前面我们详细讲解了因变量为二元变量时影响因素的分析，采用二元回归分析。

但在实际情况中，有些因变量的数据类型是连续数值变量，没有具体的分类。 这时，不能用回归来分析其影响因素。 由于变量数据是线性数值，因此这里必须使用线性数值变量。 回归模型进行分析。

这次我们将详细讲解SPSS多元线性回归在医学统计分析中的应用。

我们先来看今天的案例。 我们收集了 80 名患者骨吸收的数值数据。 可能影响它的临床因素包括吸烟、牙周炎、CA、固位方法、性别、年龄、固定托槽直径、长度、修复类型和位置等因素。 如下图1所示：

（图1）

我们需要分析吸烟、牙周炎、CA、固位方式、性别、年龄、固定托槽直径、长度、修复类型和位置等哪些因素确实对骨吸收有显着影响。 需要以骨吸收为因变量，吸烟、牙周炎、CA、固位方式、性别、年龄、固定托槽直径、长度、修复类型、位置为自变量，采用多元线性回归模型进行分析。 这里需要注意的是，CA和年龄是线性变量，可以直接作为自变量。 然而，吸烟和牙周炎是分类变量。 它们应该首先被虚拟化，然后才能用作自变量。 不过，由于这里分类的所有变量都是二元类别，因此虚拟化操作符合当前的实际情况，可以直接作为自变量。 我们将在以后的文章中详细解释如何进行多分类自变量虚拟化的线性回归。

以下步骤用于执行 SPSS 多元线性回归：

①点击“分析”-“回归”-“线性”，在弹出的回归对话框中，选择骨吸收进入因变量框，选择其他变量进入自变量框。

（图2）

（图3）

② 进行相关输出及参数设置，点击右侧“自助采样”按钮，在弹出的对话框中勾选“执行自助采样”，“置信区间”级别填写95。 然后单击“继续”和“确定”按钮。

（图4）

③ 获取输出结果并进行分析。 这里我们只对重要的表格进行详细的解释和分析。

（图5）

模型汇总表中，主要一点是R平方为52.6%，大于50%，说明数据和模型拟合得很好。

（图6）

方差分析表，F=7.653，P

（图7）

系数表 该表是我们分析的主要结果，反映了自变量和因变量之间的具体影响关系。 首先看显着性水平，可以看出显着性水平为0.05。 吸烟和CA均为P0.05。

（图8）

上图显示了95%置信区间。 一般情况下，如果分析报告中需要置信区间，则将上表中红框标注的部分添加到图7的表格末尾，这里不再赘述。

以上就是我们今天讲的SPSS多元线性回归在医学统计分析中的应用操作与分析。

我们回顾一下知识点： 1.因变量是连续数值型变量 2.自变量可以是数值型也可以是分类型，但多类自变量需要虚拟化 3.回归结果主要看3张表，模型总结、方差分析、系数表。 至于如何操作和使用虚拟线性回归，我们将在下一讲详细讲解，敬请关注！

这就是本课程的内容。 感谢您的耐心观看！ 每日更新，敬请关注！

【兴化凯生物医学统计】微信公众号()

【杏花开生物医学统计】相关文章：

· SPSS中问卷数据探索性因素分析的详细操作及结果解读

· SPSS问卷数据统计分析之项目分析

· Excel中线性回归模型分析的操作

· SPSS中常用的参数和非参数检验方法

· SPSS中ROC曲线的操作与应用

· 一文搞懂如何用R语言实现逐步回归分析

· 如何用R语言绘制散点图和箱线图？

· SPSS中数据变量类型介绍

· SPSS中相关分析的操作，相关系数的含义

· 一篇文章看懂SPSS单因素方差分析和方差分析

· 线性回归决定系数R-的计算方法及具体意义

· 医学与生物统计学全流程

· 生物和医学统计学中的假设检验

· Prism中绘制生存曲线详细教程