逻辑回归中Odd Ratio（OR）与描述性统计方向相反的问题咨询

你遇到的矛盾核心原因是模型的自变量和因变量搞反了，完全搞错了分析的方向。

1. 研究目标与实际模型的偏差 #

你原本想分析的是：新冠感染史（post_covid）对独立功能能力的影响，也就是应该把「独立功能能力（Independent/Not independent）」作为因变量，「新冠感染史（Yes/No）」作为自变量，看感染新冠后出现功能非独立的Odds是多少。

但你实际运行的glm公式是：

logistic= glm(post_covid_dic ~  function_dependent_dic, family = binomial, data= subsetted_data_for_regression)

这个模型的逻辑是：用独立功能能力来预测新冠感染史，也就是把「新冠感染史」当成了因变量，「独立功能能力」当成了自变量，和你的研究目标完全相反。

2. 数据与模型结果的对应拆解 #

先把你的描述性统计转成清晰表格：

• 功能独立组的新冠感染率：72/(72+345) ≈ 17.27%
• 功能非独立组的新冠感染率：37/(37+58) ≈ 38.95%
  确实非独立组的感染占比更高，符合你的观察。

再看你运行的反向模型：
模型计算的是「功能非独立相对于功能独立，新冠感染史为Yes的Odds比值」。具体来说：

• 功能独立组的感染Odds：72/345 ≈ 0.2087（感染人数/未感染人数）
• 功能非独立组的感染Odds：37/58 ≈ 0.6379

但因为模型把新冠感染史设为因变量，系数对应的是「功能非独立」相对于「功能独立」时未感染/感染的Odds比值（从exp(Intercept)=4.79能看出，Intercept是功能独立组的未感染/感染Odds：345/72≈4.79），所以功能非独立组的未感染/感染Odds是4.79 * 0.327 ≈ 1.566，对应的感染率就是1/(1+1.566)≈38.97%——和描述性统计完全一致，只是这个OR的含义和你想要的完全相反。

3. 修正方法 #

把模型公式反过来，改成你真正需要的分析方向：

# 正确模型：因变量是独立功能能力，自变量是新冠感染史
logistic_correct = glm(function_dependent_dic ~ post_covid_dic, family = binomial, data= subsetted_data_for_regression)
summary(logistic_correct)
exp(cbind(OR= coef(logistic_correct), confint(logistic_correct)))

这样得到的OR值会大于1，对应「感染新冠的人群，出现功能非独立的Odds是未感染人群的多少倍」，和你的描述性统计结论一致。

内容的提问来源于stack exchange，提问作者user3315563