Phân tích s liu bng Epi Info 63 Phân tích hi quy c tiêu bài hc Sau khi kt thúc bài hc này, sinh viên có kh nng: 1. Dùng c biu  chm m  biu din mi liên quan gia hai bin nh ng liên tc 2. Trình bày, tính và phiên gii c h s tng quan 3. Xây dng và phiên gii c ng hi qui tuyn tính ca hai bin nh ng 4. Kim nh c ng hi quy là mô t tt nht cho mi liên quan gia hai bin nh lng 5. Phiên gii c các kt qu phân tích s liu bng chng trình Epi Info Gii thiu Trong các chng trc chúng ta ã xem xét n các phng pháp ánh giá mi liên quan gia các bin s khác nhau. Các bin này có th là ri rc hoc liên tc, trong các phân tích ó chúng ta ch  cp n vic các bin này có liên quan n nhau hay không. Chúng ta cha xét n liu s thay i ca bin s này kéo theo s thay i trong bin khác nh th nào. Ví d: cân nng, tui, chiu cao có nh hng th nào n huyt áp ca i tng nghiên cu, hoc có nh hng nh th nào n vic mc hoc không mc bnh. Nhng câu hi nghiên cu nh vy có thc tr li thông qua vic xây dng các mô hình hi quy phù hp vi yu t mà chúng ta quan tâm. Phân tích hi quy rt tin dng trong vic khng nh mi liên h gia mt (hoc nhiu) bin ph thuc vi mt (hoc nhiu) bin c lp. Mc tiêu cui cùng ca phng pháp này là oán hoc c lng giá tr ca bin ph thuc t các giá tr ca mt hay nhiu bin khác. Chúng ta có 2 dng phân tích hi quy c bn, vic s dng phng pháp nào ph thuc vào dng bin ph thuc mà chúng ta quan tâm. Dng i quy tuyn tínhc s dng khi chúng ta có bin ph thuc là bin liên tc và s dng i quy logistics khi bin ph thuc ca chúng ta là bin i rc dng nh phân. Trong bài này chúng tôi s hng dn các bn s dng c phn mm Epi Info  tin hành phân tích hi quy. Gi s khi n t vn ti Trung tâm, các khách hàng tr li mt bng hi v cuc sng a h. Nhng ngi làm nghiên cu cn c vào bng hi ó và ánh giá m cht ng cuc sng cho nhng khách hàng n vi trung tâm. Bin m cht lng cuc ng c ký hiu là Qol trong b s liu vtc1.mdb Phân tích s liu bng Epi Info 64 1. Mô hình hi quy tuyn tính Mô hình hi quy tuyn tính dùng  xem xét mi liên h gia bin liên tc Y gi là bin ph thuc và các bin c lp X i. Chúng ta có th có rt nhiu bin c lp và ây là t mô hình hi quy a bin, tuy nhiêu trong khoá hc này chúng ta ch cp n mô hình hi quy n gin ch liên quan n hai bin X và Y. Khi xây dng mt mô hình hi quy chúng ta phi xem xét n mt s gi thuyt sau: • Giá tr ca bin X là cnh và có mt s lng gii hn các giá tr, u này có ngha là các giá tr ca X c xác nh trc bi nhà nghiên cu và s lng các giá tr ca X là gii hn. ôi khi bin X còn c gi là bin không ngu nhiên (mô hình hi quy vn có th xây ng c vi X là bin ngu nhiên) • Bin X c thu thp không có sai s, hoc sai s rt bé và có th b qua c. • i vi mi giá tr ca bin X thì ta s xác nh c mt tp hp giá tr ca bin Y. i vi quy trình c lng và kim nh thng kê, tp p giá tr ca bin Y s phi có phân b chun. • t c các phng sai ca các tp hp giá tr Y là bng nhau. • t c các giá tr trung bình ca tp hp giá tr Y u nm trên mt ng thng, gi thuyt này c bit n là gi thuyt tuyn tính, và nó có thc biu hin bng x xy βαµ += | trong ó µ y|x là giá tr trung bình ca tp hp các giá tr Y ng vi mt giá tr ca X. α và