则有为连续型codice_，本身就除此以外七十二变的物件，因此本期具体内容我们继续来向大家详述一下，在借助于复归建模时，连续型codice_还有哪些其他神奇的振荡前提。
1、正态类比
首先要提到的就是相当类似于的正态类比前提。我们都知道，在借助于一维复归时，所需做到一定的前提条件，其里面有一项即决定codice_需服从概率分布区或者最简便概率分布区，如果不做到概率分布区的条件，一般来说都会致使借助于的复归建模造成了一定的偏倚，因此对于连续型codice_在事前展开正态性检验是十分必要的。
那么，当我们的值得肯定数据档案分布区展现非正态时，所需怎么办呢？此时，我们可以将值得肯定的连续型codice_则有某种变数的类比，使偏态档案正态化，从而做到复归建模借助于的所需。
根据值得肯定数据本身分布区形态的不尽相同，我们可以采行不尽相同的正态类比变数，例如对值得肯定连续型codice_规先取根号最大值（Square Root）、先取自然对数（Ln X）、先取以10为底的对数（Log10 X）、先取倒数（1 / X）等等。
当然，所需肯定的是，如果对codice_展开了正态类比，在结果里面对复归建模实例展开说明时，应按照类比后的codice_给予说明，或者可以根据类比时用到的变数关系，倒推值得肯定自codice_对值得肯定因codice_的effect微小。
例如JACC学术期刊2016年发列于撰文的一篇撰文[1]，笔记在比对时首先对值得肯定数据展开了正态性检验（文中阐述：Normality of continuous variables was assessed by the Kolmogorov-Smirnov test）。
结果显示troponin I、NT-proBNP、corin等环境因素展现偏态分布区的特征，因此在描绘数据分析对象弧信息时笔记也采行了里面位数（上四分位数，下四分位数）的列于达前提，例如Troponin I的里面位总体为4.5（1.8，12.6）ng/ml。
随后笔记采行多重一维复归的步骤，来数据分析阻碍corin总体的环境因素（文中描绘：Multiple linear regression ysis was applied to determine factors influencing corin levels. Levels of troponin I, NT-proBNP, and corin were normalized by log10 transformation）
即数据分析部门首先对troponin I、NT-proBNP、corin等环境因素先取log10转变成为概率分布区，然后再继续造就到多重一维复归里面展开数据分析。（结果笔记不曾在文里面展现）
随后笔记又展开了Cox复归建模数据分析，虽然Cox复归对自codice_的类型没有人特殊的决定，但是为了与多重一维复归里面codice_扩展的前提完全相同，故笔记对于troponin I、NT-proBNP、corin等环境因素依然采行log10转变成后的前提归入建模，结果闻下列于右图。
2、每振荡分开也就是说的类比前提
在始自具体内容《想将连续codice_转变成为弄codice_归入复归建模，咋第三组？》里面，我们详述到若比方说将值得肯定的连续型codice_扩展建模，复归实例被说明为每振荡一个其他部门总体所激起的因codice_的振荡effect，但有时这种振荡effect有可能是很微弱的。
因此，我们可以将连续型自codice_以一个游戏内好的分开间距，采行等距第三组的方式，将其类比为弄codice_，然后再继续扩展到建模里面展开数据分析。这样第三组的理论上在于，数据分析结果在前提上的临床研究应用里面易于病患者解读和应用。
例如我们归入的数据分析群体年龄为31-80岁，我们可以按照年龄每10岁举例来说展开拆分，分别为31-40、41-50、51-60、61-70、71-80总计5个亚组，游戏内4个弄codice_归入建模展开数据分析。
但是如果某一环境因素的生物体全域极大，此时按照上述步骤展开第三组时，就有可能都会被分别为很多亚组，所需游戏内很多个弄codice_归入建模，从而使得建模笨拙“乏味”；又或者值得肯定数据的生物体全域很小，未能再继续展开更小其他部门的第三组，此时就不再继续适合将其转变成为弄codice_的前提。
那么，如果相遇这种情况，不应对连续型codice_展开怎样的管控呢？我们再继续来看一篇JACC学术期刊2016年发列于撰文的一篇撰文[2]。
该数据分析Cox复归结果如下列于右图，我们断定建模里面的多数codice_，笔记都用到到了“per”这样一个词，例如per 5% change、per 0.1 U、per 100 ml/min，等等，这里的“per + 振荡间距 + 其他部门”的前提，列于示的即为我们要详述的，将连续型codice_按照每振荡分开也就是说的前提展开类比。
基本言其里面2个环境因素为例来展开说明。例如Oxygen uptake efficiency slope，在数据分析群体里面的最少总体为1655 U，5%-95%群体的振荡全域为846-2800 U，由此可闻值得肯定数据的振荡全域是极为大的。此时如果造就值得肯定连续型codice_，每提高1U，复归建模的HR最大值有可能就都会很小，未能体现前提上的临床研究涵义；如果类比为弄codice_，又有可能都会被拆分出很多组。
