Meta分析技术咨询：Logistic回归中能否通过√R²求r，或转OR为Cohen's D再转r？

首先明确说：绝对不能直接对Logistic回归的R²开平方来得到Pearson r，原因很简单——Logistic回归里的R²（比如常用的Nagelkerke R²或者Cox & Snell R²）和线性回归中的R²完全不是一个概念。线性回归的R²确实是Pearson相关系数r的平方，代表自变量解释因变量变异的比例，但Logistic回归的R²是衡量模型对二分因变量的拟合优度，它和变量间的线性相关系数没有直接的平方对应关系，强行开平方得到的数值没有统计意义，不能用于你的Meta分析。

正确的做法是先把优势比（OR）转换为Cohen's d，再将Cohen's d转换为Pearson r，具体步骤和公式如下：

第一步：OR转Cohen's d #

如果你的Logistic回归中，自变量是二分变量（这是OR最常见的应用场景），可以用这个经典转换公式：

d = ln(OR) * (√3 / π)

这里ln(OR)是OR的自然对数，√3≈1.732，π≈3.1416。这个公式假设两组样本量大致相等，如果两组样本量差异较大，你可以用加权版本调整：

d = ln(OR) * (√(n1*n2)/(n1+n2)) * (√3 / π)

其中n1和n2是二分自变量两组的样本量。

如果自变量是连续变量，那Logistic回归输出的是回归系数β（而不是OR），此时转换为d的公式是：

d = β * √(π²/3)

这个公式基于自变量已经标准化（均值为0，标准差为1）的前提，如果自变量未标准化，需要先将β转换为标准化系数再代入。

第二步：Cohen's d转Pearson r #

得到Cohen's d后，就可以用这个通用公式转换为Pearson r：

r = d / √(d² + 4)

这个公式适用于两组样本量近似相等的情况，若样本量差异显著，也可以用加权调整的版本，但在Meta分析中，这个简化公式通常已经足够满足需求。

额外注意事项 #

• 转换前务必确认研究中Logistic回归的变量类型（自变量是二分还是连续），选对对应的转换公式；
• 如果研究报告了置信区间，记得同时转换OR的置信区间上下限，得到d的置信区间后再转成r的置信区间，这样你的Meta分析结果会更严谨；
• 部分统计软件（比如R中的effsize包）可以直接完成这些转换，你可以用代码来验证手动计算的结果，避免出错。

内容的提问来源于stack exchange，提问作者Bobby