步結果。 →Continue→回到主介面→OK。