因此，笔记将该codice_以每提高100 U的前提造就到建模里面，赞赏的是Oxygen uptake efficiency slope每提高100 U时，数据分析群体的失踪后果都会下降9%（HR=0.91，95% CI：0.89-0.93）。
再继续例如Peak RER这个环境因素，数据分析群体的最少总体为1.08 U，5%-95%群体的振荡全域为0.91-1.27 U，值得肯定数据振荡又极为小。此时如果造就值得肯定连续型codice_，每提高1U，复归建模的HR最大值有可能就都会极大，而且在临床研究涵义的说明上，由于群体里面的数最大值全域很小，比方说振荡1U的个体情况却是类似于，未能在临床研究几乎病患者里面得到广泛应用。如果类比为弄codice_，有可能也未能再继续展开细分。
因此，笔记将该codice_以每提高0.1 U的前提造就到建模里面，考察的是Peak RER每提高0.1U时，数据分析群体的失踪后果都会下降6%（HR=0.94，95% CI：0.86-1.04），但无数据分析显著性。
解读了这种振荡前提的涵义，那么在前提上的比对里面，如何借助于这种前提的类比呢？却是很简便，假如，如果我们只想把该环境因素由每提高1个其他部门去掉每提高100个其他部门（振荡稍微变大100倍），只所需将该值得肯定codice_除以100代入建模即可；比方说，如果我们只想把该环境因素由每提高1个其他部门去掉每提高0.1个其他部门（振荡稍微缩小10倍），只所需将该值得肯定codice_等于10即可。
3、每振荡一个概率分布区的类比前提
里面我们详述了每振荡分开也就是说的类比前提，例如每振荡0.1、10或100个其他部门，但是我们常常在书本文献时，还都会看到另外一种振荡前提，即自codice_每振荡一个概率分布区（per SD increase）的前提。那么这种振荡前提又是什么从哪里冒出来的呢？
我们再继续来看一篇JACC学术期刊2016年发列于撰文的一篇撰文[3]（好吧，发誓小咖独宠JACC，若有努力争先取做到森森之外沾），Cox复归结果如下列于右图。
我们断定，对于年龄和收缩压，笔记都采行了每提高1个概率分布区的前提归入到复归建模里面，即年龄每提高1个概率分布区，食道粥样硬化性心脏病（ASCVD）的病症后果提高70%（HR=1.70，95% CI：1.32-2.19）；收缩压每提高1个概率分布区，ASCVD的病症后果提高25%（HR=1.25，95% CI：1.05-1.49）。
这里将连续型codice_类比为per SD increase的前提造就建模里面，又有什么特殊的涵义么？
我们都知道，概率分布区是描绘一个codice_的所有检视最大值与之外数的最少离散程度的量化，对于计量其他部门相同的codice_，概率分布区越高，值得肯定数据的离散程度就越高。在临床研究实践里面，我们近似于概率分布区来计算医学量化的全域。
假定测定的量化服从概率分布区，根据概率分布区曲线下覆盖面积可知，之外最大值 ± SD区段内的覆盖面积为68.27%，之外最大值 ± 1.96 SD区段内的覆盖面积为95%，之外最大值 ± 2.58 SD区段内的覆盖面积为99%，也就是说在差不多4个概率分布区的全域内，值得肯定数据已经前提覆盖了95% 的比对。
因此，特别是对于罕有的极为规新量化，每提高1个其他部门时的临床研究涵义却是是很说明的情形，可以将其类比为每提高1个SD的前提归入复归建模里面，由此可以指导病患者根据自身前提上的测量结果，就让自己是处于群体分布区总体的几个概率分布区全域内，进而来后果评估其也就是说的后果都会改变多少。
比方说，借助于这种前提的类比也极为简便，可以通过所列两种方式：
1、在借助于复归建模之前，将值得肯定的连续型codice_展开一个通用管控，再继续将一个通用后的自codice_造就到复归建模里面，所得到的复归系数即为自codice_每提高1个SD时对因codice_的阻碍（肯定这里只对自codice_展开一个通用管控）。
2、如果不曾对值得肯定codice_展开一个通用管控，也可以比方说把值得肯定codice_造就到建模里面，得出不曾标化的复归系数（Unstandardized Coefficients），然后再继续等于该自codice_的概率分布区，此时即为自codice_每提高1个SD时对因codice_的阻碍。
不过细心的同学都会断定，SPSS在类比器不曾标化的复归系数（Unstandardized Coefficients）的同时也都会类比器一个通用复归系数（Standardized Coefficients），那么这个一个通用复归系数又是什么鬼，它与上述不曾标化的复归系数，以及每提高1个SD的复归系数又有什么分野呢，不足之处的撰文里面都会有详述。
参考资料：
[1] J Am Coll Cardiol. 2016 May 3;67(17):2008-14
[2] J Am Coll Cardiol. 2016 Feb 23;67(7):780-9
[3] J Am Coll Cardiol. 2016 May 31;67(21):2480-7
相关新闻
下一页：催生的历史
相关问答
