使用R语言进行logistic回归分析（1）

一、问题及数据集描述

三种药物对于不同病情的某病的治疗效果
	病情		有效（1）		无效（0）
甲药（0）	轻（1）		38		64
	重（0）		10		82
乙药（1）	轻（1）		95		18
	重（0）		50		35
丙药（2）	轻（1）		88		26
	重（0）		43		37

某研究者欲比较3种不同的药物治疗病情不同的某病的效果，研究数据见上表，试对数据进行logistic回归，并进行统计推断。

二、定义变量，分析思路

本例中某种药物有效为1，无效为0，即某种药物的治疗效果y取值为1或0，p为某种药物有效的概率，E(y)=p即是变量y的期望。自变量为病情的轻重，轻为1，重为0，本例已给出病情轻重的样本数据，本例回归模型即是f(E(y))=β+βx。

因此定义y1,y2,y3分别为某种药物的治疗的效果，取值为1或0，有效为1，无效为0，定义x1,x2,x3分别为每种药物下实验下病情轻重样本数据，也用1和0表示。x为0代表为轻症状，x为1为重症状。

根据本例的数据可以得到：

x1<-rep(c(1,0,c(102,92))

x2<-rep(c(1,0),c(113,85))

x3<-rep(c(1,0),c(114,80))

y1<-rep(c(1,0,1,0),c(38,64,10,82))

y2<-rep(c(1,0,1,0),c(95,18,50,35))

y3<-rep(c(1,0,1,0),c(88,26,43,37))

现分别对上面定义的变量进行logistic回归分析。

三、logistic回归分析

对甲药物：

df1<-data.frame(y1,x1)
log.reg1<-glm(y1~x1,family = binomial,data=df1)
summary(log.reg1)

运行得到：

从回归结果来看，回归方程系数显著。

于是得到的logistic回归模型为：

p1=exp(-2.1041+1.5828x1)/(1+exp(-2.1041+1.5828x1))

即是logit(p1)=-2.1041+1.5828x1

使用同样的方法，对乙药物丙药物也做logistic回归，分别得到下面的回归方程，回归系数都显著。

p2=exp(0.3567+1.3068x2)/(1+exp(0.3567+1.3068x2))

p3=exp(0.1503+1.069x3)/(1+exp(0.1503+1.069x3))

四、统计推断

对于甲药物，当x1=1时，求病情较轻时药物的有效的概率，使用如下命令：

log.pre1<-predict(log.reg1,data.frame(x1=1))
p1<-exp(log.pre1)/(1+exp(log.pre1))
p1

运行得到

当x1=0时，求病情较重时药物的有效的概率，使用如下命令：

log.pre1<-predict(log.reg1,data.frame(x1=0))
p1<-exp(log.pre1)/(1+exp(log.pre1))
p1

对乙药物和丙药物分别重复上面的过程得到下表：

药物有效的概率
药物	甲药物	乙药物	丙药物
病情轻	0.372549	0.840708	0.7719298
病情重	0.1086957	0.5882353	0.5375

从上面直观的看出，药物乙对于病情轻和病情重都有较高的有效率。

本文分析结束。