条件logit回归分析结果解读一、方法概述条件logit回归Conditional Logit Regression是一种用于分析匹配数据或分层数据中个体选择行为的统计方法适用于病例-对照匹配研究等场景。该方法通过条件似然函数消除匹配层的影响从而估计各自变量对二分类因变量的独立效应。本研究使用SPSSAU软件进行条件logit回归分析探讨家族史、防护行为和职业暴露对是否病例的影响关系。在SPSSAU【实验/医学研究】模块选择【条件logit回归】将变量拖拽至右侧对应分析框操作如下图二、模型有效性检验表1报告了条件logit回归模型的似然比检验结果。模型原假设为是否放入自变量家族史、防护行为、职业暴露两种情况时模型质量均一致。检验结果显示最终模型的-2倍对数似然值为163.312较仅截距模型的197.750显著降低似然比卡方值为34.439df3p0.0000.001拒绝原假设说明纳入的自变量整体具有统计学意义模型构建有效。三、回归分析结果表2展示了条件logit回归的具体分析结果。模型McFadden R²值为0.174表明家族史、防护行为和职业暴露3个自变量可解释是否病例变异的17.4%。1家族史的回归系数为0.777在0.01水平上显著z4.769p0.000相对危险度RR2.17595% CI: 1.580~2.993。这表明家族史是发病的显著危险因素有家族史的个体发病风险是无家族史个体的2.175倍且该效应具有高度统计学意义。2防护行为的回归系数为-0.389在0.05水平上显著z-2.394p0.017RR0.67895% CI: 0.493~0.932。防护行为是显著的保护因素良好的防护行为可使发病风险降低至原来的0.678倍即风险降低约32.2%。3职业暴露的回归系数为0.288在0.05水平上显著z1.989p0.047RR1.33495% CI: 1.004~1.772。职业暴露是显著的危险因素暴露程度每增加一个单位发病风险增加至1.334倍。四、森林图图1 条件logit回归森林图图1为条件logit回归的森林图直观展示了各自变量的效应量RR值及其95%置信区间。森林图的参考线为RR1当置信区间不包含1时表示该变量效应具有统计学意义。从图中可见家族史的RR值最高2.175置信区间远离1效应最为显著防护行为的RR值小于10.678为保护因素职业暴露的RR值为1.334置信区间刚刚超过1处于边缘显著水平。五、样本与共线性诊断表3显示所有270个样本均有效进入模型分析无缺失数据被排除。表4报告了共线性诊断结果。三个自变量的VIF值均接近1分别为1.023、1.013、1.010远低于临界值5或10容忍度均接近1说明自变量之间不存在多重共线性问题模型估计结果可靠。六、结论本研究通过条件logit回归分析探讨了家族史、防护行为和职业暴露对是否病例的影响。结果表明1家族史是显著的危险因素RR2.175p0.01有家族史者发病风险显著增加2防护行为是显著的保护因素RR0.678p0.05良好防护可降低约32%的发病风险3职业暴露是显著的危险因素RR1.334p0.05暴露程度越高发病风险越大。模型整体有效χ²34.439p0.001自变量间无共线性问题。
)
