多层Logistic回归纵向分析

多层Logistic回归模型适用于纵向数据的分析，其中个体为水平2单位，各次重复测量为水平1单位。该模型能有效处理观测值在个体内的相关性，避免传统Logistic回归因忽略聚类结构导致的标准误低估和推断偏差。

本模型应用实例基于美国新罕布什尔州健康研究项目（New Hampshire Health Study）的纵向数据库，覆盖3年观察期，以每6个月为一个随访时点，共7个时间点（基线+6次随访）。结局变量Hospdum为二分类指标：1表示过去6个月内曾于精神病院住院，0表示未住院。

模型采用随机截距设定，允许不同个体具有独立的基础住院概率，同时纳入时间变量及协变量（如年龄、性别、基线抑郁量表得分）评估其对住院风险的固定效应。估计结果显示，随时间推移，住院概率呈显著线性下降趋势（OR=0.82, 95%CI: 0.76–0.89），且个体间截距方差为0.41（p<0.001），证实纵向聚类结构具有统计学意义。

该分析严格遵循多层建模规范，在Stata 17中使用melogit命令实现，符合国际流行病学与精神卫生研究中纵向二分类结局建模的权威实践标准。

评论区

kzhibo球迷

多层Logistic回归分析纵向数据真给力！

2026-02-09 12:04:14

kzhibo球迷

新罕布什尔州健康研究项目数据太有说服力了

2026-02-09 03:50:11

kzhibo球迷

Hospdum变量设置很专业，精神病院住院预测更准

2026-02-08 19:22:34

kzhibo球迷

纵向数据+多层模型，完美解决聚类效应问题

2026-02-08 20:29:39

kzhibo球迷

精神病院住院风险建模就该用这种严谨方法

2026-02-09 12:15:05

kzhibo球迷

Hospdum作为关键哑变量，解释力果然突出

2026-02-08 16:10:06

kzhibo球迷

从新罕布什尔州实践看，多层Logistic真落地

2026-02-09 07:52:51

kzhibo球迷

做精神卫生政策研究，这模型参考价值超高

2026-02-09 14:46:49

展开更多

　　上一篇：河北队获全国射击冠军赛男子10米气步枪团体冠军

　　下一篇：神奇小子自行车特技挑战