Firth惩罚Logit回归结果解读
一、Firth惩罚Logit回归概述
Firth惩罚Logit回归（Firth's Penalized Logistic Regression）是二元Logit回归的一种修正方法，由Firth于1993年提出，专门用于解决传统Logistic回归中因小样本或罕见事件导致的参数估计偏误与分离问题（Separation Problem）。在医学研究、流行病学调查等领域，因变量往往为二分类变量（如发病/未发病、死亡/存活），且事件发生率较低（如本研究中y=1仅占15%），此时传统最大似然估计可能出现以下问题：一是回归系数的标准误异常增大，导致假设检验效力降低；二是OR值估计严重偏离真实值，出现极端大或极端小的情况；三是当某个自变量能够完美区分因变量的两类取值时（完全分离或准完全分离），最大似然估计甚至无法收敛。
Firth惩罚Logit回归通过在似然函数中引入Jeffreys先验惩罚项，对最大似然估计进行修正，有效消除了有限样本偏误，使得参数估计更加稳健。即使在分离问题存在的情况下，Firth方法也能给出有限且合理的参数估计值。因此，当研究中出现标准误异常大、p值接近1、OR值极端大或模型不收敛等情况时，建议使用Firth惩罚Logit回归替代传统方法。本研究使用SPSSAU软件，将x1、x2、x3、x4作为自变量，y作为因变量，进行Firth惩罚Logit回归分析，以探讨各自变量对二分类因变量y的影响效应。
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：
二、样本基本情况
表1展示了样本的基本情况。本次分析共纳入320个有效样本，无缺失数据。因变量y为二分类变量，其中y=0（阴性/未发生）272例，占85.00%；y=1（阳性/发生）48例，仅占15.00%。y的分布呈现明显的不均衡性，阳性事件属于相对罕见事件。这种事件发生率较低的数据结构正是Firth惩罚Logit回归的典型适用场景，因为传统Logistic回归在此类数据中容易产生估计偏误。
表2展示了样本的缺失情况。所有320个样本在全部分析变量上均无缺失值，全部进入模型分析，无样本被排除。完整的数据保证了模型估计的有效性。
三、模型似然比检验
表3展示了模型整体有效性的似然比检验结果。原假设H0为：放入自变量（x1、x2、x3、x4）前后模型质量无差异，即所有自变量的回归系数同时为0。仅截距模型的-2倍对数似然值为266.822，纳入自变量后的最终模型为159.367，似然比卡方值为107.455（df=4），p<0.001，远低于0.05的显著性水平。因此拒绝原假设，说明至少有一个自变量对y具有显著的解释效应，本次构建的模型整体有效，纳入的自变量具有统计学意义。
AIC（Akaike Information Criterion）值为169.367，BIC（Bayesian Information Criterion）值为188.208。AIC和BIC是评价模型拟合优度的信息量准则，二者均在模型拟合度与复杂度之间进行权衡，值越小表示模型越好。在进行多个模型的比较时（如逐步纳入不同自变量），可通过比较AIC和BIC的变化来选择最优模型。本研究的AIC和BIC值可作为后续模型优化的参照基准。
四、Firth惩罚Logit回归分析结果
表4展示了Firth惩罚Logit回归的完整分析结果。模型公式为：ln(p/(1-p))=-2.675+1.377×x1+1.445×x2-0.730×x3+0.277×x4_1，其中p为y=1的概率，1-p为y=0的概率。模型的McFadden R²=0.403，Cox & Snell R²=0.285，Nagelkerke R²=0.504。McFadden R²介于0.2~0.4之间通常认为模型拟合良好，本研究中McFadden R²=0.403，表明模型对数据具有较好的解释力。Nagelkerke R²=0.504，说明自变量可以解释y变异的50.4%。
x1的回归系数为1.377，z=5.578，p<0.001，达到0.01水平的显著性。OR值（优势比）为3.963，95%置信区间为2.443~6.428。OR值大于1且置信区间不包含1，说明x1是y发生的危险因素。具体而言，x1每增加一个单位，y发生的优势（odds）增加至原来的3.963倍，即y发生的可能性显著提高。x1的回归系数为正且高度显著，表明x1对y产生显著的正向影响关系。
x2的回归系数为1.445，z=5.642，p<0.001，同样达到0.01水平的显著性。OR值为4.242，95%置信区间为2.568~7.007。OR值大于1且为四个自变量中最大，说明x2是y发生的最强危险因素。x2每增加一个单位，y发生的优势增加至原来的4.242倍。x2的Wald χ²=31.837，在各自变量中最高，进一步表明x2的效应最为稳健。
