五、撰写结论

本研究采用二分类Logistic回归评估年龄、性别、BMI和总胆固醇水平对研究对象患心脏病的影响。使用Box-Tidwell方法检验连续自变量与因变量logit转换值间是否为线性。线性检验模型时共纳入8项，Bonferroni校正后显著性水平为0.00625。线性检验结果得到所有连续自变量与因变量logit转换值间存在线性关系。5个观测的学生化残差大于标准差的2.5倍，但保留在分析中。

最终，得到的Logistic模型具有统计学意义，χ²=37.023，P<0.001。该模型能够正确分类79.0%的研究对象。模型的敏感度为74.4%，特异度为82.5%，阳性预测值为76.2%，阴性预测值为81.0%。模型纳入的四个自变量中，年龄、BMI和TC有统计学意义。年龄每增加1岁，患心脏病的风险增加11.5%。BMI每增加一个单位，患心脏病的风险增加22.6%。TC每增加一个单位，患心脏病的风险增加1.505倍。

扩展阅读

在进行二分类Logistic回归（包括其它Logistic回归）分析前，如果样本不多而变量较多，建议先通过单变量分析（t检验、卡方检验等）考察所有自变量与因变量之间的关系，筛掉一些可能无意义的变量，再进行多因素分析，这样可以保证结果更加可靠。即使样本足够大，也不建议直接把所有的变量放入方程直接分析，一定要先弄清楚各个变量之间的相互关系，确定自变量进入方程的形式，这样才能有效的进行分析。

经过单因素分析后，应当考虑应该将哪些自变量纳入Logistic回归模型。一般情况下，建议纳入的变量有：1）单因素分析差异有统计学意义的变量（此时，最好将P值放宽一些，比如0.1或0.15等，避免漏掉一些重要因素）；2）单因素分析时，没有发现差异有统计学意义，但是临床上认为与因变量关系密切的自变量。

此外，对于连续变量，如果仅仅是为了调整该变量带来的混杂（不关心该变量的OR值），则可以直接将该变量纳入Logistic回归模型；如果关心该变量对因变量的影响程度（关心该变量的OR值），一般不直接将该连续变量纳入模型，而是建议将连续变量转化为有序多分类变量后纳入模型。这是因为，在Logistic回归中直接纳入连续变量，那么对于该变量的OR值的意义为：该变量每升高一个单位，发生结局事件的风险变化（比如年龄每增加1岁，患心脏病的风险增加1.115倍），这种解释在临床上大多数是没有意义的。