9、医学统计中的逻辑回归与生存分析

医学统计中的逻辑回归与生存分析

1. 逻辑回归相关内容

1.1 逻辑回归的替代方法

近年来，像机器学习这样的计算机密集型方法发展起来，表面上能完成与逻辑回归相同的工作。不过，在理解机器学习之前，需要对逻辑回归有良好的基础。而且，机器学习擅长预测，但无法解释预测结果是如何产生的。

1.2 报告逻辑回归结果的要点

• 总结逻辑回归，包括分析中的观察数量、解释变量的系数及其标准误（SE）、优势比（OR）、OR 的 95% 置信区间（CI）和 p 值。
• 若预测变量是连续的，对其进行缩放有助于解释。例如，考虑每十年死亡风险的增加比每年的增加更容易理解，因为后者更接近 1。
• 明确所引用的 p 值类型（如似然比检验 LR 或 Wald 检验）。
• 确认逻辑回归的假设是否满足，特别是事件的独立性和关系的对数线性合理性。如果是匹配设计，确保使用适当的方法，如条件逻辑回归。
• 报告进行的任何敏感性分析。
• 说明分析中使用的统计软件包，因为不同软件包对常用术语的定义可能不同。
• 指明是否对解释变量进行了交互作用检验。
• 报告潜在风险，以便评估涉及的绝对风险。

1.3 阅读逻辑回归结果的注意事项

• 逻辑回归是否合适？结果是否为简单的二元变量？如果结果与时间相关，生存分析可能更合适。
• 结果常被描述为“相对风险（RRs）”，但更准确的描述应为“近似 RRs”或“ORs”。需注意，对于 OR，非显著结果对应的 95% CI