风锐统计——让数据像风一样自由！（九）——回归分析

对纳入的人群进行基线资料特征描述之后，我们接下来展示文章的核心结果，如回归分析，在进行这部分之前，我们先思考几个问题。例如单因素回归分析和多因素回归分析的作用，医学常用的回归分析方法有哪些？不同的数据类型如何选择回归分析方法？回归分析的结果如何解读？我将常用的知识点总结如下：

了解了常用的回归分析类型及结果解读方法，我们还是用之前提到过的示例数据动手实操吧。如何创建项目及读取数据请移步风锐统计专栏。

• 软件实操之模块2——数据分析

1. 回归分析

        （1）单因素回归分析

                a) 线性回归分析

打开风锐统计软件，选择统计分析模块（蓝色直方图标识），点击2线性回归分析。我们就可以进行线性回归分析的单因素、多因素、亚组分析及观点分析。

假设以空腹血糖作为研究的结局变量，我需要知道哪些变量会影响空腹血糖，此时进行单因素回归分析即可。操作如下：

单因素回归分析结果显示，除了LDL外，其余变量均和空腹血糖相关，其中，性别和种族中，与参照组相比，其他组与结局呈负相关，而剩余变量都是成正相关关系，具体结果解读如下：

                b) 多因素回归分析

单因素回归分析中P<0.05的变量便是与空腹血糖密切相关的变量，我们想研究BMI与Glucose的关联，可以将这些变量作为协变量进行模型调整，即可进行多因素回归分析。当然，协变量筛查还有很多别的方法，我在前面的知识点中简略介绍过，就不在此一一赘述。

得出了多因素回归分析的结果，该如何解读呢？且看下图：

在此需要强调的一点是，高级选项中森林图等的绘制默认为F，其中Plot.type指绘制回归森林图上值类型选项，est（回归效应值）/pred（预测值）/std（标准化回归系数）/resid（回归残差）。以est类型绘制出来的森林图如下：

根据右侧的森林图，我们可以看到，回归分析的结果2部分（蓝框）即绘制森林图原始数据来源。

绘制的森林图还有其他类型可选，大家可以自行下载软件实操一下。

                c) 线性亚组分析

根据以上回归分析的结果，我们可以看出，在调整了相关混杂因素后，BMI与Glucose独立相关。但是这个结果是在全人群中，在不同年龄段，不同性别等亚组中二者的关联是否仍然存在呢？这就需要进行亚组分析去验证了，在风锐统计中，亚组分析操作起来也很简单，请看下图：

从这个结果中，我们可以看到，不同年龄、性别亚组中，BMI和Glucose的关联没有交互作用，而高血压亚组中交互作用P<0.05，也就是说在高血压患者中，BMI 与 Glucose 的关联强度（或方向）显著不同于非高血压人群，BMI 对血糖的正向影响主要在非高血压个体中表现出来，在高血压患者（hypertension=1），β=0.02，且 95%CI 跨越 0（−0.21–0.25），提示 BMI 与血糖之间没有统计学关联。（分析所有数据只是示例数据，并不代表真实临床情况）

通过回归分析，我们发现的BMI与Glucose独立相关，并量化了这个独立作用的大小。

        （2）Logistic回归分析

现在，假设我们要研究的是BMI与糖尿病之间的关系，研究结局变成了二分类变量（有/无糖尿病，那么就需要使用逻辑回归分析。分析方法与线性回归类似，风锐实操如图：

                a) Logistic单因素回归分析

                b) Logistic多因素回归分析

先进行单因素分析，发现仅有年龄、收缩压、甘油三酯和高血压与糖尿病正向相关。接下来进行多因素回归分析：

从多因素回归分析结果可以看到，校正混杂因素年龄、收缩压、甘油三酯和高血压前后，BMI 与糖尿病风险之间均未观察到统计学关联；高BMI与低BMI组相比，糖尿病风险降低15%（调整后OR: 0.85，95% CI: 0.33~2.18），但无统计学意义（P=0.731）。（示例数据结局事件数低，结果统计效能有限，大家只需要如何操作即可）

                c) Logistic亚组分析

接下来同样是亚组分析：

与线性回归结果类型，年龄和性别亚组中，我们没有发现BMI与糖尿病的关联存在显著统计学差异，但在高血压亚组中，可以看到，存在交互作用，无高血压时，BMI每增加1kg/m2，糖尿病风险降低3%，有高血压时，该风险升高13%，但是两者置信区间都跨1，代表无统计学意义。（此为示例数据，高血压亚组结局事件数较少，结果解读需谨慎）

（3）Cox回归分析

讲了线性和逻辑回归分析，再日常工作中，我们还会碰到一种情况就是，我们想研究经过一段时间后，基线的BMI和随访终点死亡与否之间的关联，像这种引入了时间变量的数据，我们一般用Cox回归分析，在风锐统计中，普通的Cox回归分析与线性和逻辑回归分析操作意义，结果解读也与逻辑回归类似，我们进入风锐统计模块，选择生存资料分析即可：

                a) Cox单因素回归分析

                b) Cox多因素回归分析

                c) Cox亚组分析

今天通过探讨BMI与空腹血糖、糖尿病和死亡之间的关系，为大家讲述了医学常用的回归分析的方法，并使用风锐统计实操了一下如何根据不同数据类型选择不同回归方法去得到我们需要的结果，当然，回归分析远不止这些类型，而数据也不仅是连续和分类变量这么简单，接下来我们将继续深入挖掘风锐统计软件的其他功能，感兴趣的小伙伴可以下载实操一下。如果大家忘记了基本功能模块，也可以翻看本专栏既往文章，欢迎一起学习交流。

风锐全家桶最新版-风锐统计2.3 Beta+风锐AI写作2.0+风锐浏览器2.0下载地址：

临床科学家http://www.clinicalscientists.cn/freestatistics