βc i là các h s hi quy, v mt hình hc các h s này c gi là m ct – hay giao m (intercept) và  dc (slope) ca ng hi quy. • Các giá tr ca Y là c lp vi nhau. Nói mt cách khác i, các giá tr a Y tng ng vi mt giá tr nht nh ca X không ph thuc vào các giá tr khác ca Y da trên mt giá tr khác ca X. Các gi thuyt nói trên có thc tóm tt thành mt phng trình nh sau, phng trình này c gi là mt mô hình hi quy: bxay + = + e trong ó y là mt giá tr t mt trong các tp hp các qun th ca bin Y; a, b là các giá trc nh ngha trong các gi thuyt trên. e là sai s. 1.1Xây dng mô hình hi quy c tiêu ca các nhà nghiên cu là mong mun xây dng mt phng trình hi quy  mô t mi liên h thc gia bin c lp X và bin ph thuc Y.  xác nh phng trình hi quy ca hai bin nh lng, chúng ta có rt nhiu cách tip cn và phng Phân tích s liu bng Epi Info 65 pháp tính toán. Tuy nhiên các bc sau ây có thc s dng  tin hành mt phân tích hi quy mt cách chun tc. 1.2 Các bc tin hành mt phân tích hi quy • ánh giá xem các gi thuyt v mi liên h tng quan tuyn tính trong  s liu  phân tích có tho mãn không. • Xác nh phng trình ng hi quy mô t b s liu ó mt cách chính xác nht • ánh giá phng trình hi quy  xác nh mc  ca mi tng quan và tính áp dng ca nó trong vic doán và c lng. • u các s liu c th hin tt trong mô hình tuyn tính va xây ng, s dng phng trình hi quy  doán và c lng các giá tr. • Khi chúng ta s dng phng trình hi quy  oán chúng ta s d oán các giá tr ca Y khi ta có các giá tr ca X. Khi ta s dng phng trình hi quy c lng, chúng ta c lng giá tr trung bình ca mt tp hp các giá tr ca Y da trên các giá tr ca X.  tìm hiu và thc hành phng pháp phân tích hi quy chúng ta s tho lun mt ví d c th nh sau: 1.3 Biu  chm m c u tiên trong vic ánh giá mi quan h gia hai bin là chúng ta s tin hành v biu  phân tán dng chm m ca các s liu ging nh trong hình di ây. Các m trên  thc xác nh bng cách gán các giá tr ca bin c lp X trên trc hoành ca  th và giá tr ca bin ph thuc Y trên trc tung ca  th. Trong phn này chúng ta s v biu  chm m cho mi tng quan gia bin tui và m cht ng cuc sng. 1. Chn lnh Graph t cây lnh 2. Trong ô Graph type chn loi biu  loi Scatter XY 3. Nhp n3 và qol tng ng vào ô các bin Phân tích s liu bng Epi Info 66 Ngoài ra bn có th nhp các thng s khác nh tên trang và kích OK  thc hin lnh. Biu  v ra c hin lên  mt ca s riêng bit mi. Bn có th chnh sa li các ng ca biu  bng cách s dng menu trên ca su ra. Kt quu ra trong ví d a chúng ta có dng nh sau: . Phân tích s liu bng Epi Info 67 ng phân tán ca các chm m trên  th có th gi ý cho chúng ta c mi quan  t nhiên ca hai bin. Nh chúng ta nhìn thy trên  th các m chm dng nh phân tán xung quanh mt ng thng nào ó. Nu ch nhìn vào  th các chm m chúng ta có th v các ng thng th hin mi liên h gia X (tui) và Y(m cht ng cuc sng), và nu mi ngi v mt ng thng bt k bng mt thng thì khó có th xy ra trng hp hai ngi nào ó v hai ng thng trùng khít lên nhau. Câu hi t ra cho chúng ta là: vy ng thng nào trong các ng thng ó cho phép mô t tt nht v mi liên h gia hai bin X và Y. Chúng ta không th có c câu tr i ch bng cách