单因素与多因素回归结果解读一、方法简介单因素与多因素回归分析是医学和流行病学研究中常用的统计分析策略。单因素回归又称单变量分析或Crude分析逐一考察各自变量与结局变量之间的粗关联用于初步筛选潜在的影响因素。多因素回归又称多变量分析或Adjusted分析则同时纳入所有自变量在控制其他变量混杂效应的基础上估计各自变量对结局变量的独立效应。通过比较Crude OR与Adjusted OR的差异可以判断是否存在混杂效应。本研究采用二元Logistic回归模型使用SPSSAU软件进行单因素与多因素回归分析以识别影响结局变量Y的独立危险因素或保护因素。在SPSSAU【实验/医学研究】模块选择【单因素与多因素回归】将变量拖拽至右侧对应分析框选择模型设置定类变量SPSSAU自动进行哑变量处理操作如下图二、研究变量基本信息表1展示了纳入分析的研究变量基本信息。本研究的结局变量y为二分类变量01变量采用二元Logistic回归模型进行分析。共纳入7个自变量其中x1~x6为定量数据x7为定类数据含2个水平以第1类为参照项。二元Logistic回归模型适用于因变量为二分类结局的研究场景通过计算比数比Odds Ratio, OR来评估各自变量对结局事件发生概率的影响。三、单因素与多因素回归分析结果表2详细报告了单因素和多因素Logistic回归的分析结果。以下逐一解读各自变量的回归系数β、标准误S.E、Wald z统计量、P值以及比数比OR及其95%置信区间95% CI。自变量x1在单因素回归中β0.103z0.449p0.653Crude OR1.10895% CI: 0.708~1.734OR值的95%置信区间包含1p值远大于0.05说明x1与结局变量y之间不存在显著的粗关联。在多因素回归中β-0.136z-0.513p0.608Adjusted OR0.87395% CI: 0.520~1.467校正后x1仍然不显著。值得注意的是x1的β值从单因素的0.103变为多因素的-0.136方向发生了反转这提示x1可能受到了其他变量的混杂影响但无论校正前后x1均不是结局的显著影响因素。自变量x2在单因素回归中β0.806z5.726p0.001Crude OR2.23995% CI: 1.699~2.951表明x2每增加一个单位结局事件发生的odds增加约123.9%OR-11.239效应极为显著。在多因素回归中β0.951z6.007p0.001Adjusted OR2.58995% CI: 1.898~3.532校正后x2的效应进一步增强OR值从2.239上升至2.589。这说明x2是结局变量Y的强独立危险因素且校正其他变量后效应更为纯粹x2对y的独立正向影响十分稳健。自变量x3在单因素回归中β-0.216z-1.813p0.070Crude OR0.80695% CI: 0.638~1.018处于边缘显著水平OR值小于1提示x3可能具有保护效应。在多因素回归中β-0.429z-3.027p0.002Adjusted OR0.65195% CI: 0.493~0.860校正后x3达到显著水平OR值从0.806下降至0.651说明x3是结局的独立保护因素。x3每增加一个单位结局事件发生的odds降低约34.9%1-0.6510.349。从Crude到Adjusted的变化来看x3的效应在控制混杂后被释放出来从边缘显著变为极显著提示其他变量对x3存在抑制性混杂效应。自变量x4在单因素回归中β0.153z1.119p0.263Crude OR1.16595% CI: 0.891~1.524不显著。在多因素回归中β0.250z1.578p0.115Adjusted OR1.28495% CI: 0.941~1.750校正后仍然不显著但β值有所增大0.153→0.250p值也从0.263降至0.115接近显著水平。x4可能是一个潜在的危险因素但尚需更大样本量来验证。自变量x5在单因素回归中β0.086z0.379p0.705Crude OR1.09095% CI: 0.697~1.706不显著。