TIN HỌC ỨNG DỤNG

TƯƠNG QUAN VÀ HỒI QUY

TRƯỜNG ĐẠI HỌC Y DƯỢC HUẾ

BỘ MÔN THỐNG KÊ – DÂN SỐ - SỨC KHỎE SINH SẢN

1
 Mục tiêu

1/ Xác định được ý nghĩa và cách sử dụng phân tích

tương quan, mô hình hồi quy thích hợp.

2/ Thực hiện được cách lệnh phân tích tương quan,

mô hình hồi quy trong SPSS.

3/ Đọc phiên giãi ý nghĩa và trình bày kết quả phân

tích.

2
Tin học ứng dụng - NCKH Bộ môn: TKYT – DS -SKSS
 PHÂN TÍCH TƯƠNG QUAN

Thường xét đến khi 2 biến NC là biến định lượng.

Chú ý đến tính phân bố của số liệu định lượng.
Xác định ngưỡng ý nghĩa của hệ số tương quan (r )
r<0,3: tương quan yếu
0,3 ≤ r ≤ 0,5 : tương quan TB
0,5 < r ≤ 0,7 : tương quan chặc chẽ
r>0,7 : tương quan rất chặt chẽ

3
Ví dụ: tính hệ số tương quan giữa tuổi và chiều cao
Thực hiện: Analyze/ Correlate/Bivariate

Biến số

4
Kết quả thực hiện

Hệ số tương quan r

Ngưỡng ý nghĩa p value

Số trường hợp quan sát

5
Thể hiện mối tương quan trên biểu đồ scatter plot:
graph/legacy Dialogs/Scatter plot

6
Biến phụ thuộc

Biến độc lập

7
Chú ý :
• Lựa chọn hệ tương quan pearson khi số liệu có phân bố
chuẩn
• Hệ số tương quan Spearman khi số liệu có phân bố không
chuẩn
8
 MÔ HÌNH HỒI QUY

Phân loại: (dựa vào kiểu biến số phụ thuộc )

• Thông thường chúng ta có nhiều mô hình hồi
quy khác nhau tùy thuộc vào kiểu biến số của
biến phụ thuộc.
• Một số mô hình chính hay gặp trong các phân
tích thống kê: Hồi quy tuyến tính, hồi quy
logistic, và hồi quy Cox ( sự kiện theo thời gian).

9
 MÔ HÌNH HỒI QUY

• Chương trình này chúng tôi chỉ đề cập đến 2 mô hình là

hồi quy tuyến tính (linear regression) và mô hình logistic
với biến phụ thuộc là nhị phân (Binary logistic).

• Dựa vào số lượng biến độc lập đưa vào mô hình

 hồi quy đơn biến ( 1 biến độc lập)
 Hồi quy đa biến ( ≥ 2 biến độc lập)

10
 Mô hình hồi quy tuyến tính đơn biến

Hồi quy tuyến tính đơn biến có dạng:

• Biến phụ thuộc (y): là biến định lượng

• Biến độc lập (x): thường là biến định lượng hoặc thứ bậc.
• : là điểm cắt y khi x = 0 ( hằng số constant)
• : là độ dốc là sự thay đổi của mỗi đơn vị y khi x thay đổi.
• Sử dụng phương pháp ước tính bình phương tối thiểu
để lựa chọn mô hình tối ưu

11
 Mô hình hồi quy tuyến tính
Thực hiện:
Analyza/ Regression/ Linear
Lưu ý: Các giả định số liệu phải có phân bố chuẩn, các
quan sát độc lấp

12
 Biến phụ thuộc

Biến độc lập

Phương pháp đưa
phân tích

13
+ Một số phương pháp phân tích:
- Enter : tất cả các biến đưa vào đều góp mặt trong mô
hình (1 mô hình duy nhất)
- Backward: Loại bỏ dần các biến không đóng góp cho
mô hình (số biến độc lập giảm dần theo các mô hình)
- Forward: Tăng dần các biến trong mô hình
- Stepwise: Kết hợp

14
 Ví dụ: Hồi quy tuyến tính đơn biến
Viết phương trình tuyến tính giữa t score cổ xương đùi với
tuổi nghiên cứu

15
Phương pháp đưa biến độc lập vào mô
hình
Tóm tắt mô hình ( lưu ý ý
nghĩa hệ số R2)

Kiểm định sự tồn

tại có ý nghĩa của
mô hình
16
 Coefficientsa
Model
Unstandardized Standardized 95.0% Confidence
Coefficients Coefficients Interval for B

