10.4.2.1 简单三步法
SAS程序：
proc logistic data＝exe 10＿4 descending；
class race pedu gender urban growup BEST；
modelZB＝race pedu gender urban growup BEST；
run；
使用proc logistic语句用来分析抑郁（二分类因变量）的影响因素，用descending输出因变量取值由大到小的概率，通过class来定义分类变量。
SAS结果：
图10-23 β系数估计值
图10-24 OR估计值（95% CI）
SAS结果解释：
图10-23和图10-24结果表明，在控制其他协变量之后，女大学生抑郁发生率高于男大学生（β＝0.3554，OR＝2.036，p＜0.001），与高风险组相比，暴力组（β＝－0.3603，OR＝0.313，p＝0.033）和低风险组（β＝－0.439，OR＝0.290，p＝0.002）中的大学生抑郁症状发生率较低。
10.4.2.2 BCH法
SAS程序：
pro lca data＝exe 10＿4 outparam＝Binary＿param outpost＝Binary＿post；
id ID；
nclass 3；
items ACE1－ACE13；
categories 2 2 2 2 2 2 2 2 2 2 2 2 2；
seed 941622；
RHO prior＝1；
nstarts 20；
maxiter 5000；
criterion 0.000001；
run；
%LCA＿Distal＿BCH(input＿data＝a，
param＝Binary＿param，
post＝Binary＿post，
id＝ID，
distal＝ZB，
metric＝binary)；
SAS结果：
图10-25 莫代尔加权的BCH估计的抑郁发生率（95%CI）(www.xing528.com)
图10-26 Wald卡方检验
SAS结果解释：
图10-25和图10-26展示了莫代尔加权的BCH估计的抑郁发生率（95%CI）及Wald卡方检验结果。与高风险组相比，低风险组和暴力组大学生抑郁症状发生率较低。
10.4.2.3 LTB法
SAS程序：
%INCLUDE
"C:＼Users＼Administrator＼Desktop＼LCA＼SAS＼LCA＿Distal＿LTB＿v110-1-spex7u＼LCA＿Distal＿LTB＿v110.sas"；
pro lca data＝exe 10＿4 outparam＝Binary＿param outcovb＝binary＿covb；
id ID；
nclass 3；
items ACE1－ACE13；
categories 2 2 2 2 2 2 2 2 2 2 2 2 2；
covariates ZB；
seed 941622；
RHO prior＝1；
nstarts 20；
maxiter 5000；
criterion 0.000001；
run；
%LCA＿Distal＿LTB(input＿data＝a，
param＝Binary＿param，
distal＝ZB，
metric＝1，
covariance＿beta＝Binary＿covb，
output＿data set＿name＝Binary＿res)；
SAS结果：
图10-27 β系数估计值
图10-28 OR估计值（95% CI）
图10-29 β系数的p值
SAS结果解释：
图10-27、图10-28和图10-29分别展示了β系数估计值（标准误）、OR值（95% CI）及p值。与低风险组相比，高风险组的大学生抑郁症状发生率更高，差异具有统计学意义。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
