如何通过logbin相对风险回归模型计算RR及95%置信区间

核心原理 #

logbin包拟合的是对数链接的二项回归模型，模型输出的系数是对数转换后的风险比（即log(RR)），只需对系数进行指数化就能得到原始RR值；95%置信区间则通过对「系数 ± 1.96×标准误」进行指数化计算得到。

具体操作代码 #

基于你已拟合的fit.logbin模型，执行以下代码提取RR及95%CI：

# 提取模型系数与标准误
coefs <- coef(fit.logbin)
ses <- sqrt(diag(vcov(fit.logbin)))

# 计算RR和95%置信区间
rr_values <- exp(coefs)
rr_ci <- exp(cbind(
  lower = coefs - 1.96 * ses,
  upper = coefs + 1.96 * ses
))

# 整理成易读的结果表格
result_table <- data.frame(
  变量 = names(coefs),
  RR = round(rr_values, 4),
  95%CI下限 = round(rr_ci[, "lower"], 4),
  95%CI上限 = round(rr_ci[, "upper"], 4),
  P值 = round(summary(fit.logbin)$coefficients[, 4], 4)
)

print(result_table)

结果解读 #

以你的模型输出为例：

• 截距项(Intercept)的RR为exp(-1.4883) ≈ 0.225，代表当t0_FIO1为0时的基线事件风险比；
• 自变量t0_FIO1的RR为exp(0.012995) ≈ 1.0131，说明t0_FIO1每增加1单位，事件发生的相对风险上升约1.31%，对应的95%CI为(1.0103, 1.0159)，区间不包含1且P值<0.001，提示该关联具有统计学意义。

注意事项 #

你最初的glm代码中使用的自变量是t0_IOT，但logbin模型输出中显示的是t0_FIO1，推测是代码中的变量名笔误，需确保前后变量一致。

内容的提问来源于stack exchange，提问作者ArTu