条件Logit回归结果解读：方案选择偏好的建模分析

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34.439（df=3，p=0.000<0.001），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（z=4.769，p=0.000），相对危险度RR=2.175（95% 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=-2.394，p=0.017），RR=0.678（95% 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（z=1.989，p=0.047），RR=1.334（95% 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RR=1，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1（0.678），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（RR=2.175，p<0.01），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（RR=0.678，p<0.05），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（RR=1.334，p<0.05），暴露程度越高发病风险越大。模型整体有效（χ²=34.439，p<0.001），自变量间无共线性问题。