Logistic 回归：从入门到进阶（之三 结果解读）

欢迎点击↑“医学统计分析精粹”订阅！

上面两节，我们提到了“如何理解Logistic回归”以及“模型选择”，这一部分，我们谈一下Logistic回归的输出，OR值，和结果解读。

我们提一个问题，“你为什么会选择Logistic回归”？

很多人都会回答：因为处理的是“因变量为二分类变量的情形”。

但实际上，Logistic回归如此流行，根源却并不仅仅在于因变量是二分类变量这一点，其实是Logistic回归的产出--OR值，给了Logistic回归如此高大上的江湖地位。

那么什么是OR值呢？这个，恐怕要从RR值说起。

我知道不少人都对公式比较恐惧的，但有时候必须要克服一下，才能够真正理解一个定义的内涵。如下，很简单的：

是的，大概就如您理解的，RR值，就是相对危险度，某个人群发病率是另一个人群发病率的多少倍。例，吸烟者患肺癌的机率是不吸烟者的多少倍。

而OR值却没有这么好解释，。。。怎么办呢？

好在，我们可以得到一个结论，在发病率较小时，OR值与RR值是极为近似的！那我们就可以用OR来模糊代替RR值。

另一点，在Logistic回归结果汇报时，往往会遇到这样一个问题：

是应该汇报OR值，还是β值，还是两个都要汇报？

这个决定权最终当然还是作者您的了，但有一点需要进一步了解：

OR值和β值其实是等价的。如下所示， 又是很简单的公式推导，要不要挑战一下？

如上，便可得到一个结论，OR值和β值其实是等价的！

很多朋友都很关心meta分析的写作，在回顾文献时，如果部分研究只汇报了β值，却没有报告OR值，那这篇文章还能采用吗？当然可以，前面说过，两者其实是等价的，只需要做一个对数转换！

同样，如果你遇到的是生存分析中的HR，跟本文的OR其实是一回事。

下表是一张典型的论文中的Logistic回归结果报告表。

试试能否找到以下几点：

1. 上一次模型选择，我们提到过哑变量，能否在图中找出哪里进行了哑变量处理？
   

2. 红框中的2.105，如何解读？

3. 同一行中，95%CI与P-value有什么特别的关系？

上面题目的答案：

1. The reason for的两行，都是哑变量，两个哑变量，实际上是对应了三个变量（分别为a,b,c）。

2. 2.105，解释成危险因素或者保护因素，方向根据Y的方向设定来确定。大于1，说明Y中赋值大的容易发生。如果0是不患病1是患病，那这个2.105，就是说这个自变量发生，患病的可能性为2.105倍。

3. 如果P小于0.05，那么95%CI上下限全部大于1，或者全部小于1。不会包含1的。
   

添加本微信公众号“biostat”，回复关键词“Logistic回归”，即可查看Logistic回归的系列文章。