xem xét các ng thng c v bng tay và mt thng, vì khi tin hành v bng mt thng chúng ta s bnh hng bi nhng gì chúng ta nhìn thy và do ó ng thng mà chúng ta xây dng nên, cha chc ã là mô t tt nht cho mi quan h gia hai bin ó 1.4ng bình phng ti thiu (least-square line) Phng pháp  có c ng thng mô t tt nht mi liên h gia hai bin sc i là phng pháp bình phng ti thiu, và ng thng thu c t phng pháp này c gi là ng bình phng ti thiu. Phng trình ng bình phng ti thiu có thc tính toán t các s liu mu thông qua các phép tính s hc c bn. Tuy nhiên chúng ta có th s dng chng trình Epi Info  tính các h s ca ng i quy. Gi s mô hình hi quy cho bin m cht lng cuc sng và bin tui 1.Chn lnh Linear Regression t cây lnh. Chng trình s m ra mt hp thoi ca nh Linear Regression nh sau: 2. Nhp bin Qol là bin outcome variable và bin n3 vào ô other variable 3. Chn khong tin cy cho h s hi quy là 95%; kích vào ô confidence limit 95%. Phân tích s liu bng Epi Info 68 4. Kích Ok  thc hin lnh Chng trình trong Epi s cho kt qu nh sau: REGRESS qol = n3 PVALUE=95% Previous Procedure Next Procedure Current Dataset Linear Regression  kt qu trên chúng ta có c các h s ca phng trình ng hi quy nh di ây, h s a = 56,986(constant), h s b = 0,254 (tui): y  =56.986+0,254 x tui Phng trình ng thng ch ra cho chúng ta thy rng giá tr a là dng, ng thng  ct trc tung ti m di gc to và giá tr dc b là dng, ng thng s kéo dài t góc di bên trái ca trc to lên góc trên bên phi ca trc to. Và chúng ta thy c mi mt n v tng ca x thì giá tr ca y s tng thêm 0.254 n v. Ký hiu y  biu th giá tr yc tính t công thc ch không phi giá tr y quan sát c. 1.5 H s xác nh R 2 (R square) Chúng ta có thánh giá  mnh ca mi liên quan trong phng trình hi qui thông qua vic so sánh  phân tán ca các m s liu so vi ng hi qui và  phân tán a các m này so vi ng trung bình y (trung bình ca bin Y). Nu chúng ta s ng  th phân tán trong ví d trên và vng thng ct trc tung  giá tr trung bình Variable Coefficient Std Error F-test P-Value n3 0.254 0.134 3.5968 0.058951 CONSTANT 56.986 4.308 174.9680 0.000000 Correlation Coefficient: r^2= 0.01 Source df Sum of Squares Mean Square F-statistic Regression 1 1520.319 1520.319 3.597 Residuals 273 115393.848 422.688 Total 274 116914.167 Phân tích s liu bng Epi Info 69 y và song song vi trc hoành, chúng ta có th thu c mt hình nh v mc  phân tán ca các m  th so vi ng trung bình và ng hi quy. Hình nh th hin trên  th cho thy,  phân tán ca các m  th so vi ng hi quy s nh hn  phân tán so vi ng trung bình. Tuy vy chúng ta cng cha th t lun rng ng hi quy là mt biu din tt nht cho mi liên h gia hai bin, do ó chúng ta s phi s dng mt giá tr khác c gi là  s xác nh (coefficient of determination) R 2 . Trong ví d này thì R 2 = 0,01 Giá tr h s xác nh o lng s phù hp ca mô hình ng hi quy trong vic lý gii các giá tr quan sát ca bin Y. Khi giá tr (y i - y  ) nh, tc là khong cách t giá tr quan sát ti ng hi quy nh thì tng bình phng không c lý gii s nh. u này dn n giá tr tng bình phng c lý gii s ln hn, và do ó R 2 s ln hn. Giá tr R 2 ln nht s bng 