作者:何强生,审稿:王九谊
在医学研究中,我们经常构建回归模型来分析自变量和因变量之间的关系。事实上,大多数的回归模型有一个重要的假设就是自变量和因变量呈线性关联,这个条件实际很难满足。常见的解决方法是将连续变量分类,但类别数目和节点位置的选择往往带有主观性,并且分类往往会损失信息。因此,一个更好的解决方法是拟合自变量与因变量之间的非线性关系,限制性立方(Restricted cubic spline,RCS)就是分析非线性关系的最常见的方法之一。
近年来在Lancet、BMJ等杂志经常见到利用限制性立方样条来拟合非线性关系。在之前医咖会R语言入门课程第18课《展示非线性关系》中也简单介绍过限制性立方样条的应用(R课程第18期:多项式回归、分段回归、限制性立方样条...)。
本文将以Lancet Diabetes Endocrinol杂志2018年的文章《Association of BMI with overall and cause-specific mortality: a population-based cohort study of 3.6 million adults in the UK》和作者模拟的数据为例,带领大家学习限制性立方样条的使用和结果解读。
在这篇文章中,作者使用限制性立方样条绘制BMI与死因之间的关系,第一个图形如下:
从图中我们可以看到,不管是在全人群还是非吸烟人群中ÿ