基于分類樹與Logistics回歸的影響因素分析

劉雁

摘要：本文以桂林市雁山區(qū)524名居民為研究對象，運用CHAID分類樹模型和Logistics逐步回歸方法比較和分析影響居民健康素養(yǎng)的重要因素。研究表明，兩種模型在分析影響因素時均取得一致結(jié)果，同時二者各有優(yōu)勢。

關鍵詞：分類樹;Logistics回歸;健康素養(yǎng);影響因素

1 數(shù)據(jù)來源

數(shù)據(jù)來源于雁山區(qū)衛(wèi)生和計劃生育局的當?shù)鼗鶎有l(wèi)生人員對雁山區(qū)居民的實地抽樣調(diào)查，所得數(shù)據(jù)僅用于統(tǒng)計分析，問卷采用國家衛(wèi)生計生委統(tǒng)一編制的2018年全國居民健康素養(yǎng)監(jiān)測調(diào)查問卷，根據(jù)雁山區(qū)的實際情況及研究內(nèi)容做適當刪改。

2 基本情況

調(diào)查對象為桂林市雁山區(qū)15—69歲的居民，共發(fā)放問卷540份，回收有效問卷524份，有效率97.04%。在調(diào)查的性別成分中，男性272名，占51.9%，女性252名，占48.1%，男女的性別比例為 1.08：1。在年齡構(gòu)成中，調(diào)查對象的年齡范圍在15～69歲，年齡分布以[55，69]歲組最多，占26.7%，其次為[45，54]歲組，為21.6%，最少為[25，34]歲組，占13.2%。在婚姻情況下，大多數(shù)已婚人士，其次是未婚，占24.2%，其余的小部分是分居，離婚或喪偶狀態(tài)。教育比例最大的是初中水平，占42.4%，其次是小學，占25.4%。大專/本科僅占2.5%。在職業(yè)構(gòu)成上，大多數(shù)調(diào)查對象以務農(nóng)為主，占比為72.9%;其次是學生組，占16.4%，而企事業(yè)單位等其他職業(yè)占比很小。在鄉(xiāng)鎮(zhèn)劃分上，三個鄉(xiāng)鎮(zhèn)的構(gòu)成比接近1：1：1。

3 討論

關于性別，年齡段，婚姻狀況，教育水平，職業(yè)，鄉(xiāng)鎮(zhèn)劃分等因素進行統(tǒng)計學分析，發(fā)現(xiàn)只有年齡段、婚姻狀況、文化程度以及鄉(xiāng)鎮(zhèn)劃分與是否具備健康素養(yǎng)之間存在相關關系，且各因素之間的相關程度較低。因此，根據(jù)不同特征下的總體健康素養(yǎng)特點，將相關分析中具有顯著相關的變量作為解釋變量放入模型中，是否具備健康素養(yǎng)作為被解釋變量。每個變量的賦值如表1所示。

采用CHAID分類樹模型對數(shù)據(jù)進行分析，以尋找居民健康素養(yǎng)較高人群和顯著影響因素，因變量是整體健康素養(yǎng)水平，自變量是年齡組、婚姻情況、教育水平和鄉(xiāng)鎮(zhèn)分布。父節(jié)點的默認數(shù)量為100，子節(jié)點數(shù)為50，最大樹深度為3，拆分節(jié)點和合并類別的顯著性水平α=0.05，卡方檢驗選擇Pearson卡方。健康素養(yǎng)水平按照影響因素貢獻大小依次差分，第一層的貢獻度最大，逐層減少。若在某節(jié)點不存在統(tǒng)計學差異的拆分，則停止分層。結(jié)果見圖1。

由圖1可知，最終生成的分類樹有2個父節(jié)點，3個子節(jié)點（終端節(jié)點），樹深度為2。影響雁山區(qū)居民健康素養(yǎng)的兩個重要因素分別為文化水平和鄉(xiāng)鎮(zhèn)。圖中第一級是文化程度，表明受教育程度對居民健康素養(yǎng)的貢獻度最大。這一層中，高中至本科學歷的健康素養(yǎng)水平高于初中以下學歷的健康素養(yǎng)水平，說明教育水平越高，越具備健康素養(yǎng)。對于初中及以下學歷，第二層為鄉(xiāng)鎮(zhèn)劃分，雁山鎮(zhèn)具備健康素養(yǎng)的比例比柘木和草坪鎮(zhèn)的要好。

表2的Logistic回歸分析的結(jié)果表明，模型中顯著性水平α<0.05的自變量為文化水平和鄉(xiāng)鎮(zhèn)劃分。受教育程度以及居住地理位置對整體健康素養(yǎng)水平產(chǎn)生重要影響。健康素養(yǎng)總體水平隨著學歷的上升而不斷提高，偏遠地區(qū)的農(nóng)村地區(qū)的健康素養(yǎng)水平相對較低。

采用逐步尋優(yōu)剔除變量，分別剔除了年齡段和婚姻情況，最終構(gòu)建的模型包含的變量為常量，文化程度和鄉(xiāng)鎮(zhèn)劃分。詳見表3。

Logistics回歸模型為：

ROC曲線可以直觀的比較二者模型的優(yōu)缺點?！?-特異度”與“敏感度”分別代表橫縱軸。模型的合適度與否可以根據(jù)曲線下面積的大小作為判斷標準。ROC曲線下的面積（縮寫為AUC）介于0.5和1.0之間，當AUC>0.5時，AUC越接近1，說明診斷效果越好[9] 。如圖2所示，Logistics回歸和分類樹的預測曲線遠離參考線。由表4知，其AUC均大于0.77，表明模型具有一定的準確性。

CHAID分類樹模型在樹圖形上能夠分析總體健康素養(yǎng)水平的各個影響因素，還能顯示出變量間的交互作用關系，具有直觀、簡潔、明了的表現(xiàn)形式。作為非參數(shù)方法，其邏輯性很強，輸出結(jié)果明確，適用范圍較廣泛。作為參數(shù)方法的Logistics回歸可以得到一個回歸方程，用于預測新加入的數(shù)據(jù)健康素養(yǎng)具備率，相較于分類樹模型，更容易操作。在分析影響因素上，兩種模型都算得上比較好的分析方法，二者結(jié)合可以取長補短，發(fā)揮各自的優(yōu)勢。

4 結(jié)論

結(jié)果顯示，影響雁山區(qū)居民健康素養(yǎng)的兩大重要因素是教育水平和鄉(xiāng)鎮(zhèn)分布。許多研究表明[2] [3] ，高學歷的人群更樂于主動去獲取健康知識，從而對不利于健康的行為做出規(guī)避。政府部門應加強居民文化教育，尤其是相對落后的貧困地區(qū)的居民的文化教育。同時，還應對不同教育水平的人采取不同的干預活動，開展健康促進，努力提高個人健康素養(yǎng)。

參考文獻：

[1] 楊宏輝，朱利杰，高傳玉.分類樹模型與logistic回歸在高血壓危險因素預測中的應用分析[J].中國衛(wèi)生標準管理，2017，8（24）：7-10.

[2] 單詩洋.2014年遼寧省居民健康素養(yǎng)調(diào)查分析[D].吉林大學，2017.

[3] 胡鴻寶，茍莉莉，石呈，黃芩，黃永康，李金山.2016年南京市居民健康素養(yǎng)調(diào)查結(jié)果[J].職業(yè)與健康，2017，33（22）：3070-3073+3077.

（作者單位：廣西師范大學數(shù)學與統(tǒng)計學院）