1, và kt qu là tt c các m quan sát s nm trên ng thng hi quy. Trong trng hp ng hi quy hoàn toàn không lý gii c s bin thiên ca Y, giá tr R 2 s bng 0. Trong trng hp giá tr R 2 ln, ng hi quy gii thích c phn ln s bin thiên ca giá tr Y, và chúng ta s tin hành xem xét n phng trình ng hi quy. Nu giá tr R 2 nh ngha là ng hi quy này không gii thích c s bin thiên ca các giá tr quan sát Y – hay nói cách khác ng hi qui này không giúp gì trong vic mô t mi liên quan gia hai bin s, và do ó chúng ta có tha ra kt lun rng không th dùng phng trình hi quy này trong vic doán và c lng cho b s liu. Tuy nhiên chúng ta ch có th loi b gi thuyt sau khi ã thông qua các kim nh thng kê. 1.6 ánh giá phng trình hi quy t khi ã xác nh c phng trình hi quy, chúng ta cn phi xem xét, ánh giá xem liu nó có  mô t mi liên h gia hai bin không, và vic dùng nó  doán hoc c lng có hiu qu không. Chúng ta s tin hành kim nh h s hi quy b và chúng ta s có 2 trng hp nh sau: - Khi H 0 : b=0 không b bác b: Nu trong mt qun th, mi liên h gia hai bin X và Y là tuyn tính, giá tr b,  dc ca ng bình phng ti thiu, có th là dng, âm hoc bng không. Nu b bng 0, thì các s liu  qun thó s cho ta mt phng trình ng hi quy không có tác ng hoc ít giá tr trong vic doán hoc c lng kt qu. Hn th a, mc dù chúng ta gi thuyt rng mi quan h gia hai bin X và Y là tuyn tính, nhng trên thc t rt có th mi quan h này là không tuyn tính. Vy nu nh trong kim nh mà gi thuyt H 0 là b bng 0 không b bác b, chúng ta có tha kt lun (ginh rng chúng ta không mc phi sai lm loi II) là mt trong hai tình hung sau: 1) mc dù quan h ca hai bin X và Y là tuyn tính nhng mi quan h này cha  mnh  có Phân tích s liu bng Epi Info 70 th doán hoc c lng c các giá tr Y t các giá tr X; hoc 2) mi quan h gia bin X và Y có th không phi là tuyn tính, mi quan h này có th là mt mi quan ha thc nào ó. - Khi H 0 : b=0 b bác b: Bây gi chúng ta s xét n trng hp chúng ta bác b gi thuyt H 0 là b = 0. Gi s rng chúng ta không mc phi sai lm loi I, chúng ta có th dn n mt trong các kt lun sau: (1) mi liên h tuyn tính gia bin X và Y  mnh và chúng ta có th s dng mô hình i quy  doán hoc c lng giá tr ca Y t bin X; hoc (2) mô hình tuyn tính có th là mt c lng tt cho các s liu này, nhng cng có th còn có các mô hình a thc khác cho phép c lng tt hn. i nhng phân tích nh vy chúng ta thy rng, trc khi s dng mô hình hi quy   oán và c lng các giá tr, chúng ta cn phi tin hành kim nh gi thuyt thng kê H 0 : b=0. Chúng ta có th s dng kim nh F .Trc khi tin hành các kim nh gi thuyt cho giá tr chúng ta s xem xét n vic xác nh  ln ca mi quan  gia hai bin này nh th nào. Trong ví d trên ta có kt qu kim nh mô hình hi quy nh sau: Ho: b=0, S dng kim nh F: F=3,597 và p>0,05 à không bác b gi thuyt Ho. Hay nói mt cách khác chúng ta cha th kt lun c có mt mi quan h gia m cht ng cuc sng và bin tui u này cng phù hp vi kt lun ca chúng ta khi giá tr r 2 nh ( = 0.01) Chúng ta cng có th kim nh h s a, tuy nhiên trên thc t, vic kim nh ý ngha và xác nh khong tin cy i vi giá tr a không c quan tâm nhiu, vì giá tr a ch cho