一、案例介绍
为了解某抗癫痫药物的作用，某研究者对58名癫痫患者进行临床试验，每将其随机分为2组，一组服用试验药，一组服用对照药，治疗8周，观察最后两周的发作次数，其中治疗方法包括安慰剂和试验药，请试着分析抗癫痫药的疗效。
二、问题分析
本案例的分析目的为抗癫痫药的疗效。可以以试验后的发作次数作为因变量，试验药为自变量进行回归分析，两周内癫痫发作次数不像二项分布那样可以计算比例，使用发病密度等密度指标进行描述该事件特征更为合适，所以可以考虑使用poisson回归或者负二项回归。具体使用哪种方法，可以根据数据的类型进行决定。
三、软件操作及结果解读
(一) 数据导入
1.数据格式
首先将数据整理成正确的格式，一般一个X为一列，Y为一例，并且分析的数据带有数据标签的，需要另添加一个表格进行说明，数据格式如下
2.导入数据
将整理好的数据上传至SPSSAU系统内，如下：
上传的数据如下：
(二)条件判断
如果是poisson回归分析需要数据满足poisson分布，需要具有平均计数等于方差特点，如果不满足可以使用负二项回归，使用过离散o检验进行验证，如果o值绝对值小于1.96 （此时p值大于0.05），则说明数据等离散，此时数据建议使用Poisson回归，反之使用负二项回归比较合适。过离散o检验的结果如下：
上述结果发现，o值为27.976大于1.96说明使用负二项回归更合适。
(三)负二项回归分析
1. 软件操作
负二项回归分析路径为点击【实验/医学研究】→【负二项回归】然后进行分析：
2. 结果解读
分析负二项回归模型似然比检验结果的目的主要是检验整体模型的有效性，首先对p值进行分析，如果该值小于显著水平，则说明模型有效；反之则说明模型无效，AIC和BIC值用于多次分析时的对比；此两值越低越好；如果多次进行分析，可对比此两个值的变化情况，综合说明模型构建的优化过程，如果不进行多次分析对比，则无需关注此指标。从分析结果来看，p值小于0.1，因而说明拒绝原定假设，即说明本次构建模型时，放入的自变量具有有效性，本次模型构建有意义。其中AIC、BIC的计算如下：
AIC=-2ln(L)+2k；BIC=-2ln(L)+ln(n)*k；
其中 : L是该模型下的最大似然，n是数据数量，k是模型的变量个数。接下来进行查看负二项回归模型
从上表可知，以发作次数作为因变量，治疗方法为自变量，进行负二项回归分析，从上表可以看出，模型公式为：Log(Y)=2.079-0.514*治疗方法。治疗方法的回归系数值为-0.514，p值小于0.1，说明呈现出显著性，即治疗方法对癫痫发作次数有影响。
四、结论
想要了解治疗方法是否对癫痫发作次数有影响，初步判断使用poisson回归或者负二项回归，经过过离散o检验，发现使用负二项回归更合适。以发作次数作为因变量，治疗方法为自变量，进行负二项回归分析，治疗方法的回归系数值为-0.514，p值小于0.1，说明呈现出显著性，即治疗方法对癫痫发作次数有影响。
五、知识小贴士
1、SPSSAU负二项回归时O检验的意义是什么？
SPSSAU进行负二项回归时，一般需要满足过离散性，离散性检验有多种，SPSSAU默认提供O检验。如果说通过O检验，如果O值绝对值大于1.96（此时p 值小于0.05），则说明数据过离散，此时说明适合使用负二项回归进行研究。如果O值绝对值小于1.96 （此时p 值大于0.05），则说明数据等离散，此时建议使用Poisson回归。
2、o检验、平均值和方差、alpha值检验出现矛盾？
o检验和alpha值是否为o检验，目的均在于对“过离散”进行检验，平均值和方差的直观查看也是一种方式。有时候会出现比如平均值和方差看上去有非常大的差异，但alpha值均没有呈现出显著性（即没有拒绝alpha值为0），此时建议综合进行判断，通常情况下使用负二项回归更“保险”，因为负二项回归对模型的假定没有Poisson回归那么严格。
网友评论