如何在R中逐个拟合单变量Logistic回归并导出结果？

关于你提到的工具说明： #

• ols_step_all_possible 来自olsrr包，仅适用于普通最小二乘（OLS）线性回归，完全不支持Logistic回归，不要使用它。
• MuMIn包的dredge确实能筛选模型，但用来只做单变量模型属于大材小用，手动批量拟合更高效直接。

解决方案： #

以下提供两种实用方法，都能快速拟合20个单变量Logistic回归，并提取系数、优势比（OR）和p值到表格。

方法1：Base R 循环（无需额外包）

# 模拟示例数据（替换成你的真实数据）
set.seed(123)
n <- 100
dat <- data.frame(
  y = rbinom(n, 1, 0.5),
  matrix(rnorm(n*20), ncol=20, dimnames=list(NULL, paste0("x", 1:20)))
)

# 获取所有预测变量名
pred_vars <- colnames(dat)[-1]

# 初始化结果容器
results_list <- list()

# 逐个拟合模型并提取结果
for(var in pred_vars) {
  # 构造回归公式
  fit_formula <- as.formula(paste("y ~", var))
  # 拟合Logistic回归
  model <- glm(fit_formula, data = dat, family = "binomial")
  # 提取自变量的系数、p值（跳过截距项）
  coef_info <- summary(model)$coefficients[2, ]
  # 整理成数据框存入列表
  results_list[[var]] <- data.frame(
    变量名 = var,
    系数 = coef_info[1],
    优势比OR = exp(coef_info[1]),
    p值 = coef_info[4]
  )
}

# 合并为最终表格
final_result <- do.call(rbind, results_list)
rownames(final_result) <- NULL

方法2：Tidyverse + Broom（代码更简洁）

如果你熟悉tidyverse生态，用purrr配合broom包可以更优雅地处理：

library(tidyverse)
library(broom)

# 沿用上面的示例数据，替换成你的数据即可
pred_vars <- colnames(dat)[-1]

final_result <- pred_vars %>%
  map_dfr(function(var) {
    # 拟合模型
    glm(as.formula(paste("y ~", var)), data = dat, family = "binomial") %>%
      # 把模型结果转换成数据框
      tidy() %>%
      # 只保留自变量的行（跳过截距）
      filter(term == var) %>%
      # 计算优势比，并重命名列
      mutate(优势比OR = exp(estimate)) %>%
      select(变量名 = term, 系数 = estimate, 优势比OR, p值 = p.value)
  })

可选：用dredge实现（不推荐） #

如果一定要用MuMIn的dredge，需要先拟合全模型，再筛选单变量模型：

library(MuMIn)

# 拟合包含所有变量的全模型（注意需确保无缺失值，设置na.action=na.fail）
full_model <- glm(y ~ ., data = dat, family = "binomial", na.action = na.fail)

# 筛选仅含1个自变量的模型（df=2表示截距+1个变量，自由度为2）
dredge_out <- dredge(full_model, subset = (df == 2))

# 转换为表格并整理列
dredge_result <- as.data.frame(dredge_out) %>%
  mutate(优势比OR = exp(estimate)) %>%
  select(变量名 = term, 系数 = estimate, 优势比OR, p值 = `Pr(>|z|)`)

这种方法需要先拟合全模型，对于仅需单变量模型的场景来说冗余，不如前面两种方法直接。

内容的提问来源于stack exchange，提问作者Ronald Carlos