回归分析在临床研究中的应用非常广泛，扮演着非常重要的角色。回归分析的目的和套路基本上差不多，通常用于：
（1）探索危险因素，比如疾病发生或临床结局的影响因素有哪些？
（2）定量分析影响因素对结局的影响，比如血糖和血脂有可能影响高血压病人的结局，哪个影响更大一些？
（3）校正混杂因素，比如饮食模式是结直肠癌的影响因素，但肥胖可能是影响两者关系的混杂因素，需要进行校正，观察饮食模式对结直肠癌的真实效应；
（4）预测风险概率，即根据已知的危险因素去预测临床结局的发生概率。
本期给大家整理了一些常见回归分析的定义以及使用场景，近期在学习或者想学习临床预测模型的同学一定要存好了！
1. 线性回归（Linear Regression）
2. Logistic回归（Logistic Regression）
3. Cox比例风险回归（Cox Regression）
4. 泊松回归（Poisson Regression）
5. 负二项回归（Negative Binomial Regression）
6. 有序Logistic回归（Ordinal Logistic Regression）
7. 多项Logistic回归（Multinomial Logistic Regression）
8. 岭回归（Ridge Regression）
9. Lasso回归（Least Absolute Shrinkage and Selection Operator）
10. 分位数回归（Quantile Regression）
通过结合临床问题类型（连续/分类/生存/计数）和数据特征（共线性、维度、分布），选择合适回归方法可提升预测模型的准确性与解释性。
纸上得来终觉浅，学临床研究预测模型一定要自己亲自去操作，看是永远学不会的。比较快的方法就是参加项目，项目会推着你坚持学习！如果你今年想学会临床预测模型，身边没有合适的课题组资源，不妨花点米来统计之光项目组，临床大佬一对一带着你学，带你从0将一个全新临床选题落地！
