临床研究中常见回归分析的异同点及适用条件

医学科研与管理空间 2022-04-25 15:30

中华儿科杂志, 2022,60(4) 石岩岩, 张华, 刘家玮, 等.

临床研究的结局往往与多个因素相关，因此在统计分析中，经常会用到多因素分析的方法。常见的回归分析方法有多重线性回归、Logistic回归、Cox回归以及Poisson回归。本文将对不同回归分析方法的适用场景进行简要介绍，以帮助临床研究者正确选择回归分析方法。

1.共同点：它们都属于多因素分析，目的都在于探讨多个自变量与因变量的关系，对于自变量的要求基本是一致的，即自变量可以为1个或多个，可以为连续变量、等级变量和分类变量，其中分类变量需转换为哑变量进行处理，等级变量按连续变量或哑变量进行处理，都需要进行共线性检查。

2.区别：（1）多重线性回归：用于分析连续性因变量数值随自变量变化而变化的线性趋势；强调因变量为连续变量，如研究出生儿体重（连续变量）的影响因素。应用多重线性回归分析时，要求数据满足的条件为各自变量和因变量之间均呈线性关联趋势，要求所有的自变量的值均能被准确测量，对自变量没有具体的分布限定，但要求残差为正态分布。为了保证参数估计值的稳定性，需注意模型对样本量的要求，有研究者认为样本量应为纳入模型的自变量数的20倍以上。（2）Logistic回归：用于分析分类变量（或等级变量）和影响因素之间的关系，由于因变量非连续变量，与自变量间失去了线性关系的可能性，该方法经过Logit转换，将转换后的因变量与自变量为线性关系；强调因变量为分类变量或等级变量。若因变量为二分类变量，则模型选择二分类Logistic回归模型，如研究低出生体重儿与否的影响因素。与多重线性回归相同，Logistic回归模型对样本量也有要求，一般选择因变量中较少的一类，该数值除以10，即为模型中可容纳的自变量数。（3）Cox回归：用于研究不同因素对生存时间的影响；生存时间指从某一时间点起到所研究的事件发生时的持续时间长度，生存状态即随访结束时的结局。因变量为双变量，包括生存状态和该状态对应的时间。如儿童髓母细胞瘤患者预后（二分类变量，且含时间因素）相关的危险因素分析。（4）Poisson回归：通常适合于处理罕见结局事件的研究资料，即结局变量服从Poisson分布的资料，其他要求与Logistic回归相似。Poisson回归是研究离散事件的重要回归方法，用于分析服从Poisson分布的事件发生数与各影响因素之间的关系。

常用的回归模型对自变量的要求是相似的，依据因变量数据类型不同选择适合的回归分析方法，应用之前需要检验其应用的假设条件是否成立。各回归模型对于样本量有一定的要求，多数模型要求样本量是自变量个数的10倍以上，否则可能出现模型过拟合，如果自变量个数过多，建议改用机器学习或弹性网络模型进行自变量的筛选。

如有侵权，请联系本站删除！