线性回归、逻辑回归、Cox回归：医学研究回归分析完全指南

回归分析的核心价值：控制混杂

回归分析之所以在医学研究中不可或缺，核心原因是它能够同时控制多个混杂变量（confounders）。在观察性研究中，单变量分析（如t检验、卡方检验）发现的关联可能完全是由混杂因素驱动的。通过多变量回归，可以在”其他变量保持不变”的条件下，评估某个特定变量对结局的独立效应。

例如，一项研究发现吸烟者患心肌梗死的风险更高（单变量分析，P<0.001）。但吸烟者可能同时存在更高比例的高血压、糖尿病和高脂血症（混杂因素）。多变量逻辑回归在同时控制高血压、糖尿病、高脂血症、年龄、性别后，如果吸烟的OR值仍然显著，才能说明吸烟是心肌梗死的独立危险因素。

选择回归类型的决策框架

回归类型的选择主要取决于结局变量（因变量）的类型：

线性回归（Linear Regression）：结局变量是连续型（如收缩压、BMI、HbA1c）。量化自变量每增加一个单位，结局变量平均改变多少（β系数）。

逻辑回归（Logistic Regression）：结局变量是二分类（是/否，如发生/未发生）。计算比值比（Odds Ratio, OR）——自变量每增加一个单位，结局发生的比值增加（>1）或减少（<1）的倍数。

Cox比例风险回归（Cox Proportional Hazards）：结局是”事件发生时间”（生存数据），包含删失数据（censored observations，即随访结束时事件未发生）。计算风险比（Hazard Ratio, HR）——风险事件在某一时刻发生的即时风险的比值。

逻辑回归深解：OR值的正确解读

OR值是逻辑回归最重要的输出指标，却也是最常被误读的。关键要点：

OR值的含义：OR=2.5意味着在控制其他变量的情况下，该变量每增加一个单位，结局发生的比值是参考组的2.5倍。注意：OR≠风险增加了2.5倍——OR和RR（相对危险度）在事件发生率较低时接近，但在事件发生率较高时会显著不同。

OR置信区间的解读：若95%CI不包含1（如OR=2.5，95%CI: 1.3-4.8），则统计显著（相当于P<0.05）。若CI包含1（如OR=1.8，95%CI: 0.9-3.6），则统计不显著。

样本量与变量数量的关系：逻辑回归有一个”10事件/变量”（10 events per variable, EPV）的经验准则——即模型中每纳入一个协变量，应至少有10个阳性事件。若阳性事件100个，最多纳入约10个协变量进行可靠的多变量分析。超过这个比例会导致模型过拟合和系数估计不稳定。

Cox回归：生存分析的核心工具

Cox回归处理的是”事件发生时间”数据，一个关键特征是它能处理删失数据——即在随访结束时仍未发生目标事件的个体。

Cox回归有一个核心假设：比例风险假设（Proportional Hazards Assumption），即所有协变量对风险的影响随时间保持恒定。违反这一假设时，HR会随时间变化，Cox模型的结果将失去解释意义。检验比例风险假设的方法包括Schoenfeld残差检验和log(-log)生存函数图。

HR值的解读：HR=1.8意味着在控制其他变量的情况下，该自变量每增加一个单位，目标事件在任一时刻的即时风险是参考组的1.8倍。HR>1表示风险增加，HR<1表示风险降低。

变量选择策略

多变量回归中应该纳入哪些协变量是一个重要的方法论问题，常见的策略包括：

基于理论驱动的选择（推荐）：根据已知的混杂因素（文献支持）和研究设计的目标，预先确定需要控制的变量。这是最常见且最被推荐的策略，通常在研究方案阶段就确定调整变量列表。

向后逐步法（Backward Stepwise）：从所有候选变量开始，逐步剔除P值最大的非显著变量，直到剩余所有变量都达到统计显著。缺点：可能剔除重要的混杂因素；对样本数据过拟合。

预设变量+2分类显著变量（P<0.1）：一种折中策略，预设关键混杂变量必须纳入，同时将单变量分析中P<0.10的变量也纳入多变量分析。

无论选择哪种策略，都应在方法部分明确说明变量选择的方法和依据，这是评审专家和统计审稿人必查的要点。

回归结果的规范报告

多变量回归结果通常以表格形式呈现，包含以下信息：未调整（单变量）分析的OR/HR/β系数和95%CI；调整后（多变量）分析的OR/HR/β系数和95%CI；每个变量的P值；模型整体拟合度指标（如逻辑回归的Hosmer-Lemeshow检验或Cox回归的C统计量）。

JAMA家族期刊要求将单变量和多变量结果并列展示，方便读者直接比较效应量在调整混杂前后的变化，这种变化本身也是重要信息（调整后变化较小说明混杂效应有限，变化较大说明混杂因素显著影响了粗效应估计）。

与Editverse合作：回归分析与统计写作支持

Editverse统计分析服务涵盖：回归模型类型的选择咨询、变量选择策略建议、多变量分析结果表格的规范化格式整理，以及统计假设检验（如比例风险假设验证）的说明文字撰写。

欢迎访问 Editverse统计分析支持页面。

结论

线性回归、逻辑回归和Cox回归是医学研究最核心的三类多变量分析工具，三者服务于不同类型的结局变量。掌握每类回归的适用条件、模型假设（特别是逻辑回归的EPV准则和Cox回归的比例风险假设）、变量选择策略，以及规范的结果报告格式（效应量+CI+调整前后对比），是完成高质量临床研究统计分析的基础能力。