12.3.2 Multippel regresjon. Eksempel: lowbwt.sav

Nå har vi gjort alle de enkle logistiske analysene som vi må for å kunne vurdere effekten i forhold til den avhengige variabelen BWT. Ikke alle effektene var statistisk signifikante, men alle p-verdiene var < 0.20. I henhold til punkt 2 i oversikten i innledningen til dette kapittelet tar med alle variablene inn i en multippel logistisk regresjonsanalyse.

Da går vi igjen til Analyze/Regression/Binary Logistic. Vi trekker nå over LWTKG, AGE, SMOKE, RACE, HT, PTLD og FTVD over i Covariates. Merk at RACE nå er tatt inn som en kategorisk variabel, som vises ved RACE(CAT).

Da ser dialogboksen vår slik ut:

Når vi klikker på OK, får vi følgende resultat.

Når vi går til neste tabell ser vi AGE, RACE og FTVD ikke er statistisk signifikante. AGE har en p-verdi på 0.298, RACE en p-verdi på 0.060 og FTVD på 0.764. Etter regelen i punkt 3 skal vi nå ta ut begge disse variablene. Men vi har bestemt oss for at AGE er så viktig at vi lar den være med i den videre analysen. Men vi tar nå ut RACE og FTVD av listen i Covariates. Når vi klikker på OK får vi følgende resultat:

Vi ser at SMOKE nå er ikke-signifikant (p = 0.118). Men røyking er en viktig forklaringsvariabel og vi beholder den inne i modellen. Da er alle alle variablene (med unntak også av AGE som vi også vil ha med) statistisk signifikante.

Effekten av hver forklaringsvariabel må nå tolkes som effekten av den forklaringsvariabelen når vi kontrollerer for (dvs. tar bort) effekten av de andre forklaringsvariablen. Altså er effekten av røyking (SMOKE) at oddsen for å føde et lite barn øker med en faktor på 1.644 (p = 0.118, 95% KI = (0.833, 3.243)) når vi kontrollerer for effekten av alle de andre forklaringsvariablene.

Tilsvarende er effekten av mors vekt at en vektøknig på 1 kg for mor, betyr at oddsen for at mor skal få et barn med lav fødselsvekt redusert med ca. 3% (p = 0.027, 95% KI = (0.939, 0.996). Slik kan vi forklare alle variablene som nå har vist seg å være viktige for forklaringen av fødselsvekt.