前言

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

r语言做回归如何筛选变量（R语言logistic回归一）(1)

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

r语言做回归如何筛选变量（R语言logistic回归一）(2)

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

r语言做回归如何筛选变量（R语言logistic回归一）(3)

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：

r语言做回归如何筛选变量（R语言logistic回归一）(4)

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

r语言做回归如何筛选变量（R语言logistic回归一）(5)

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

r语言做回归如何筛选变量（R语言logistic回归一）(6)

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

r语言做回归如何筛选变量（R语言logistic回归一）(7)

Uni_log

write.csv(Uni_log,file="Uni_log.csv")#输出文档

r语言做回归如何筛选变量（R语言logistic回归一）(8)

Uni_log结果

r语言做回归如何筛选变量（R语言logistic回归一）(9)

输出的csv文件截图，方便制作三线表

,