Logistic回归在医学科研、特别是观察性研究领域，无论是现况调查、病例对照研究、还是队列研究中都是大家经常用到的统计方法，而在影响因素研究筛选自变量时，大家习惯性用的比较多的还是先单后多，P＜0.05纳入多因素研究，很少用逐步回归法，有些同学可能听过但是了解也不多，这里先简单介绍一下。

那么什么时候推荐用逐步回归呢？有以下2种情况，可以考虑使用：

①探索性研究、探讨多个影响因素时，候选的影响因素实在太多（单因素分析后P值<0.05者，仍然超过10个），或者样本量不大。

②构建预测模型时候，就放心大胆的用。其他场景，一般不建议用逐步回归法。

逐步回归法的原理听上去很复杂，但是用R语言几行代码也可以搞定，只是R语言需要一定的代码基础，一时半会儿也无法学会，因此，这里结合实操案例为大家介绍一个智能在线免费统计分析平台——风暴统计。

一、实操数据介绍

这里我们使用的是R语言自带数据集MASS中的birthwt，birthwt是一份与婴儿出生体重低相关的危险因素数据，其中包含的变量见下表，根据研究设计，以“low”作为结局变量。

二、风暴统计智能在线免费平台复现

（1）进入风暴统计网站的“风暴智能统计”模块，点击“logistic回归分析”

（2）导入数据，目前支持10M以内的csv格式。数据导入前如需进行预处理的（如：定量数据转分类数据、多分类转二分类、打标签等），推荐用SPSS进行操作，具体详见下方文章：

如何结合SPSS与在线统计分析平台来撰写论文？

（4）指定因变量与自变量的变量类型

（5）指定logistic回归方式

这里我们以P值0.05为界，选用双向逐步回归法，右侧直接得出三线表结果！

（6）导出word版三线表结果

三、R语言软件复现

这里采用autoReg包，autoReg包是一款功能十分强大的R包，不仅可以快捷完成基线表的制作，还可以直接一行代码输出回归分析（支持线性模型、广义线性模型和比例风险模型）的表格。

（1）logistic回归模型构建

使用glm() 函数构建回归模型，glm(y~x1＋x2＋x3＋x4＋x......,data=数据集名，family="binomial")，指定因变量与自变量，设置数据集名。

logfit<-glm(low ~ age + lwt + race + smoke + ptd + ht + ui + ftv,data=bwt,family = "binomial")

summary(logfit)

此处参数family规定了回归模型的类型:family="binomial"指适用于二元离散因变量(binary)。

（2）逐步回归法
logreg4<-autoReg(logfit,uni=TRUE,threshold=0.05, final=T)   #final=T逐步回归

logreg4

logtable4<-myft(logreg4)

四、总结

通过对比，风暴统计与R语言先单后多的分析结果完全一致，风暴统计对于P值还有单独成列，结果更加清晰直观！这也是由于平台的构建依托于R代码进行分析。同时结果输出更加快捷，迅速，大家进行统计分析时不妨试一试！