在文献中看到“对血清脂质和载脂蛋白变量进行分类（四分位数）和连续评估（每个 SD 变化）”，随后得到这样一张表格，请问这是用到了什么统计学方法？如何用SPSS软件实现？
表 2显示血脂、载脂蛋白和糖尿病视网膜病变之间的关联。
研究设计与方法:
这是一项对来自糖尿病诊所的 224 名糖尿病患者（85 名 1 型和 139 名 2 型）进行的横断面研究。糖尿病视网膜病变根据 Airlie House 分类系统从眼底照片分级，分为轻度、中度和威胁视力的糖尿病视网膜病变 (VTDR)。评估了血清传统脂质（总胆固醇、低密度脂蛋白、非高密度脂蛋白和高密度脂蛋白胆固醇和甘油三酯）和载脂蛋白 AI (apoAI)、载脂蛋白 B (apoB) 以及 apoB 与 apoAI 的比率。
统计分析:
使用 Intercooled Stata（Windows 版本 10.1；StataCorp，College Station，TX）进行分析。使用比例χ2检验、t检验或 Mann-Whitney U比较患有和不患有糖尿病视网膜病变的参与者的基线特征测试手段。对血清脂质和载脂蛋白变量进行分类（四分位数）和连续评估（每个 SD 变化）。个体的糖尿病视网膜病变水平是基于更严重的眼睛的糖尿病视网膜病变水平。逻辑回归用于评估血脂和载脂蛋白与糖尿病视网膜病变之间的关联。进行多项和有序逻辑回归模型以评估血清脂质或载脂蛋白与糖尿病视网膜病变严重程度类别（轻度和中度 NPDR 和 VTDR）之间的关联。我们最初调整了年龄和性别（模型 1），此外还调整了糖尿病病程、A1C、SBP、BMI、糖尿病药物的使用、降脂药物的使用和胰岛素的使用（模型 2）。模型中包含的协变量是连续的（根据年龄、SBP 和 BMI 的 SD 变化；每年持续时间；和 A1C 的百分比）或分类。我们构建了模型中包含传统脂质或载脂蛋白的糖尿病视网膜病变患病率模型，并使用接收者操作特征 (ROC) 曲线来比较这些模型的辨别能力。评估了 ROC 曲线下面积 (AUC) 和 AUC 的增量变化百分比与年龄、性别、糖尿病持续时间、A1C 和 SBP 的模型。