chúng ta bit giao m ca ng hi quy vi trc tung và ây là giá tr khi m a Y mà thôi. u chúng ta quan tâm là giá tr b, giá tr b cho chúng ta bit v mi quan h gia hai bin X và Y nhiu hn. Khi hai bin X và Y có liên h tng quan thì t giá tr b dng s cho chúng ta thy mi quan h tuyn tính thun nu giá tr X tng thì giá tr ca Y s tng . Ngc li, mt giá tr b âm s cho thy mt mi quan h tuyn tính nghch, giá tr ca Y s gim khi X tng và ngc li. Khi không có mi quan h tuyn tính gia hai bin thì giá tr b s bng 0. Khong tin cy cho giá tr b Khi ã xác nh c giá tr ca b là khác 0, chúng ta s xác nh khong tin cy cho giá tr b. Trong bài toán ca chúng ta kim nh b  0 không có ý ngha nên chúng ta không tip tc tính khong tin cy cho giá tr β; Nu bn mun tính khon g tin cy cho giá tr β bn có th dng công thc β+ 1,2896 (S.E) Phân tích s liu bng Epi Info 71 1.7 S dng mô hình hi quy  c lng và doán u các kim nh thng kê cho thy phng trình hi quy  biu din mi liên h gia hai bin quan sát mà ta quan tâm, chúng ta có th s dng phng trình này vào t sng dng thc t. Chúng ta có th s dng phng trình hi quy ó  doán giá tr ca Y t các giá tr ca X cho trc, ngoài ra chúng ta cng có thc lng khong doán cho giá tr Y. Chúng ta cng có th s dng phng trình hi quy  c lng trung bình ca tp p các giá tr Y da trên các giá tr X cho trc, tng t chúng ta cng có thc ng khong doán cho các giá tr trung bình Y. Vì trong ví d ca chúng ta phép kim nh không có ý ngha nên chúng tôi ch gii thiu cho các bn các công thc tính  bn có th áp dng trong các trng hp thc t oán giá tr ca Y khi bit giá tr ca X: Khi các gi thuyt v hi quy c áp ng cho phng trình hi quy,  tính toán giá tr doán Y, ta ch cn thay giá tr X và phng trình và tính toán. Chúng ta có th tính toán khong tin cy (100-α) phn trm cho giá tr Y da trên công thc sau: trong ó x p là mt giá tr bt k ca x mà chúng ta s dng  doán khong tin cy cho giá tr Y, bc t do cho vic tính toán t là (n-2). 2. Hi quy logistics Trong rt nhiu nghiên cu chúng ta s có bin ph thuc là nhng bin ri rc, ví d nh chúng ta quan tâm n s kin ó có xy ra hay không, i tng có b bnh hay không b bnh, t vong hay không b t vong. Và tt c nhng bin s nh vy là nhng bin ri rc dng nh phân, chúng ta cng có nhng bin khác dng nh danh hoc th c trong ó các giá tr ca bin này có nhiu hn 2 loi và trong phm vi khoá hc này chúng ta cha xem xét n các phân tích hi quy cho nhng dng s liu ó. Chúng ta ch quan tâm n phng pháp phân tích hi quy logistic cho bin nh phân. Dng bin  này thng c mã hoá di dng 0 và 1, tng ng vi vic có hoc không xy ra s kin. Chúng ta s dng d liu Oswego vào dng bài tp này. Chúng ta quan tâm n bin là t ngi có b bnh hay không b bnh nu trong ba n ó ngi ó có n kem Vanilla. Chúng ta cng có th a ra mt câu hi "Ti sao không dùng phng pháp bình phng ti thiu  phân tích hi quy cho câu hi này”. ây là mt câu hi mà rt nhiu ngi ã t ra, tuy nhiên lý do chúng ta không th dùng là nh sau: Nh li chúng ta có phng trình ng thng hi quy nh trên Y = a + bX Trong ó: Phân tích s liu bng Epi Info 72 - Y là bin ph thuc và trong trng hp bin benh