Логлинейный анализ, есть ли смысл Опции

[marinakom]

Коллеги, поделитесь опытом, есть ли смысл применять лог-линейный анализ в следующей ситуации:
переменная отклика бинарная: болен - здоров
независимые предикторы: бинарные или порядковые (3-5 градаций), реже номинальные.
Модели логистической регрессии выходят все очень низкодетерминированные, хоть и значимые, R^2 порядка 0,1-0,3. Правда это имеет и некоторое содержательное объяснение: речь идёт о заболеваемости разными группами заболеваний в зависимости от факторов образа жизни (анкетный материал). Часто в литературе рекомендуют применять именно логлинейный анализ для ситуаций, когда все данные качественные, в частности в социологии ( Толстова, Мирзоев). В нашей медицине его (логлин) реально кто-нибудь видел? Как описывать полученное, какими словами и т.п. Как ни крути, а логистическая регрессия в плане описания более удобна и понятна, вот и раздумываю, имеет ли смысл усложнять ситуацию.

[nokh]

Ну вот, раз дела обстоят так, то по части регрессии от меня толку мало , а она все равно кажется мне здесь более уместной. По логлинейному. Модель логлинейного анализа формулируется в логитах, а логит - натуральный логарифм отношения шансов. Поэтому перейти к ОШ просто. Здесь показано как это сделать, кстати по результатам расчетов в SPSS:
http://www2.chass.ncsu.edu/garson/pa765/logit.htm
Там же описан неиерархический вариант анализа с зависимыми категорями, который возможно вам более подойдет, но я им не пользовался. Это вообще хороший ресурс (http://www2.chass.ncsu.edu/garson/pa765/statnote.htm), все четко по полочкам разложено.

Что касается MCA, то действительно он в SPSS не на виду. Эта техника многократно и независимо открывалась и имеет разные названия. В SPSS это - Homogeneity analysis. В деталях он может отличаться от других алгоритмов MCA, но в принципе - то же самое. Он, как и CATPCA находится в модуле Data reduction - Optimal scaling (есть даже в версии 10.0). Там если выбрать что все переменные номинальные - будет Homogeneity analysis, иначе - CATPCA. В последней есть возможность тонкой настройки типа данных и способа дискретизатии. Я обычно для количественных данных выбираю numeric, а в качестве дискретизации - ранжирование. Для номинальных категорий - nominal, а дискретизацию не заполняю (Unspesified). Читал, что для порядковых переменных лучше выбирать Spline ordinal: реальные расстояния между упорядоченными категориями могут быть разными и алгоритм сам как-то это вычисляет, потом можно посмотреть. С практической точки зрения есть сложность с выбором числа компонент (здесь в отличие от классического PCA его нужно четко задать, как в факторном): если много номинальных категорий и/или слабая связь между переменными Scree plot (нужно строить самому) получается без выраженных изломов. Делаю так: (1) сначала задаю все компоненты, т.е. сколько переменных, (2) строю Scree plot и определяюсь с числом компонент, (3) в новом анализе выставляю это число и сохраняю преобразованные переменные (в менюшке Save нужно отметить), (4) в модуле классического PCA задаю то же число компонент и выполняю PCA с варимакс-вращением для преобразованных переменных, (5) в матрице нагрузок выделяю жирным значения более 0,3 и интерпретирую компоненты, (6) сохраняю шкалы, чтобы потом с ними работать или строить biplot средствами более удобных в работе с графикой программ. Схему придумал не сам - вычитал у зарубежных психологов в статье. Эти ухищрения нужны чтобы выполнить вращение, которое улучшает интерпретируемость, но отсутствует в модуле CATPCA. Хоть это и разведочный анализ, результаты обычно не разочаровывают: интересные и логичные интерпретации выходят. Попробуйте!

И последнее. Многие вопросы по SPSS можно задать в сообществе: http://community.livejournal.com/ru_spss/