二项广义回归的示例

本例说明如何在 Liver Cancer.jmp 样本数据表中构建二项响应严重性的预测模型。

1.	选择帮助 > 样本数据库，然后打开 Liver Cancer.jmp。

2.	选择分析 > 拟合模型。

3.	从“选择列”列表中选择严重性，然后点击 Y。

4.	从 BMI 一直选到黄疸，然后点击宏 > 析因次数。

这会将最高达到 2 次（次数框中的默认值）的所有项都添加到模型中。

5.	从“特质”列表中选择广义回归。

点击运行。

7.	选择弹性网络作为“估计方法”。

点击执行。

9.	点击“使用 AICc 验证的自适应弹性网络”旁边的红色小三角，然后选择选择清零项选项。

“效应检验”报表还显示在 0.05 水平下没有显著的项。但是，时间*标记交互作用具有很小的 p 值 (0.0650)，时间效应具有很小的 p 值 (0.1512)。

10.	点击“使用 AICc 验证的自适应弹性网络”旁边的红色小三角，然后选择刻画器 > 刻画器。

检查“预测刻画器”以查看时间和时间*标记交互作用如何影响严重性。

注意：预测变量肝炎不显示在该刻画器中，因为它未显示在任何活跃（非零）项中。由于标记和黄疸均显示在活跃的交互作用项中，所以它们会显示在该刻画器中，尽管作为主效应它们并不活跃。

11.	从左向右移动时间的红色虚线以查看它与标记的交互作用（时间短，严重性 = High 的概率对应的刻画器和时间长，严重性 = High 的概率对应的刻画器）。对于具有小的确诊时间值的进入研究的患者，标记对严重性的影响很小。但是对于确诊时间更长的进入研究的患者，标记很重要。对于那些患者，常规标记指示高严重性的概率更低。