x3的回归系数为-0.730，z=-3.443，p=0.001<0.01，达到0.01水平的显著性。OR值为0.482，95%置信区间为0.318~0.730。OR值小于1且置信区间不包含1，说明x3是y发生的保护因素。x3每增加一个单位，y发生的优势降低为原来的0.482倍，即y发生的可能性降低约51.8%（1-0.482=0.518）。x3对y产生显著的负向影响关系，是一个具有保护效应的变量。
x4为定类变量，以0类别作为参照组。x4=1的回归系数为0.277，z=0.718，p=0.473>0.05，未达到显著性水平。OR值为1.320，95%置信区间为0.619~2.813，该区间包含1，说明x4不同类别之间在y发生风险上的差异不具有统计学意义。x4对y不具有显著的影响效应。
截距项的回归系数为-2.675，z=-7.737，p<0.001，OR=0.069，95%CI为0.035~0.136。截距项高度显著，表示当所有自变量取值为0时，y=1的对数优势为-2.675，对应的基础发生概率约为6.9%（exp(-2.675)/(1+exp(-2.675))≈0.065），反映了基线状态下y发生的风险水平较低。
五、森林图解读
图1 Firth惩罚Logit回归森林图
图1为Firth惩罚Logit回归的森林图（Forest Plot）。森林图是展示各自变量效应量及其置信区间的常用可视化工具，在医学Meta分析中尤为常见。图中左侧列出各自变量名称及其回归系数或OR值，中间为效应值的点估计及95%置信区间的横线，右侧为显著性p值。参考基准线为OR=1（即无效应线）。如果某个变量的95%置信区间横线跨越OR=1的参考线，则说明该变量的效应不具有统计学意义；反之，若置信区间完全位于参考线的一侧（不包含1），则效应显著。
从图1可以直观看出：x1、x2的置信区间位于OR=1参考线的右侧，表明二者均为危险因素，OR值分别约为3.963和4.242；x3的置信区间位于OR=1参考线的左侧，表明其为保护因素，OR值约为0.482；x4的置信区间跨越OR=1参考线，表明其效应不显著（p=0.473）。森林图直观地展示了各变量的效应方向和精确度，置信区间越窄说明估计精度越高，本研究中x1、x2、x3的置信区间均较窄，表明参数估计具有较高的精确度。
图2 Firth惩罚Logit回归辅助图
图3 Firth惩罚Logit回归辅助图
六、模型预测准确率
表5展示了模型的预测准确率情况，用于评价模型的拟合质量。整体预测准确率为86.563%，即320个样本中有277个被正确分类，整体错误率为13.438%。分类型来看，当真实值为0（阴性）时，模型的预测准确率为95.588%，272个阴性样本中有260个被正确预测为阴性，仅12个被误判为阳性，说明模型对阴性事件的识别能力很强。当真实值为1（阳性）时，模型的预测准确率为35.417%，48个阳性样本中仅17个被正确预测为阳性，31个被误判为阴性，错误率高达64.583%。
模型对阴性事件的预测能力远优于阳性事件，这与y的分布不均衡（85% vs 15%）有关。在罕见事件预测中，模型往往倾向于将更多样本预测为多数类（y=0），导致对少数类（y=1）的识别能力不足。在实际应用中，如果研究重点在于识别阳性事件（如疾病筛查），则需要关注模型对少数类的预测灵敏度，可考虑通过调整分类阈值或采用过采样/欠采样技术来改善模型对阳性事件的识别能力。尽管如此，86.563%的整体准确率表明模型的整体拟合质量可以接受。
七、共线性诊断
表6展示了各自变量的共线性诊断结果。共线性问题是指自变量之间存在较高的相关性，可能导致回归系数估计不稳定、标准误增大等问题。常用的判断标准为VIF（方差膨胀因子）>10（严格标准为VIF>5）或容忍度<0.1（严格标准<0.2）时认为存在共线性问题。本研究中，各自变量的VIF值均接近1（范围为1.001~1.005），远低于5的临界值；容忍度均接近1（范围为0.995~0.999），远高于0.2的临界值。这表明各自变量之间不存在共线性问题，自变量相互独立，模型中各自变量的回归系数估计是可靠和稳定的。
八、结论
本研究采用Firth惩罚Logit回归方法，将x1、x2、x3、x4作为自变量对二分类因变量y进行分析。样本共320例，其中y=1占15%，属于罕见事件场景。模型似然比检验结果显示模型整体有效（χ²=107.455，p<0.001），McFadden R²=0.403，Nagelkerke R²=0.504，模型解释力良好。回归分析结果表明：x1（OR=3.963，p<0.001）和x2（OR=4.242，p<0.001）是y发生的显著危险因素，x3（OR=0.482，p=0.001）是显著保护因素，x4对y无显著影响（p=0.473）。共线性诊断显示各自变量VIF值均接近1，不存在共线性问题。模型整体预测准确率为86.56%，对阴性事件的预测准确率高达95.59%，但对阳性事件的预测准确率较低（35.42%），在实际应用中需关注少数类的识别灵敏度。
