上一篇讲了计量资料的统计，这一次我们来看看二分类的统一。。

转载请注明出处：https://www.cnblogs.com/SSSR/p/11007023.html

data logistic ;

input accident age vision drive ;

datalines ;

1 17 1 1

1 44 0 0

1 48 1 0

1 55 0 0

1 75 1 1

0 35 0 1

0 42 1 1

0 57 0 0

0 28 0 1

0 20 0 1

0 38 1 0

0 45 0 1

0 47 1 1

0 52 0 0

0 55 0 1

1 68 1 0

1 18 1 0

1 68 0 0

1 48 1 1

1 17 0 0

1 70 1 1

1 72 1 0

1 35 0 1

1 19 1 0

1 62 1 0

0 39 1 1

0 40 1 1

0 55 0 0

0 68 0 1

0 25 1 0

0 17 0 0

0 45 0 1

0 44 0 1

0 67 0 0

0 55 0 1

1 61 1 0

1 19 1 0

1 69 0 0

1 23 1 1

1 19 0 0

1 72 1 1

1 74 1 0

1 31 0 1

1 16 1 0

1 61 1 0

;

run;

proc logistic data=logistic descending ;

model accident=vision; run ;

quit;

ods trace on ;

ods output chisq crosstabfreqs ;

proc freq data= logistic;

table accident*vision/chisq cmh ;/*cmh会计算出优比*/

run ;

ods trace off ;

ods output close ;

proc genmod data=logistic descending;

model accident=vision /dist=bin link=logit;

ESTIMATE 'vision' vision 1 -1/exp;

run;

/*以分组汇总后的的方式统计的数据，使用weight*/

data a;

input accident vision f;

cards;

0 0 14

0 1 6

1 0 8

1 1 17

;

run;

proc logistic data=a descending;

model accident=vision;

weight f;

run ;

quit;

 

检验全局零假设: BETA=0
检验	卡方	自由度	Pr > 卡方
似然比	6.5830	1	0.0103
评分	6.4209	1	0.0113
Wald	6.0756	1	0.0137

最大似然参数估计的分析
参数	自由度	估计	标准 误差	Wald 95% 置信限		Wald 卡方	Pr > 卡方
Intercept	1	-0.5596	0.4432	-1.4283	0.3090	1.59	0.2067
vision	1	1.6011	0.6496	0.3280	2.8742	6.08	0.0137
尺度	0	1.0000	0.0000	1.0000	1.0000

proc freq data=a;

table accident*vision/chisq cmh;

weight f;

run;

 

 

表“vision-accident”的统计量

统计量	自由度	值	概率
卡方	1	6.4209	0.0113
似然比卡方检验	1	6.5830	0.0103
连续调整卡方	1	4.9902	0.0255
Mantel-Haenszel 卡方	1	6.2783	0.0122
Phi 系数		0.3777
列联系数		0.3534
Cramer V		0.3777

Fisher 精确检验
单元格 (1,1) 频数 (F)	14
左侧 Pr <= F	0.9980
右侧 Pr >= F	0.0122
表概率 (P)	0.0102
双侧 Pr <= P	0.0169

 

样本大小 = 45

 

“vision-accident”的汇总统计量

Cochran-Mantel-Haenszel 统计量（基于表评分）
统计量	备择假设	自由度	值	概率
1	非零相关	1	6.2783	0.0122
2	行评分均值差异	1	6.2783	0.0122
3	一般关联	1	6.2783	0.0122

 

普通优比和相对风险
统计量	方法	值	95% 置信限
优比	Mantel-Haenszel	4.9583	1.3881	17.7107
	Logit	4.9583	1.3881	17.7107
相对风险（第 1 列）	Mantel-Haenszel	2.1875	1.1541	4.1461
	Logit	2.1875	1.1541	4.1461
相对风险（第 2 列）	Mantel-Haenszel	0.4412	0.2144	0.9077
	Logit	0.4412	0.2144	0.9077

 

标红部分的值是相等。freq步还给出了or值

proc genmod data=a descending;

model accident=vision /dist=bin link=logit;

weight f;

ESTIMATE 'vision' vision 1 -1/exp;  /*给出or值*/

run;

与逻辑回归的结果是完全一致的。。。OR值都是一致的。后面会介绍怎么用genmod计算RR值。。。

or

最大似然参数估计的分析
参数	自由度	估计	标准 误差	Wald 95% 置信限		Wald 卡方	Pr > 卡方
Intercept	1	-0.5596	0.4432	-1.4283	0.3090	1.59	0.2067
vision	1	1.6011	0.6496	0.3280	2.8742	6.08	0.0137
尺度	0	1.0000	0.0000	1.0000	1.0000

 

 

 

对比估计结果
标签	均值估计	均值		L'Beta 估计	标准 误差	Alpha	L'Beta		卡方	Pr > 卡方
		置信限					置信限
vision	0.8322	0.5813	0.9466	1.6011	0.6496	0.05	0.3280	2.8742	6.08	0.0137
Exp(vision)				4.9583	3.2207	0.05	1.3881	17.7107