如何理解广义线性回归分析Logistic输出的OR值？

作者：丁点helper

来源：丁点帮你

前文，我们对Logistic回归分析的来龙去脉有了一个基本的了解，但是Logistic回归之所以应用十分广泛还有一个重要的原因——能直接输出OR值？

什么是OR值？如何理解？我们今天就来好好看一看。

怎么理解OR值

多重线性回归，一般是指有多个自变量X，只有一个因变量Y。前面我们主要是以简单线性回归为例在介绍，两者的差距主要在于自变量X的数量，在只有一个X时，就称简单线性回归。

OR值是《流行病学》中的重要概念，称作“优势比”（odds ratio），也称“比值比”，反映的是某种暴露与结局的关联强度。

这句话初学者看起来可能会特别费劲：什么叫优势？优势比又是什么意思？暴露和结局又该怎么理解？我们结合例子把这些问题一一理清。

案例：我们想探讨吸烟是否会导致糖尿病的发生。一种很实用的思路是找两组人群，一组患有糖尿病，另一种不患糖尿病，然后，分别调查这两组人群哪些人吸烟、哪些人不吸。

通过调查我们获得如下数据：

结合上表，可以看到，患病组一共有40人，其中24人吸烟，16人不吸烟。我们就称“吸烟”是一种“暴露”。

所以，“暴露”具有十分广泛的定义，一般某些研究对象具有我们感兴趣的因素，就称这些研究对象为“暴露组”。

暴露包括各种特征（如性别、年龄、教育程度等），以及某种特定的行为（如饮酒、不爱运动等），或接触某种有毒、有害物质（如PM2.5等），而不具备这些因素的对象称为“非暴露组”。

所谓研究“暴露对结局”的影响，这里的“结局”在本例中就指“是否患有糖尿病”，一般可以等同于我们前面说的“因变量Y”。

所谓的“优势”可以理解为“暴露比值”！那怎么理解暴露比值呢？

在本例中，对于患有糖尿病的对象，暴露比值为：吸烟的比例除以不吸烟的比例，即为：24/16 = 1.50；同样，在不患有糖尿病的人群中，也可以计算一个吸烟的比例除以不吸烟的比例，即为：18/22 = 0.82。

把这两个比例相除，就得到了吸烟与糖尿病相关关系的OR值，即OR = 1.50/0.82 = 1.83>1。由此，我们可以初步推断，吸烟会加重患糖尿病的风险。

一般而言，OR值的意义可以总结如下（假设结局发生记为1，不发生记为0）：

OR = 1，暴露与结局的无相关性；

OR > 1，暴露可以促进结局的发生；

OR < 1，暴露可以抑制结局事件的发生

Logistic很重要的意义就在于会直接输出OR值，这一点甚至比看直接的回归系数（β）还有意义。

OR值与回归系数β的数量关系为：OR = eβ。在实际的应用中应该如何解读OR值，我们结合一下文献案例进行讲解。

R值的应用分析

以下文章于2015年发表于《中国护理管理》，研究团队主要采用Logistic回归分析医护人员“工作感受”的影响因素，研究的摘要截图如下：

文章采用第五次国家卫生服务调查问卷中有关工作感受的调查表，测量医护人员工作感受情况：包括工作认知、工作满意度、职业紧张和离职意愿4个维度。

该研究并没有直接采用“工作感受”量表总得分进行研究，而是将上述4个维度分别作为“因变量（Y）”与其他因素，如性别、年龄、婚姻状况、最高学历、专业技术职称（X）等进行Logistic回归分析。

前文我们强调了进行Logistic回归的基本条件是：Y是分类变量，本研究符合这个条件吗？

符合。作者将“工作认知、工作满意度、职业紧张和离职意愿”的量表得分换算成两个类别：1=高，0=低，由此，这些因变量就是典型的二分类变量，从而可以进行Logistic回归分析。

需要明确的是，该研究一共进行了四次分析，因为有四个因变量。自变量赋值表和Logistic分析表如下：

我们在分析Logistic回归分析结果时，必须结合自变量的赋值情况来看，这是因为将“男性”赋值为“1”得到的结果与将“男性”赋值为“0”的结果会正好相反，解读时需特别注意。如上表4，我们重点看“B值”和“OR值”。

比如，表格的第一行，研究的是“护士工作满意度”的影响因素。虽然模型开始时纳入了所有的自变量，但经过筛选，最终有意义仅剩下“婚姻状况”和“工作时间”（P<0.05）两个有统计学意义的变量。这里我们以“婚姻状况”为例来解读OR值的含义。

