2023年鄭老師多門科研統(tǒng)計(jì)課程：多次直播，含孟德爾隨機(jī)化方法? ?

線性回歸是一種常用的統(tǒng)計(jì)分析方法，用于建立自變量和因變量之間的線性關(guān)系模型。當(dāng)知道兩個(gè)變量間存在相關(guān)關(guān)系時(shí)，我們時(shí)常想進(jìn)一步去探討是否可以通過其中一個(gè)變量的數(shù)值定量的去預(yù)測(cè)另外一個(gè)變量的數(shù)值。

經(jīng)典案例：父親身高與兒子身高存在相關(guān)關(guān)系，是否可以通過父親身高預(yù)測(cè)兒子的身高？

這類問題在統(tǒng)計(jì)學(xué)上常采用線性回歸的方法來解決。這類文章一般的統(tǒng)計(jì)報(bào)告框架主要包括3部分內(nèi)容：統(tǒng)計(jì)描述、相關(guān)性分析和先單后多線性回歸。

多因素線性回歸，常見的統(tǒng)計(jì)學(xué)方法是先單因素，再多因素的分析理念。這種理念，嚴(yán)格符合“嚴(yán)進(jìn)寬出”的思維：篩選變量納入多因素回歸模型。

實(shí)際中，許多人習(xí)慣性使用SPSS開展線性回歸，但是SPSS需要手動(dòng)繪制三線表，麻煩得很！而R語言雖然可以解決這個(gè)難點(diǎn)但具有一定的門檻。想要又簡單無門檻，又能一鍵生成三線表，來看看這個(gè)工具吧——風(fēng)暴統(tǒng)計(jì)智能在線免費(fèi)統(tǒng)計(jì)分析平臺(tái)！

本文主要內(nèi)容包括：

1.案例文獻(xiàn)解讀

2.實(shí)操數(shù)據(jù)集介紹

3.風(fēng)暴統(tǒng)計(jì)復(fù)現(xiàn)先單后多線性回歸

4.R語言軟件復(fù)現(xiàn)先單后多線性回歸

1、案例文獻(xiàn)解讀

通過中國人民解放軍空軍醫(yī)大學(xué)第一附屬醫(yī)院的一篇核心期刊的文章，為大家簡述一下線性回歸分析文章的統(tǒng)計(jì)分析框架。

（1）變量說明

這是一篇現(xiàn)況研究，探究缺血性腦卒中多病共存患者的出院準(zhǔn)備度水平及其影響因素，共收集256例缺血性腦卒中多病共存住院患者為研究對(duì)象，下表為可能影響患者出院準(zhǔn)備度的一般資料。

（2）統(tǒng)計(jì)方法

作者使用SPSS 24.0軟件進(jìn)行數(shù)據(jù)的錄入與分析。定量數(shù)據(jù)使用均數(shù)、標(biāo)準(zhǔn)差描述，不同特征的出院準(zhǔn)備度得分采用中位數(shù)和四分位間距進(jìn)行描述。采用Pearson相關(guān)分析檢驗(yàn)出院準(zhǔn)備度與出院指導(dǎo)質(zhì)量的相關(guān)性；采用非參數(shù)檢驗(yàn)法（Mann-Whitney U檢驗(yàn)、Kruskal-Wallis檢驗(yàn)）進(jìn)行單因素分析；多因素分析采用多重線性回歸法；檢驗(yàn)水準(zhǔn)為α=0.05。

（3）統(tǒng)計(jì)結(jié)果

①統(tǒng)計(jì)描述+單因素分析

這篇文章的統(tǒng)計(jì)分析框架就是比較典型的線性回歸文章的分析框架。由于結(jié)局是定量數(shù)據(jù)，無分組變量，表1進(jìn)行了變量的描述統(tǒng)計(jì)與單因素分析。單因素分析結(jié)果顯示，不同年齡、合并癥數(shù)量的患者出院準(zhǔn)備度得分差異具有統(tǒng)計(jì)學(xué)意義（P<0.05）。進(jìn)一步兩兩比較，年齡≥75歲組與55~64歲組之間有統(tǒng)計(jì)學(xué)差異（P=0.036）；合并癥數(shù)量為1~2種組與3~4種組之間存在統(tǒng)計(jì)學(xué)差異（P=0.001）。