thì nó s có giá tr, =1 nu có bnh, =0 nu không có, - a là hng s, - b là h s hi quy ca bin c lp, - X là bin c lp - e là sai s u s dng cách phân tích theo phng trình bình phng ti thiu chúng ta s b mc t s sai lm sau : - Giá tr sai s s b sai lnh, u này xy ra do phng sai ca bin c lp khác vi phng sai ca bin ph thuc: var(e)= p(1-p), trong ó p là xác sut  xut hin s kin =1. - e không có phân b chun vì p ch có mi 2 giá tr. Do ó gi thit i quy không t c - Giá tr doán nu s dng hi quy tuyn tính có th cho chúng ta các giá tr ln hn 1 hoc nh hn 0 và u này là sai vì bin ph thuc ca chúng ta ch có th nhn mt trong hai giá tr là 0 và 1. 2.1 Mô hình hi quy logistics Mô hình hi quy logistics nh di ây s giúp cho chúng ta khc phc nhng sai m trên, phng trình ca mô hình hi quy logistics c vit nh sau: ebXa p p ++=       −1 ln hoc ]exp[ 1 ebXa p p ++= − trong ó - ln là logarit t nhiên, log exp, i exp=2,71828… - p là xác sut  s kin Y xy ra, P(Y=1) - p/(1-p) là giá tr t sut chênh "odds ratio" - ln[p/(1-p)] là giá tr log ca odds ratio - các thành phn khác ca mô hình thì cng ging nh mô hình hi quy tuyn tính. Mô hình hi quy logistics thc cht là mt bin i ca mô hình hi quy tuyn tính. Nó cho phép chúng ta c lng xác sut nm trong khong giá tr [0,1]. Ví d, chúng ta có thc lng xác sut ]exp[1 ]exp[ bXa bXa p ++ + = hoc ]exp[1 1 bXa p −−+ = i mô hình này, nu chúng ta  a + bX =0, thì p = 0,5 u a + bX càng ln thì p s dn ti 1 [...]... sau 73 Phân tích s li u b ng Epi Info LOGISTIC ILL = SEX VANILLA Next Procedure Unconditional Logistic Regression Term SEX (M/F) VANILLA (Yes/No) CONSTANT Odds Ratio 95% C.I 0. 265 7 0.0729 Coefficient S E ZStatistic PValue 0. 968 3 -1 .3253 0 .65 97 -2 .0089 0.04 46 32.4 765 7.04 46 149.7213 3.4805 0.7797 4. 463 7 0.0000 -1 .4254 0 .64 59 -2 .2 069 0.0273 * Convergence: * * Converged Iterations: 6 Final -2 *Log-Likelihood:... Mann-Whitney) l ch chu n, TB: trung bình, TV: Trung v , K : Ki m nh 77 c tính Phân tích s li u b ng Epi Info CH N KI M NH THÍCH H P Bi n u ra là BI N PHÂN LO I Có bao nhiêu phân nhóm trong bi n u ra 2 o các bi n Phân lo i – 2 3+ c so sánh nh th nào Phân lo i – Liên t c o c a các bi n so sánh nh th nào? Liên t c ho c ho c kho ng kho ng – nhóm tr – phân b chu n trong m t không ph i là lên phân nhóm Phân. .. 2 phân Phân lo i – trong các phân s kappa v tính phù h p và sai s chu n u ra 78 nhóm c a bi n u ra TV & kho ng % a bi n liên c trong các phân nhóm c a bi n u ra s kappa v tính phù h p và sai s chu n Phân tích s li u b ng Epi Info Các ki m Ki m nh χ2 Ki m nh χ2 nh th ng K t không ghép c p Ki m nh Ki m Mann-Whitney nh Ki m nh χ2 Ki m nh χ2 McNemar kê ph ng sai Kruskal-Wallis ANOVA (ANOVA) ho c ki m Phân. .. Có, d N6C2 Checkbox Missing or 1 N6C3 Checkbox Missing or 1 4 – Có, không nh n k t qu N6C4 Checkbox Missing or 1 88 – Khác (b m t, v.v) N6C88 Checkbox Missing or 1 ng tính 3 – Có, không xác 6a nh N U CÓ, NGÀY XÉT NGHI M? Ngày mà khách hàng làm xét nghi m n u câu tr l i là có FIELD NAME 6b VALUE N6DATE u có, ngày? FIELD TYPE Date