本文使用随机生成的数据集进行批量单因素logistic回归分析,并提取P<0.05的变量以供后续多因素logistic回归。后续会继续分享一些R语言分析代码,欢迎大家一起讨论学习。
构建数据,Y为因变量,其他为自变量构建数据
生成随机数据的代码截图
#0.构建数据,Y为因变量,其他为自变量
set.seed(1234)#设置随机种子,保证生成数据一致
log_data<- data.frame(Y = sample(0:1, 600, replace = T),
sex=sample(1:2, 600, replace = T),
edu=sample(1:4, 600, replace = T),
BMI=rnorm(600, mean = 22, sd = 3),
白蛋白=rnorm(600, mean = 35, sd = 6),
随机血糖=rnorm(600, mean = 4.75, sd = 1.2))
描述数据
对生成的数据进行描述
可以看到sex与edu变量显示的“数值型”,因此需要进行一下转化:
数据处理,因子化
因子化
VarsC<-c("Y","sex","edu")
for(i in VarsC){
log_data[,i] <- as.factor(log_data[,i])
} # 利用循环因子化
然后我们再描述一下数据:
可以看到sex与edu已经变成分类变量,这样继续进行接下来的分析。
准备进行分析的自变量varsU<-names(log_data[,2:6]) # 自变量
批量单因素logistic回归
批量单因素logistic回归 代码截图
Result<-c()
for (i in 1:length(varsU)){
fit<-glm(substitute(Y~x,list(x=as.name(varsU[i]))),data=log_data,family=binomial())
fitSum<-summary(fit)
result1<-c()
result1<-rbind(result1,fitSum$coef)
OR<-exp(fitSum$coef[,'Estimate'])
result1<-data.frame(cbind(result1,cbind(OR,exp(confint(fit)))))
result1$Characteristics<-varsU[i] #添加变量名
Result<-rbind(Result,result1[-1,])#[-1,],删除常数项
}
提取制表变量重命名,提取有意义的变量
Uni_log<-data.frame(Result[,c(1,4:8)]) #提取"P","OR","CIlower","CIupper"和变量名
colnames(Uni_log)[2:5]<-c("P","OR","CIlower","CIupper")#变量重命名
ExtractVar<-unique(Uni_log$Characteristics[Uni_log$"P"<0.05])#提取有意义的变量
查看结果,输出文档
Uni_log
write.csv(Uni_log,file="Uni_log.csv")#输出文档
Uni_log结果
输出的csv文件截图,方便制作三线表
,