②相關(guān)性分析

本研究出院指導(dǎo)質(zhì)量得分與出院準(zhǔn)備度得分呈正相關(guān)（r=0.209，P=0.001）。

③多重線性回歸分析

考慮單因素分析納入的變量過少，本研究結(jié)合臨床專業(yè)知識(shí)將所有相關(guān)變量作為自變量，以出院準(zhǔn)備度總分作為因變量進(jìn)行線性回歸分析。多重線性回歸分析的結(jié)果顯示合并癥數(shù)量、文化程度、出院指導(dǎo)質(zhì)量總分及BMI值最終進(jìn)入了回歸方程，對(duì)模型的解釋力為11.5%。

這篇文獻(xiàn)的線性回歸分析則采用了先單后多的統(tǒng)計(jì)分析設(shè)計(jì)，先對(duì)自變量進(jìn)行單因素分析，將有意義的變量納入到多因素線性回歸中，并且結(jié)合專業(yè)知識(shí)將其他變量納入進(jìn)行分析。

2、實(shí)操數(shù)據(jù)集介紹

我們使用R語言MASS包自帶數(shù)據(jù)集birthwt作為實(shí)操數(shù)據(jù)集。這是一份于1986年在在馬薩諸塞州收集的與嬰兒出生體重低相關(guān)的危險(xiǎn)因素的數(shù)據(jù)。以定量數(shù)據(jù)出生體重（bwt）作為結(jié)局變量，探討下列因素對(duì)出生體重的影響。可能的影響因素如下：

下面將結(jié)合本數(shù)據(jù)分別通過風(fēng)暴統(tǒng)計(jì)智能在線免費(fèi)平臺(tái)與R語言軟件來進(jìn)行先單后多線性回歸分析復(fù)現(xiàn)，方便大家對(duì)兩種方法的特點(diǎn)有更加直觀的認(rèn)識(shí)！

3、風(fēng)暴統(tǒng)計(jì)復(fù)現(xiàn)先單后多線性回歸

第一步：輸入網(wǎng)址，打開“風(fēng)暴智能統(tǒng)計(jì)”——“線性回歸分析”

第二步：導(dǎo)入整理好的數(shù)據(jù)，目前支持10M以內(nèi)的csv格式數(shù)據(jù)

第三步：點(diǎn)擊“快速線性回歸分析”——選擇因變量和自變量，在多因素回歸設(shè)置中選擇單因素分析P值<0.05時(shí)開展多因素回歸，右側(cè)直接顯示批量單因素回歸法的結(jié)果

第四步：導(dǎo)出統(tǒng)計(jì)分析報(bào)告——一鍵導(dǎo)出word版三線表結(jié)果

風(fēng)暴統(tǒng)計(jì)結(jié)果展示如下，直接生成word版三線表，高效快速，結(jié)果還比較美觀！

4、R語言軟件復(fù)現(xiàn)先單后多線性回歸

• 第一步：安裝并加載R包

install.packages("autoReg")

library(autoReg)

autoReg包，一款功能十分強(qiáng)大的R包，加gaze函數(shù)即可快捷完成基線表的制作，還可以直接一行代碼輸出單因素+多因素回歸分析（支持線性模型、廣義線性模型和比例風(fēng)險(xiǎn)模型）的表格。

• 第二步：導(dǎo)入整理好的數(shù)據(jù)

setwd("D:/R")#設(shè)置工作空間，將要導(dǎo)入的csv格式數(shù)據(jù)放在工作空間文件夾中

BWT<-read.csv("BWT.csv")

• 第三步：autoReg包做先單后多線性回歸分析

#函數(shù)表達(dá)式：

#linfit<-lm(y~x1+x2+x3+x4+x5……,data=數(shù)據(jù)集名)

#linreg<-autoReg(linfit,uni=TRUE,multi=TRUE,threshold=0.05)

#uni為T指輸出單因素模型結(jié)果，multi為T輸出多因素模型結(jié)果，threshold納入多因素回歸模型的條件

linfit<-lm(bwt~age+lwt+race+smoke+ptd+ht+ui+ftv,data = BWT)

linreg<-autoReg(linfit,uni=T,multi=T,threshold=0.05)

linreg#展示結(jié)果

以上風(fēng)暴統(tǒng)計(jì)平臺(tái)和R語言軟件先單后多線性回歸結(jié)果對(duì)比完全一致，這也是由于平臺(tái)的構(gòu)建依托于R代碼進(jìn)行分析，可見風(fēng)暴統(tǒng)計(jì)平臺(tái)分析結(jié)果十分規(guī)范可靠，同時(shí)操作過程也十分的簡便，相較于R語言的使用門檻那真的是低太多了。結(jié)果直接一鍵輸出word三線表，方便又快捷，大家進(jìn)行統(tǒng)計(jì)分析時(shí)不妨一試！