在多因素回归中β-0.046z-0.175p0.861Adjusted OR0.95595% CI: 0.569~1.602校正后仍然不显著且β值方向发生反转正变负说明x5与结局变量之间无实质性关联既不是危险因素也不是保护因素。自变量x6在单因素回归中β0.580z4.494p0.001Crude OR1.78795% CI: 1.387~2.301效应显著。在多因素回归中β0.753z5.126p0.001Adjusted OR2.12495% CI: 1.592~2.832校正后效应进一步增强OR值从1.787上升至2.124。x6是结局变量Y的强独立危险因素x6每增加一个单位结局事件发生的odds增加约112.4%OR-11.124。与x2类似x6在校正混杂后效应更为明显说明其他变量对x6存在负向混杂作用。定类自变量x7以第1类为参照项x7第2类在单因素回归中β-0.678z-2.928p0.003Crude OR0.50895% CI: 0.322~0.799达到显著水平。在多因素回归中β-0.650z-2.488p0.013Adjusted OR0.52295% CI: 0.313~0.871校正后仍然显著。x7第2类相对于第1类结局事件发生的odds降低约47.8%1-0.5220.478表明x7第2类是一个显著的保护因素。从Crude到Adjusted的变化来看β值变化很小-0.678→-0.650说明x7的效应受混杂影响较小结果较为稳健。四、森林图图1 单因素回归森林图图1展示了单因素回归的森林图。森林图以图形化的方式呈现了各自变量的比数比OR及其95%置信区间。图中的垂直参考线位于OR1处OR值的95%置信区间跨越该线则表示不显著未跨越则表示具有统计学意义。从图中可以直观看出x2OR2.239和x6OR1.787的置信区间完全位于参考线右侧表明二者是显著的危险因素x7_2OR0.508的置信区间完全位于参考线左侧表明其为显著的保护因素。而x1、x4、x5的置信区间均跨越参考线效应不显著。x3的置信区间上界接近1处于边缘显著状态。森林图的直观展示与表2的数值结果完全一致。图2 多因素回归森林图图2展示了多因素回归的森林图。与图1相比多因素回归森林图中x2Adj OR2.589和x6Adj OR2.124的效应值进一步增大置信区间仍然完全位于参考线右侧且距离参考线更远表明校正混杂后这两个危险因素的效应更加突出。x3Adj OR0.651的置信区间完全位于参考线左侧从单因素中的边缘状态转变为明确的保护因素。x7_2Adj OR0.522的保护效应同样得到确认。x1、x4、x5的置信区间仍然跨越参考线校正后仍不显著。对比两幅森林图可以清晰地观察到校正混杂前后各变量效应的变化尤其是x3从边缘显著到显著保护因素的转变以及x2和x6效应量的增强这些变化充分说明了多因素回归控制混杂的重要性。五、样本缺失情况如表3所示共有360例样本全部进入模型分析无缺失数据被排除有效样本率为100%数据完整性良好。六、结论本研究采用二元Logistic回归模型通过单因素和多因素回归分析系统评估了7个自变量对二分类结局变量Y的影响主要结论如下第一x2和x6是结局变量Y的强独立危险因素。在多因素回归中x2的Adjusted OR2.58995% CI: 1.898~3.532p0.001x6的Adjusted OR2.12495% CI: 1.592~2.832p0.001二者校正混杂后效应进一步增强表明其独立正向效应十分稳健。第二x3是结局变量Y的独立保护因素。虽然单因素分析中仅达边缘显著p0.070但多因素校正后达到显著水平Adjusted OR0.65195% CI: 0.493~0.860p0.002提示x3对结局具有保护效应控制混杂后效应被充分释放。第三x7第2类相对于第1类也是显著的保护因素Adjusted OR0.52295% CI: 0.313~0.871p0.013校正前后效应稳定。第四x1、x4和x5在单因素和多因素分析中均未达到显著水平不是结局变量的显著影响因素。第五通过对比Crude OR与Adjusted OR发现x3和x6在校正后效应明显增强提示存在抑制性混杂效应强调了多因素回归分析在控制混杂中的重要作用。