疾病影响因素的Firth回归：小样本偏差修正.docxVIP

疾病影响因素的Firth惩罚Logistic回归分析

1案例背景

在流行病学研究中，当因变量类别比例严重失衡时，传统最大似然估计的Logit回归模型容易产生分离现象，导致回归系数估计趋于无穷大或标准误膨胀。Firth惩罚Logistic回归通过在似然函数中引入惩罚项，有效缓解了小样本或稀有事件条件下的估计偏倚问题，被广泛应用于罕见疾病的危险因素识别。本研究以某地区200名居民的健康体检数据为基础，因变量为是否患病（0=未患病，1=患病），自变量包括年龄（标准化）、BMI（标准化）、吸烟史（标准化）和家族史（标准化），借助SPSSAU在线数据分析平台完成Firth惩罚Logistic回归分析，旨在识别疾病发生的关键危险因素。

2分析结果

在SPSSAU【进阶方法】模块选择【Firth惩罚logit回归】，将变量拖拽至右侧对应分析框，操作如下图：

2.1因变量分布与模型整体检验

表1呈现了因变量的频数分布。在200个有效观测中，未患病样本152例（76.000%），患病样本48例（24.000%），两类比例约为3.16:1，存在一定程度的不均衡。正因如此，采用Firth惩罚Logistic回归相较于普通二元Logit回归更为恰当，能够有效规避因类别失衡导致的估计偏倚。

表1Firth惩罚Logit回归分析基本汇总

表2报告了似然比检验结果。仅截距模型的-2倍对数似然值为216.