我正在尝试在R. 我参加过使用 STATA 涵盖此材料的课程。我发现很难在R. 这个领域成熟吗？似乎几乎没有可用的文档或指导。产生优势比输出似乎需要安装epicalc和/或epitools和/或其他，我无法开始工作，过时或缺乏文档。我曾经glm做过逻辑回归。欢迎大家提出意见。
我最好把这个问题变成一个真正的问题。如何运行逻辑回归并在 中产生赔率R？
这是我为单变量分析所做的：
x = glm(Outcome ~ Age, family=binomial(link="logit"))
对于多变量：
y = glm(Outcome ~ Age + B + C, family=binomial(link="logit"))
然后，我查看了x、和。 ysummary(x)summary(y)
有x$coefficients什么价值吗？
没错，R 的输出通常只包含基本信息，更多信息需要单独计算。
N <- 100 # generate some data
X1 <- rnorm(N, 175, 7)
X2 <- rnorm(N, 30, 8)
X3 <- abs(rnorm(N, 60, 30))
Y <- 0.5*X1 - 0.3*X2 - 0.4*X3 + 10 + rnorm(N, 0, 12)
# dichotomize Y and do logistic regression
Yfac <- cut(Y, breaks=c(-Inf, median(Y), Inf), labels=c("lo", "hi"))
glmFit <- glm(Yfac ~ X1 + X2 + X3, family=binomial(link="logit"))
coefficients()为您提供估计的回归参数. 更容易解释虽然（拦截除外）。
> exp(coefficients(glmFit))
(Intercept) X1 X2 X3
5.811655e-06 1.098665e+00 9.511785e-01 9.528930e-01
为了得到优势比，我们需要原始二分DV的分类交叉表和根据需要首先选择的某个概率阈值的预测分类。您还可以查看ClassLog()包中的功能（如相关问题QuantPsyc中提到的 chl ）。
# predicted probabilities or: predict(glmFit, type="response")
> Yhat <- fitted(glmFit)
> thresh <- 0.5 # threshold for dichotomizing according to predicted probability
> YhatFac <- cut(Yhat, breaks=c(-Inf, thresh, Inf), labels=c("lo", "hi"))
> cTab <- table(Yfac, YhatFac) # contingency table
> addmargins(cTab) # marginal sums
YhatFac
Yfac lo hi Sum
lo 41 9 50
hi 14 36 50
Sum 55 45 100
> sum(diag(cTab)) / sum(cTab) # percentage correct for training data
[1] 0.77
对于优势比，您可以使用包vcd或手动进行计算。
> library(vcd) # for oddsratio()
> (OR <- oddsratio(cTab, log=FALSE)) # odds ratio
[1] 11.71429
> (cTab[1, 1] / cTab[1, 2]) / (cTab[2, 1] / cTab[2, 2])
[1] 11.71429
> summary(glmFit) # test for regression parameters ...
# test for the full model against the 0-model
> glm0 <- glm(Yfac ~ 1, family=binomial(link="logit"))
> anova(glm0, glmFit, test="Chisq")
Analysis of Deviance Table
Model 1: Yfac ~ 1
Model 2: Yfac ~ X1 + X2 + X3
Resid. Df Resid. Dev Df Deviance P(>|Chi|)
1 99 138.63
2 96 110.58 3 28.045 3.554e-06 ***
如果您想将估计的效果解释为相对优势比，只需执行exp(coef(x))（给您，优势比的乘法变化为如果协变量与增加 1)。对于此数量的轮廓似然区间，您可以执行
require(MASS)
exp(cbind(coef(x), confint(x)))
编辑：@caracal 更快...
UCLA 统计页面有一个很好的在 R 中执行逻辑回归的演练。它包括一个关于计算优势比的简短部分。
EpiDisplay 包很容易做到这一点。
library(epiDisplay)
data(Wells, package="carData")
glm1 <- glm(switch~arsenic+distance+education+association,
family=binomial, data=Wells)
logistic.display(glm1)
Logistic regression predicting switch : yes vs no
crude OR(95%CI) adj. OR(95%CI) P(Wald's test) P(LR-test)
arsenic (cont. var.) 1.461 (1.355,1.576) 1.595 (1.47,1.731) < 0.001 < 0.001
distance (cont. var.) 0.9938 (0.9919,0.9957) 0.9911 (0.989,0.9931) < 0.001 < 0.001
education (cont. var.) 1.04 (1.021,1.059) 1.043 (1.024,1.063) < 0.001 < 0.001
association: yes vs no 0.863 (0.746,0.999) 0.883 (0.759,1.027) 0.1063 0.1064
Log-likelihood = -1953.91299
No. of observations = 3020
AIC value = 3917.82598