Logistic回归预测模型论文分析流程

Logistic回归是医学类论文中最常见的分析方法，一般临床上探究某种结局的影响因素时会用到Logistic回归，但大部分的分析仅限于对影响因素的探究，而没有建立Logistic回归预测模型进行深入分析，导致文章缺少两点，不够丰满。我在这里根据自己过往的论文分析经验及相关的参考文献，为大家展示一篇利用Logistic回归探究影响因素并建立回归模型的完整流程，为大家的分析提供技术支持。

1 案例数据

1.1 研究目的

探究糖尿病的危险因素并建立预测模型

1.2 研究样本

共纳入1000名调查对象，其中糖尿病患者397人，非糖尿病者603人。收集了调查对象的性别、年龄、教育程度、收入、婚姻状况、吸烟、饮酒情况、运动情况、睡眠情况、高血压史。

1.3 研究方法

采用R语言进行统计分析。采用卡方检验和两独立样本t检验进行糖尿病患者组间差异分析；采用Logistic回归探究糖尿病的影响因素；建立训练集和测试集，用训练集数据建立Logistic回归预测模型；绘制列线图可视化回归模型；绘制校准曲线评价模型；分别绘制训练集和测试集ROC曲线，进行模型评价。

2 数据分析流程

2.1 调查对象的组间差异分析

采用两独立样本t检验和卡方检验比较糖尿病组和非糖尿病组一般资料的差异，结果显示，正常组和糖尿病组调查对象的性别、文化程度、收入、婚姻状况、吸烟情况、锻炼情况、睡眠状况和高血压史均有显著差异（均P<0.05），而年龄和饮酒情况无显著差异（均P>0.05），见表1。

表1 调查对象一般资料的组间差异分析

2.2 多因素Logistic回归分析

以糖尿病患病情况作为因变量（以正常组作为参照），以单因素分析有差异的变量作为自变量，建二分类多元Logistic回归模型，结果显示，性别、收入、吸烟情况、锻炼情况和高血压史是糖尿病的独立影响因素（均P<0.001），而婚姻状况对糖尿病的影响无统计学意义（P>0.05），见表2。

表2 糖尿病影响因素的二分类多元Logistic回归

2.3 建立预测模型

2.3.1 生成训练集和测试集

利用随机数字表生成器按照7：3的比例将样本数据分成训练集和测试接。

2.3.2 绘制列线图

将2.2中多因素分析有意义的变量纳入Logistic回归预测模型，绘制列线图，对预测模型进行可视化展示，根据列线图见图1。

图1 Logistic回归列线图

2.4 模型评价

2.4.1 绘制校准曲线

采用校准曲线对建立的预测模型的一致性进行评价，Apparent和Bias-corrected两条线越重合说明模型预测能力越好，见图2。

图2 校准曲线

2.4.2 ROC曲线

分别用训练集和测试集数据绘制ROC曲线，评价模型的预测价值，AUC曲线下面积越大，模型的预测价值越高，图中训练集ROC曲线AUC下面积为0.626，提示模型有一定的预测价值，而测试集ROC曲线AUC下面积为0.559，说面模型的内部验证结果并不是很好，模型的预测价值一般，稳定性不高，见图3。

图3（a）训练集ROC曲线

图3（b）测试集ROC曲线

2.4.3 决策曲线

决策曲线是近年比较流行的模型评价方法，与ROC曲线的作用一致，图中diabete的线条下降越缓慢，且一致高于0，说明模型预测价值越好，图中可以看出，训练集的模型具有一定的预测价值，而测试集的预测效果明显不高，见图4。

图4（a） 训练集决策曲线

图4（b）测试集决策曲线

2.5 总结

以上是采用Logistic回归进行影响因素分析并建立预测模型的完整流程，一般大家的数据都是单中心的，按照以上流程进行内部验证即可。如果数据来自多中心，可以以本中心数据，或者根据地区划分以部分地区数据作为建模组，以其他地区数据作为外部验证组进行外部验证，外部验证的效力要高于内部验证。另外，文中的单因素分析完全可以用单因素Logistic回归代替，会比较高端，但是会少一个表，对于需要凑字数的你来说，利用t检验和卡方检验进行单因素分析并制表无疑是一个更好的选择~