Std. Lower Upper

B Error Beta t Sig. Bound Bound
1 (Constant) 1.146 .612 1.872 .063 -.062 2.354
tuoi -.051 .009 -.408 -5.960 .000 -.069 -.034

a. Dependent Variable: tscore_coxdui

*Lưu ý hệ số B, sig. ( giá trị p) và 95% của hệ số B

Phương trình :
Tscore cổ xương đùi = 1,1146 – 0,051*tuổi

17
 Mô hình hồi quy binary logistic đơn biến

• Với biến phụ thuộc là nhị phân ( mã 0;1)

• Thường sử dụng để đo lường chỉ số nguy cơ (OR).
• Biến độc lập có thể định lượng hoặc định tính.
• Phương pháp này về nguyên tắc tương tự như mô
hình tuyến tính. Sử dụng hàm log
• Dạng :

Logit = ln(Odds) = ln[p/(1 - p)] = a + bx

18
 Đo lường hệ số nguy cơ ( OR)
Bệnh Không bệnh Tổng
Phơi nhiễm a b a+b
Không phơi nhiễm c d d+d
Tổng a+c b+d a+b+c+d

Theo lý thuyết odds được tính như sau :

Odd nhóm bệnh = tỷ lệ có phơi nhiễm nhóm bênh/ tỷ lệ không
phơi nhiễm của nhóm bệnh = a/(a+c) / c/(a+c)
= p/ (1-p) = a/c
Tương tự
Odd nhóm không bệnh = p’/(1-p’) = b/d

OR = odds bệnh/ Odds không bệnh = ad/bc

19
 Trong mô hình hồi quy logistic thì
OR chính là ?
(SỬ DỤNG THUẬT TOÁN LOGIT thì OR chính là log cơ số e
của hệ số hồi quy B)

20
Ví dụ: xây dựng mô hình logistic giữa tình trạng loãng xương
(cổ xương đùi) với trình trạng giảm chiều cao (có; không )
Analyze/ Regression/Binary logistic
Biến phụ
thuộc

Biến độc lập

Phương pháp
lựa chọn biến 21
 Biến định tính

Lưu ý: Chọn nhóm

reference tùy thuộc
vào mong muốn
giải thích kết qua
Biến định lượng Chọn nhóm đối
22
chứng
Test kiểm định
mô hình
Chọn khoảng 95%
của OR

Ngưỡng ý nghĩa của

biến số đưa vào mô
hình

23
Đọc từ dòng này

Số trường hợp tham gia

vào mô hình, số mising

Mã code của biến phụ thuộc

24
Mô hình khi chưa đưa biến độc lập

25
 Phương pháp đưa biến độc
lập vào mô hình

Kiểm định mức ý nghĩa của mô hình

p>0,05 mô hình tồn tại

26
 Phương trình của mô hình:
Ln(Odds) = -0,421 +0,853 *giam chieu cao

Lưu ý :
Hệ số hồi quy B
Sig: giá trị p ý nghĩa của hệ số B
Exp(B) chính là tỷ suất chênh OR
95% CI (OR) : Khoảng tin cậy 95% của OR
27
Phiên giải kết quả có nhiều cách để phiên giải kết qua khác nhau
:
Trong nhóm không giảm chiều cao:
Odds (x=0) = e(- 0.421+0,853*0) = e(-0.421)= 0.656  p=0,656/1.656=
0.396
Hay mô hình giúp tiên đoán 39,6% người không bị giảm chiều cao sẽ bị
loãng xương.
Trong nhóm có giảm chiều cao:
Odds(x=1) = e(-0.421 +0,853*1) = e(0,432)=1.54 p=1,54/2.54=0,606
hay mô hình giúp tiên đoán 60,6% người bị giảm chiều cao sẽ bị loãng
xương
OR = Odds(x=1)/ Odds (x=0) = 1,54/0,656 = 2,347
Như vậy nhóm có giảm chiểu cao thì có khả năng loãng xương cao gấp
2,35 lần so với người không giảm chiều cao. 28
 BÀI TẬP

1. Tính hệ số tương quan và giải thích ý nghĩa

mối tương giữa chiều cao, cân nặng, tuổi và
BMI của đối tượng nghiên cứu.
2. Viết phương trình tuyến tính giữa chiều cao và
chỉ số BMI và vẽ biểu đồ thích hợp.
3. Viết phương trình tuyến tính giữa cân nặng và
chỉ số BMI và vẽ biểu đồ thích hợp.

29