逻辑回归中如何对非线性偏态连续自变量进行分类处理？

问题背景 #

你手头的自变量是天数，仅取89、90、91、92四个值，与因变量的对数优势比无线性关系，需当作分类变量处理。但该变量分布偏态严重——大部分样本集中在89和92，90、91的样本量极少，这让你纠结分类方式的合理性，目前试过将每个值单独设类别、以89为参照，但仍有疑虑。

现有方法的合理性 #

你当前使用的单值分类法是完全可行的基础方案，对应的SAS代码没有问题：

proc logistic data = data; 
    class independent_variable (ref = '89') / param = ref; 
    model outcome(event='1') = independent_variable; 
run;

但要注意两个潜在问题：

• 若90、91的样本量过小，这两个类别的参数估计会不稳定，标准误偏大，甚至无法得到有效结果
• 四个类别会增加模型复杂度，解释性也会打折扣

更优的重新分类策略 #

结合分布偏态的特点，推荐两种实用的分类方式：

1. 合并小众类别
   把样本量极少的90、91合并为一个类别（比如命名为"90-91"），最终形成3个类别：89、90-91、92。这种方式既保留了数据核心分布特征，又避免了小样本带来的估计偏差，模型解释性也更强。
   对应的SAS代码（先生成新分类变量）：

data data_new;
    set data;
    select(independent_variable);
        when(89) iv_cat = '89';
        when(90,91) iv_cat = '90-91';
        when(92) iv_cat = '92';
        otherwise;
    end;
run;

proc logistic data = data_new; 
    class iv_cat (ref = '89') / param = ref; 
    model outcome(event='1') = iv_cat; 
run;

2. 按业务/临床意义合并
   如果天数的差异有实际业务或临床逻辑（比如89是提前1天，90是当天，91是延后1天，92是延后2天），可以按"提前"、"当天/延后1天"、"延后2天"的逻辑合并，这种分类的解释性会更贴合实际场景。

验证要点 #

• 无论选择哪种分类方式，都要检查每个新类别的样本量，确保每个类别至少有10-20个事件/非事件样本，避免估计不稳定
• 可以分别拟合不同分类的模型，用AIC、BIC等指标比较拟合效果，再结合业务解释性选择最优方案

内容的提问来源于stack exchange，提问作者miczan