风暴统计案例复现 | 先单后多的影响因素分析

今日要复现的是最最基础的影响因素分析文章,文章包括了 基本情况表、②卡方检验** 、③多因 logistic回归**,复现过程将会详细截图讲解具体步骤,尤其是新手小白,请大家跟上脚步哦!

本文为常见的先单后多影响因素分析的文章------卡方检验+多因 logistic回归


案例文献是一篇基于2018年CHARLS公共数据库的一项横断面研究,旨在了解中国独居老人抑郁症状现况及影响因素。

**目的:**了解中国独居老人抑郁症状现况及影响因素。

方法:利用 2018 年中国健康与养老追踪调查数据(CHARLS)中 1 067 名≥60 岁的独居老人,依据调查问卷中的 CESD-10 抑郁量表来判断独居老人是否具有抑郁症状,通过 χ 2 检验、Logistic 回归分析独居老人抑郁症状影响因素。

结果:共纳入了4,920名患有BM的NSCLC患者,并随机分为两个队列(7:3),研究显示中国60岁以上独居老人抑郁症状检出率为 44.9% ,其中农村高于城市(P<0.001),男性低于女性(P<0.001)。 多因素 Logistic回归分析结果显示:与男性相比,女性(OR=1.772,95%CI:1.347~2.333)与独居老人抑郁症状的检出有关(P<0.05);与居住在城市相比,农村(OR=1.913,95%CI:1.410~2.595)与独居老人抑郁症状检出有关(P<0.05);与健康状态较健康相比,健康状态一般(OR=1.564,95%CI:1.102~2.220)和较不健康(OR=6.145,95%CI:4.169~9.058)与独居老人抑郁症状检出有关(P<0.05);与睡眠时长 7~9h 相比,睡眠时长 < 7h(OR-2.342,95%CI:1.702~2.302)与独居老人抑郁症状检出有关(P<0.05),而睡眠时长 >9h 与独居老人抑郁症状检出无关联(P<0.05)。

**结论:**独居老人抑郁症状与睡眠时长、居住地区、自评健康状况等因素存在关联,相关部门应加倍重视女性、农村、健康状况不佳及失眠的独居老人心理健康。

本文介绍了①基本情况②差异性分析(卡方检验)③多因素logistic回归,思路框架清晰,案例十分典型。下面我们分步介绍:

1.1 基本情况表+单因素分析表

首先,原文中进行了基线特征描述以及单因素卡方分析,对数据情况进行简单描述,以及筛选可能的影响因素。

1.2 多因素Logistic回归表

接着,将单因素卡方分析结果中的阳性结果,纳入多因素回归结果。

下面我们就通过风暴统计平台进行文章2个表格结果的复现!


风暴统计平台是由浙江中医药大学郑卫军教授基于R语言开发的统计分析平台,它具有以下优点:

  • 结果输出简洁,直接生成三线表,支持word版下载!

  • 平台是基于R语言 进行开发,结果准确性有保障

  • 全部菜单式操作,统计小白也可以轻松上手!

2.1 进入风暴统计平台

首先,浏览器搜索风暴统计,依次点击**"** 风暴智能统计" ------"logistic回归分析 "!进入分析界面后,根据提示,完成数据的导入与整理。

这里我们不再赘述数据的导入与整理过程,详细教程大家可以点击下方链接:

详细指南!风暴统计如何高效导入数据,统计分析快人一步?

详细版!如何利用风暴统计进行数据的整理转换?

我们复现用到的数据集是根据原文献变量及纳排标准整理的,但是样本量有所出入,变量和原文保持一致,包含有:

2.2 基本情况表

数据打开后,在左侧目录栏里找到**"分组差异性分析"**------选好自己要的变量。

可以下载word或者excel格式结果!

结果就出现啦,左侧是原表1,右侧是风暴统计平台画出的结果,可以直接编辑。

2.3 单因素分析(卡方)

根据这个数据类型发现结局变量抑郁是二分类变量,其他自变量也都是分类变量,所以接下来的单因素分析只用到卡方检验。

同样还在**"分组差异性分析"** ------选择结局变量抑郁,以及要的自变量,就直接能形成表格了,按照上面的**"选择文档下载类型"**同样把word下载下来。

结果就出现啦,左侧是原表1,右侧是风暴统计平台画出的结果,可以直接编辑。

2.4 Logistic回归

接着来到**"logistic回归"**模块进行logistic回归分析!

只需要将我们前面卡方分析得出的阳性结果全部选入"自变量",抑郁选入"因变量",点击"多因素logistic回归"就可以查看结果啦!

结果就出现啦,左侧是原表2,右侧是风暴统计平台画出的结果,可以直接编辑。

以上就是我们本次logistic影响因素分析的全部操作流程啦!如果您在使用过程中出现报错,可以参考下方推文,排查一下问题所在哦!

答疑 | 风暴统计更换服务器后,为什么总出现同样的报错?


详情请点击下方:

零代码课程来了,不需要R语言,快速构建预测模型

相关推荐
cxr8286 分钟前
基于Playwright的浏览器自动化MCP服务
人工智能·自动化·大语言模型·mcp
PPIO派欧云10 分钟前
PPIO X OWL:一键开启任务自动化的高效革命
运维·人工智能·自动化·github·api·教程·ppio派欧云
奋斗者1号11 分钟前
数值数据标准化:机器学习中的关键预处理技术
人工智能·机器学习
kyle~33 分钟前
深度学习---框架流程
人工智能·深度学习
miracletiger34 分钟前
uv 新的包管理工具总结
linux·人工智能·python
视觉AI1 小时前
SiamMask原理详解:从SiamFC到SiamRPN++,再到多任务分支设计
人工智能·目标检测·计算机视觉·目标分割
Olafur_zbj1 小时前
【EDA】EDA中聚类(Clustering)和划分(Partitioning)的应用场景
机器学习·数据挖掘·聚类
视觉&物联智能1 小时前
【杂谈】-人工智能驱动的网络安全威胁:新一代网络钓鱼
网络·人工智能·web安全·网络安全·安全威胁分析
weixin_549808361 小时前
以运营为核心的智能劳动力管理系统,破解连锁零售、制造业排班难题
大数据·人工智能·零售
struggle20251 小时前
LinuxAgent开源程序是一款智能运维助手,通过接入 DeepSeek API 实现对 Linux 终端的自然语言控制,帮助用户更高效地进行系统运维工作
linux·运维·服务器·人工智能·自动化·deepseek