MM-DD-YYYY N I XÉT NGHI M? FIELD NAME i xét nghi m HIV 7 FIELD TYPE N6PLACE... Bi n u ra khác bi t Bi n u ra Bi n u ra Hai bi n này quan h tuy n tuân theo phân tuân theo phân tuân theo tuân theo phân có quan h tính ph i chu n ph i chu n phân ph i ph i chu n và tuy n tính chu n và ph 76 sai ng ph ng sai ng nh t ng nh t Không Không Các ph ng sai là ng nh t Các ph ng sai là ng nh t Phân tích s li u b ng Epi Info a) ây không ph i là nhóm mà ch là m t bi n b) ây không ph i là bi n c... trong m t không ph i là lên phân nhóm Phân lo i l p l i nv phân lo i – phân b 3 phân nhóm 3 phân Liên t c ho c kho ng nh ng kho ng - nhóm tr có phân ph i không có chu n phân ph i chu n Các th ng kê c b n % ho c ORa % ho c OR TB & LC a các bi n TV và kho ng % phù h p, a các bi n các phân nhóm u ra % % TB & LC c a bi n liên t c liên t c trong các phân a bi n Các lo i c p l i trong t nv quan sát chu n liên.. .Phân tích s li u b ng Epi Info u a + bX càng nh thì p s d n t i 0 y=1 i quy tuy n tính i quy logistics y=0 x Trên ây là hình nh so sánh 2 mô hình h i quy Chúng ta th c hi n phân tích h i quy trong Epi Info nh sau: 1 Ch n l nh Logictic regression t cây l nh Ch nh sau: ng trình s hi n th m t h p tho i... Ã S D NG TR C Ó Trong vòng 7 ngày qua: FIELD NAME l n dùng d ng c tiêm chích ã d ng tr 16a FIELD TYPE VALUE N 16 Number 000 - 999 c ó KHÔNG TR L I FIELD NAME 17 VALUE N16REFUSED Không tr l i FIELD TYPE Checkbox Missing or 1 KHÁCH HÀNG CÓ TRIE E CH NG STD N O TRONG 3 THÁNG QUA KHÔNG? 88 Phân tích s li u b ng Epi Info Câu tr l i là n l a ch n: FIELD NAME VALUE 0 – Không N17C0 Checkbox Missing or 1 1 –... N24OTHER th 91 FIELD TYPE Text VALUE Phân tích s li u b ng Epi Info 25 KHÁCH HÀNG CÓ LÀM XÉT NGHI M KHÔNG? Câu tr l i là n l a ch n FIELD NAME VALUE 0 – Không N25C0 Checkbox Missing or 1 1 – Có 26 FIELD TYPE N25C1 Checkbox Missing or 1 U C XÉT NGHI M, KHÁCH HÀNG CÓ QUAY L I NH N K T QU KHÔNG? FIELD NAME VALUE 0 – Không N26C0 Checkbox Missing or 1 1 – Có 26a FIELD TYPE N26C1 Checkbox Missing or 1 N U CÓ,... or 1 N10CP6 Checkbox Missing or 1 N10CP7 Checkbox Missing or 1 N10CP88 Checkbox Missing or 1 i nhi m HIV 3 – B n tình tiêm chích ma túy (TCMT) 4 – B n tình là mãi dâm (nam ho c ) 5 – B n tình có tình d c ng gi i nam 6 – B n tình có tình d c v i m i dâm 7 – B n tình có tình d c v i nhi u ng i khác (không vì ti n hay ma túy) 88 – Nguy c khác c a b n tình (nêu th ) 86 Phân tích s li u b ng Epi Info 10c . E. Z- Statistic P- Value SEX (M/F) 0. 265 7 0.0729 0. 968 3 -1 .3253 0 .65 97 -2 .0089 0.04 46 VANILLA (Yes/No) 32.4 765 7.04 46 149.7213 3.4805 0.7797 4. 463 7 0.0000 CONSTANT * * * -1 .4254 0 .64 59 -2 .2 069 . 3.597 Residuals 273 115393.848 422 .68 8 Total 274 1 169 14. 167 Phân tích s liu bng Epi Info 69 y và song song vi trc hoành, chúng ta có th thu c mt hình nh v mc  phân tán ca các m  th. phng Phân tích s liu bng Epi Info 65 pháp tính toán. Tuy nhiên các bc sau ây có thc s dng  tin hành mt phân tích hi quy mt cách chun tc. 1.2 Các bc tin hành mt phân tích