生物医学数据统计分析-回归分析

简介

回归分析是通过一定的数学表达式描述变量之间的数量变化关系，并进行预测。回归分析分为：一元线性回归分析，多元线性回归分析，非线性回归分析，曲线估计，时间序列的曲线估计等模型。回归分析和相关分析都是研究变量间关系的统计学分析方法，在回归分析中，变量Y成为因变量，自变量X可以是随机变量；而相关性分析中，X,Y都是随机变量。常见的回归分析方法有直线回归，多重线性回归，Logistic回归等。

回归模型的选用

1. 直线回归：如果回归分析中的残差服从正态分布（大样本时无需正态性），残差与自变量无趋势变化，则直线回归（单个自变量的线性回归，称为简单回归），否则应作适当的变换，使其满足上述条件。
2. 多重线性回归：
   应变量（Y）为连续型变量（即计量资料），自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。如果回归分析中的残差服从正态分布（大样本时无需正态性），残差与自变量无趋势变化，可以作多重线性回归。
   1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素
   2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用。
3. 二分类的Logistic回归：
   应变量为二分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。
   3.1、非配对的情况：用非条件Logistic回归
   (1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素
   (2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用
   3.2、配对的情况：用条件Logistic回归
   (1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素
   (2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用。
4. 有序多分类有序的Logistic回归：
   应变量为有序多分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。
   4.1、观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素
   4.2、实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用。

回归分析举例

参考文献：

1. Swanger, S. A, et al. Automated 4D analysis of dendritic spine morphology: applications to stimulus-induced spine remodeling and pharmacological rescue in a disease model[J]. Molecular Brain. (2011): 4:38-38.