OR 大于 1 和小于 1 怎么解释？

OR > 1 表示该自变量增加会提高结局发生的优势（风险因素），OR < 1 表示降低（保护因素），OR = 1 表示无关联。需看其 95% 置信区间是否跨过 1。

OR 和 RR 是一回事吗？

不是。OR 是优势之比，RR 是概率之比；当结局较罕见时 OR 近似 RR，但结局常见时 OR 会夸大效应，二者不可混用。

Logistic 回归怎么看模型拟合好不好？

常看 Hosmer-Lemeshow 检验（p > 0.05 表示拟合良好）、-2 对数似然、Nagelkerke R² 以及分类正确率和 ROC 曲线下面积（AUC）。

二元 Logistic 回归对样本量有什么要求？

经验法则是每个自变量对应至少 10 个较少类别的事件数（EPV ≥ 10），否则系数估计不稳定、置信区间过宽。

医学

Logistic 回归与 OR 值结果解读怎么写

Q: OR 和 RR 是一回事吗？

不是。OR 是优势之比，RR 是概率之比；当结局较罕见时 OR 近似 RR，但结局常见时 OR 会夸大效应，二者不可混用。

Q: Logistic 回归怎么看模型拟合好不好？

常看 Hosmer-Lemeshow 检验（p > 0.05 表示拟合良好）、-2 对数似然、Nagelkerke R² 以及分类正确率和 ROC 曲线下面积（AUC）。

作者 / 审校：shujufenxi 编辑部·最后审校 2026-05-03

你遇到的问题

你的结局变量是二分类（如患病/未患病、复发/未复发），跑完 Logistic 回归得到了一堆 OR 值和置信区间，却不确定 OR 大于 1 和小于 1 分别代表什么、置信区间跨不跨 1 意味着什么，也不知道模型拟合好不好该看哪个指标。

适用场景

二元 Logistic 回归适用于因变量为二分类结局、用一个或多个自变量估计其发生概率与影响因素的情形，常见于医学、流行病学的危险因素分析。它要求观测独立、自变量与结局的对数几率呈线性关系、无严重多重共线性，且事件数相对自变量个数要充足（经验上每个自变量至少约 10 个事件，即 EPV≥10）。

正确做法

逐个报告自变量的 OR 值及其 95% 置信区间（CI）与 Wald 检验 p 值：OR＞1 表示该因素增加结局发生的几率、OR＜1 表示降低；若 95% CI 不包含 1 则该因素显著。连续变量的 OR 表示自变量每增加一个单位时几率的倍数变化。同时报告模型整体拟合，如 Hosmer-Lemeshow 检验（p＞.05 表示拟合良好）。

报告示例：多因素 Logistic 回归显示，年龄（OR＝1.05，95% CI：1.02～1.08，p＝.001）和吸烟（OR＝2.31，95% CI：1.45～3.68，p＜.001）是发病的独立危险因素，而规律运动为保护因素（OR＝0.62，95% CI：0.41～0.94，p＝.024）。Hosmer-Lemeshow 检验 p＝.47，提示模型拟合良好。

常见错误

错误一：只看 OR 点估计不看 95% 置信区间，或在 CI 跨过 1（如 0.85～1.40）时仍声称该因素显著，实际上跨 1 意味着无统计学意义。错误二：把 OR 直接当成相对风险（RR）来解释，在结局发生率较高时 OR 会明显高估 RR；此外还常忽略模型拟合优度检验，不报告 Hosmer-Lemeshow 结果。

需要更进一步？

如果你被一整张 OR 和置信区间表绕晕、分不清哪些因素真正显著，可以把 Logistic 回归输出粘贴进统计结果解读器，它会帮你逐行解读 OR 与 CI 并生成规范表述；如果涉及变量筛选、共线性处理、交互作用或 ROC 曲线评价等更复杂的建模，可以预约辅导，由老师带你完善模型。

操作步骤

SPSS

「分析 → 回归 → 二元 Logistic」，打开二元 Logistic 回归对话框。
将二分类因变量（如是否患病，编码 0/1）选入「因变量」，将预测变量选入「协变量」框。
若含类别协变量，点击「分类」将其指定并设置参考类别，点击「继续」。
点击「选项」，勾选「Exp(B) 的置信区间 95%」与「Hosmer-Lemeshow 拟合度」，点击「继续」。
在输出「方程中的变量」表读取 B、Wald、Sig. 与 Exp(B)（即 OR）及其 95% CI，并查看 Nagelkerke R²。

# 二元 Logistic 回归与优势比（OR）
fit <- glm(disease ~ age + bmi, data = df, family = binomial)
summary(fit)  # 系数、Wald z 与 p
exp(cbind(OR = coef(fit), confint(fit)))  # OR 及 95% CI
# 伪 R 方可用 fmsb::NagelkerkeR2(fit)

完整示例（模拟数据）

以年龄与体质指数（BMI）预测某疾病的患病概率（模拟数据样例，N = 300）。

采用二元 Logistic 回归考察年龄与 BMI 对患病风险的影响。模型整体显著（Omnibus χ²(2) = 28.60，p < .001），Nagelkerke R² = 0.18，Hosmer-Lemeshow 检验不显著（χ² = 6.42，p = .601），拟合良好。结果显示，年龄每增加 1 岁，患病优势比为 1.08（95% CI [1.03, 1.13]，Wald χ² = 9.60，p = .002）；BMI 每增加 1 个单位，患病优势比为 1.15（95% CI [1.06, 1.25]，Wald χ² = 11.20，p < .001）。二者均为独立的患病风险因素。

统计量	数值
年龄 OR（95% CI）	1.08 [1.03, 1.13]
年龄 Wald / p	9.60 / .002
BMI OR（95% CI）	1.15 [1.06, 1.25]
BMI Wald / p	11.20 / < .001
Nagelkerke R²	0.18

常见疑问

OR 大于 1 和小于 1 怎么解释？: OR > 1 表示该自变量增加会提高结局发生的优势（风险因素），OR < 1 表示降低（保护因素），OR = 1 表示无关联。需看其 95% 置信区间是否跨过 1。
OR 和 RR 是一回事吗？: 不是。OR 是优势之比，RR 是概率之比；当结局较罕见时 OR 近似 RR，但结局常见时 OR 会夸大效应，二者不可混用。
Logistic 回归怎么看模型拟合好不好？: 常看 Hosmer-Lemeshow 检验（p > 0.05 表示拟合良好）、-2 对数似然、Nagelkerke R² 以及分类正确率和 ROC 曲线下面积（AUC）。
二元 Logistic 回归对样本量有什么要求？: 经验法则是每个自变量对应至少 10 个较少类别的事件数（EPV ≥ 10），否则系数估计不稳定、置信区间过宽。

参考来源

· Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression (3rd ed.). Wiley.
· Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). Sage.
· Peduzzi, P., et al. (1996). Number of events per variable in logistic regression. J Clin Epidemiol, 49(12), 1373-1379.

用这个方法的示例试试解读器预约辅导

工具输出请自行核对后使用。内容参考见方法论标准。

← 返回知识库