回归分析是临床医学研究中常用的统计方法，小编在工作中发现医学稿件中存在大量的回归分析使用不当甚至错误的问题，由错误的分析结果得出的结论也必然不可靠。基于此，小编总结了在回归分析中常见的4点易差错的地方和常用回归分析方法如多元线性回归、Logistic回归及Cox回归的异同（见表1），具体内容如下：
模型选用不当
医学论文中回归分析常见问题就是模型选用不当。Logistic回归常与多元线性回归误用，多表现为用多元线性回归处理因变量是分类变量的资料。在进行生存分析时，有些研究用Logistic回归代替Cox回归，这样处理只能分析生存结局影响因素，但未考虑生存时间，数据信息利用不全，结论不合理。
自变量的筛选和相互独立性考虑不全
一般可根据自己的专业、经验或查阅文献列举出候选自变量。但需明确样本量和自变量的数量应满足分析要求。一般来说，阳性结局事件个数或样本量少的组别的例数是自变量数量的10或15倍左右时，能够保证假设检验的精度。
回归分析一般要求自变量相互独立。不应把候选自变量不做处理或筛选，而全部带入回归模型。如果自变量间存在相关性，将会使得回归方程不稳定，筛选不出真实的影响因素，或者筛选出来的因素与实际意义不相符。应先进行变量筛选，从有共线性的变量组中筛选出若干个变量来建立最优回归式。
变量赋值不合理
部分稿件变量赋值缺失或不正确。确定变量赋值可直接影响模型的解读。通过变量赋值可以判定模型选用是否正确，才能对求解出的模型进行解读，从而得出结论。对于无序分类变量应进行哑变量化。
回归结果的解读不正确
回归分析结果中，需提供偏回归系数（β）及其显著性检验结果，OR、RR或HR及其95%CI。但对于一些研究，决定系数R2至关重要，必须体现R2是否有统计学意义及其大小。一般情况下，不能通过直接比较β的大小来判断某几个自变量对因变量的影响程度，此时应提供标准回归系数。核对数据，包括核对数值和方向。结果中OR、RR或HR的值等于eβ，显著性检验P0.05等价于95%CI包含1。同时还要注意β的方向（正负号)与变量赋值的方向是否相符，是否能正确反映因变量与自变量之间的关系。
表1多元线性回归、Logistic回归及Cox回归分析方法对比参考文献
孙振球.医学统计学[M].3版.北京:人民卫生出版社,:-.王曼.医学论文中常用回归分析方法的审核要点及对策[J].编辑学报,,30(5):40-42.编辑：闫玉梅 审校：郑淑
临床医学研究与实践杂志社