根据自变量赋值表，婚姻状况变量中“0”为“无配偶”，“1”为“有配偶”，其表格中对应的OR值为“4.045”（＞1），根据我们上文总结的OR值的意义，大于1的OR值表明：暴露会促进结局的发生。

在本研究中，“暴露”可以理解为“有配偶”，“结局”可理解为“获得高的工作满意度”，因此，OR大于1，表明：随着婚姻状况的提升（从无配偶，“晋级”为有配偶），工作高满意度的情况更容易发生。

从而说明，“婚姻状况”是护士工作满意度的一个影响因素，并且相对于“无配偶”的护士，“有配偶”的护士工作满意度得分更高。

再次提醒，能够这样解读，是因为我们把“工作满意度高”赋值为“1”，“工作满意度低”赋值为“0”，这个顺序和“有无配偶”的顺序是一致的。

与此形成对比，对于“医生离职意愿”这个因变量而言，年龄的回归系数（B值）为-0.711，其对应的OR值变为“0.491”（＜1），意味着，随着年龄的提升，医生的离职意愿是变低的。

这一点也是很符合常识的。一般而言，年龄越大，其在职年限也越大，各方面的待遇会更好些，所以更不会选择离职。

最后，值得指出的是，本案例我们讲解的Logistic回归具体而言称作“二分类”Logistic回归分析，这也是应用最广泛的一类。

而当因变量不再是二分类变量，而是多分类变量时，我们仍可以进行Logistic回归，此时称作“多分类Logistic回归分析”。

关于多分类的Logistic回归分析操作起来较为复杂，后期我们有机会再进行更详细的讲解。

如何理解广义线性回归分析Logistic输出的OR值？相关推荐

【数学建模笔记】【第七讲】多元线性回归分析（一）：回归分析的定义、对于线性的理解以及内生性问题的探究
多元线性回归分析回归分析是数据分析中最基础也是最重要的分析工具,绝大多数的数据分析问题,都可以使用回归的思想来解决.回归分析的任务就是,通过研究自变量X和因变量Y的相关关系,尝试去解释Y的形成机制, ...
R语言贝叶斯广义线性混合（多层次/水平/嵌套）模型GLMM、逻辑回归分析教育留级影响因素数据...
全文下载链接:http://tecdat.cn/?p=24203 本教程使用R介绍了具有非信息先验的贝叶斯 GLM(广义线性模型) (点击文末"阅读原文"获取完整代码数据). 当前 ...
R语言广义加性模型（generalized additive models,GAMs）：使用广义线性加性模型GAMs构建logistic回归
R语言广义加性模型(generalized additive models,GAMs):使用广义线性加性模型GAMs构建logistic回归目录
eviews做回归分析时输出值的理解
一.背景假设我们在对一组样本做回归分析,输出结果如下 Estimate Std. Error t value Pr(>|t|) (Intercept) 10.0035 5.9091 1.693 ...
统计|如何理解线性回归分析中残差检验的基本步骤
本博文源于<商务统计>,旨在讲述如何对线性回归分析中已经拟合好的直线做残差分析.当谈起残差,必须了解残差是y的实际值和预测值之差. 线性回归模型的残差检验假定条件线性假定:X与Y之间的关 ...
手把手教线性回归分析（附R语言实例）
本文长度为8619字,建议阅读15分钟本文为你介绍线性回归分析. 通常在现实应用中,我们需要去理解一个变量是如何被一些其他变量所决定的. 回答这样的问题,需要我们去建立一个模型.一个模型就是一个公式 ...
关于GLMM（generalized linear mixed model）广义线性混合模型
文章目录 1.广义线性混合模型 2.GLMM的基本程序实现 2.1 Stata基本实现 2.2 R基本实现方法 3.GLMM的交叉项分析 3.1 Stata实现 3.2 R实现 4.置信区间的计算方法 ...
python中如何画logistic_如何在 Python 中建立和训练线性和 logistic 回归 ML 模型？
原标题:如何在 Python 中建立和训练线性和 logistic 回归 ML 模型? 英语原文: 翻译:(Key.君思) 线性回归与logistic回归,是. 在我的里,你们已经学习了线性回归机器学 ...
在python中使用最小二乘法画出拟合曲线_基于jupyter notebook的python编程-----运用最小二乘法，导入文件数据模拟一元线性回归分析...
基于jupyter notebook的python编程-----运用最小二乘法,导入文件数据模拟一元线性回归分析用最小二乘法模拟一元线性回去曲线的目录一.运行jupyter notebook,搭建 ...

如何理解广义线性回归分析Logistic输出的OR值？

如何理解广义线性回归分析Logistic输出的OR值？相关推荐

最新文章

热门文章