如何用R语言rms包的residual.lrm评估逻辑回归模型拟合优度？

你对拟合优度检验的深入调研很靠谱——确实，Hosmer-Lemeshow（HL）检验的局限性已经被Hosmer本人及后续研究指出，比如它对分组数量的选择非常敏感，样本量较小时结果稳定性差，相比之下omnibus拟合优度检验（如Deviance或Pearson卡方检验）的可靠性更有保障。

关于你提到的le Cessie-van Houwelingen-Copas-Hosmer未加权平方和检验，这是HL检验的改进版本，能规避HL检验的不少缺陷，而R语言的rms包正好提供了便捷的实现方式，具体操作可以参考以下步骤：

• 首先加载rms包（如果还没安装，先运行install.packages("rms")）：

  library(rms)
  

• 假设你的逻辑回归模型是用rms包的lrm()函数构建的（比如my_model <- lrm(disease ~ age + bmi + smoke, data = patient_data)），直接调用residual.lrm()函数执行拟合优度检验：

  gof_test <- residual.lrm(my_model, type = "gof")
  

  参数type = "gof"明确指定计算le Cessie-van Houwelingen的未加权平方和检验统计量及对应p值。

• 查看检验结果：

  print(gof_test)
  

  输出中的p值是关键判断依据——如果p值大于0.05（或你设定的显著性水平），说明没有足够的统计学证据拒绝“模型拟合良好”的原假设，即模型的拟合效果符合预期。

另外，omnibus拟合优度检验可以通过anova(my_model)查看，它检验的是当前模型是否显著优于仅含截距的空模型，和le Cessie-van Houwelingen检验结合使用，能更全面地评估模型的拟合表现。

内容的提问来源于stack exchange，提问作者Niraj Vyas