[转载]二元Logistic回归中自变量的处理和解读（一）

来源：临床流行病学和循证医学

二元Logistic回归常用与解决结局是二分类变量的问题，我们在33期和51期介绍了他的基本概念和SPSS实现办法。在实际进行Logistic回归的过程中，我们还会遇到很多现实问题，尤其是在自变量的处理上经常拿不准。比如自变量是否一定是二分类变量？多分类变量作为自变量如何处理？连续变量是否可以当做自变量？多分类变量和连续变量做自变量的时候，结果OR值如何解读等等。接下来几期我们就对此进行简单说明。

无序多分类变量作为自变量的设置

所谓的无序多分类变量，通常是指变量有多种情况，但各种情况的赋值间不存在大小上的差异。比如用数值代表患者的居住地（1=北京，2=上海，3=广州，4=成都……）。此时数值的大小并没有实际意义，因此我们需要用到前面介绍过的哑变量的概念。在SPSS中，并不用手动生成哑变量，而只是简单的在Logistic回归的“分类”选项中进行设置就好了。

举个例子：我们希望探讨教育程度、家庭收入、居住地这三个因素（自变量）是否与患者脱落（因变量）之间存在关系。在建立Logistic回归模型分析的时候，我们会这样引入变量：

其中“地址”变量是无序多分类变量。我们要通过上面对话框右上角的“分类”选项将其转换为哑变量。

如图所示，将地址变量选中，之后通过中间的方向符号丢到右边“分类协变量”区域。下面“更改对比”框中的“对比(N):”可以选择“指示符”或是“简单”，参考类别选择任意一个皆可。点击继续，地址变量就已经成功被标记为按哑变量处理了。这一步骤对于无需多分类变量可以说是必须选项，否则SPSS会认为我们的数据的数值之间存在大小的差异，比如2比1大1个单位，4比1大3个单位……导致出现错误的分析结果。

同样别忘了在选项中选择输出OR值的可信区间，如下图：

变量筛选方法我们选择向后的方法（图1）。

结果解读

http://ww4/large/bb0a5d34jw1es16svqjsvj20k202uaa6.jpg 从Hosmer-Lemeshow检验看，模型的拟合还是不错的，p＞0.1。

再看模型中的变量：

结果的解读我们就不多说了，详细解读可参照第33期（回复33）。我们看到“地址”对应的一系列哑变量中，参照组是没有参数估计和OR值（Exp（B））的。原因很简单，参照嘛，本身就是被别人比的，OR自然也应该是1。其实在Logistic回归中，我们可以吧参照组想象为其他哑变量（地址1~3）的共用“0”。

也正因此，地址（1）~地址（3）的OR值，其意义也是：当患者来源于“地址（1）”时，其脱落的风险是患者来源于“地址”（此处为参照项）时的OR倍。

实用循证医学

实用循证医学秉承“合作、分享”的理念，充分发挥系统评价方面的资源优势，分享循证医学理念和系统评价知识，为您提供专业的系统评价培训和咨询服务！

微信号：EBMSRS