存在分类变量时分别利用SPSS和python做多元线性回归

本文详细介绍了如何使用SPSS和Python处理分类变量并进行回归分析。在SPSS中,通过创建哑变量并选择逐步回归进行特征筛选,最后采用Bootstrap方法验证模型。而在Python中,利用statsmodels库,通过公式指定分类变量及其参考组,完成复杂模型的构建与评估。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. SPSS

当存在分类变量时,需要首先处理成多个哑变量,例如将年龄分成三个:age<18, age18_60, age>60。

然后在SPSS里纳入除了ref的所有哑变量,例如我们要将18-60作为参考组,就纳入age<18和age>60,不要纳入age18-60。

首先可以选择stepwise进行特征筛选建模。但是勾选逐步后,不能enable Bootstrap。所以可以分两步走,第一步逐步来筛选变量。

然后根据要纳入的变量,再执行一次回归,选择进入并且勾选bootstrap。

 

2. Python

python中的statsmodels可以

from statsmodels.formula.api import ols

formula = f"DAT_Class~C(Sex)+C(年龄_分类)+C(Antibiotic_usage)+C(Tumor_presence)+C(Trans)+贫血+消化+低血容量+感染+凝血障碍+肺炎+脓毒血症+休克+急性白血病+糖尿病+早产儿+const"

df = sm.add_constant(df)
model = ols(formula, data=df).fit()
model.summary()

 利用这个方式也可以对分类变量指定参考组。例如指定年龄的参考组为18-60:

formula = f"DAT_Class~C(Sex)+C(年龄_分类, Treatment(reference='18-60'))+C(Antibiotic_usage)+C(Tumor_presence)+C(Trans)+贫血+消化+低血容量+感染+凝血障碍+肺炎+脓毒血症+休克+急性白血病+糖尿病+早产儿+const"

ref: https://www.sohu.com/a/211917960_489312

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值