RCS样条分析结果解读一、方法简介限制性立方样条Restricted Cubic Splines, RCS是一种灵活的非参数回归方法用于探索连续型自变量与因变量之间可能存在的非线性关系。RCS通过在自变量的取值范围内设置若干节点knots将复杂的非线性曲线切分成若干段三次多项式并在节点处保证曲线的平滑拼接连续且一阶、二阶导数连续同时限制两端为直线从而避免了传统多项式回归在边界处的不稳定问题。RCS广泛应用于医学和流行病学研究中用于识别剂量-反应关系中的拐点、U型或J型曲线等非线性特征。本研究使用SPSSAU软件进行RCS样条分析设置4个节点以X的中位数作为参考点系统评估自变量与因变量之间的线性与非线性关系。在SPSSAU【实验/医学研究】模块选择【RCS样条分析】将变量拖拽至右侧对应分析框操作如下图二、RCS样条基本参数表1展示了RCS样条分析的基本参数设置。本研究采用Linear线性模型设置4个RCS节点X参考点选择中位数。4个节点意味着RCS将生成4-22个样条项即非线性项用于捕捉自变量与因变量之间可能存在的非线性弯曲特征。以中位数作为参考点意味着RCS曲线中该点的效应值被设定为0基准其他取值处的效应值均相对于中位数进行比较。这种设置方式在医学研究中较为常见因为中位数不受极端值影响能够代表典型水平。三、模型似然比检验表2报告了RCS样条模型的似然比检验结果。似然比检验通过比较仅截距模型即不含任何自变量的空模型与最终模型包含所有自变量和样条项的完整模型的拟合优度评估整体模型是否具有统计学意义。仅截距模型的-2倍对数似然值为493.350最终模型为365.405二者之差为卡方值127.945df7p0.001达到极显著水平。这表明最终模型显著优于空模型模型整体有效纳入的自变量和样条项对因变量具有显著的解释力。从模型信息准则来看最终模型的AIC值为381.405BIC值为412.037。AICAkaike Information Criterion和BICBayesian Information Criterion是评估模型拟合优度与复杂度平衡的常用指标二者均以越小越好为原则。如果后续进行多次RCS分析如调整节点个数或纳入/排除变量可以通过比较AIC和BIC的变化来评估模型改进的程度。当前模型的AIC和BIC值可作为后续模型比较的基准参考。四、RCS样条模型系数结果表3详细报告了RCS样条模型的各项回归系数。模型的整体拟合指标为R²0.314调整R²0.299RMSE0.419。R²0.314表示模型解释了因变量约31.4%的变异对于包含非线性项的回归模型而言这一解释力处于中等水平。常数项截距β-0.327z-0.910p0.363不显著。截距表示当所有自变量取值为0时因变量的预测值其不显著并不影响模型的解释力因为截距的含义取决于变量的编码方式。自变量x1的线性项系数β-0.225z-9.905p0.001达到极显著水平95% CI为-0.270~-0.181。该系数为负值表明x1与因变量之间存在显著的负向线性趋势即x1增大时因变量倾向于降低。x1的线性效应非常强z-9.905是模型中最重要的预测变量之一。关键的样条项非线性项样条1(x1)的回归系数为0.000z0.018p0.986完全不显著样条2(x1)的回归系数为-0.013z-0.222p0.825同样完全不显著。两个样条项的95%置信区间均包含0说明非线性项对模型的贡献极为有限。样条项的不显著初步提示x1与因变量之间可能不存在显著的非线性关系但需要结合下面的总体非线性检验进行综合判断。其他协变量方面x2的β-0.085p0.103处于边缘状态但未达显著水平x3的β0.002p0.410不显著x4的β0.022p0.356不显著x5的β0.252z10.719p0.001达到极显著水平95% CI为0.206~0.298。x5是模型中另一个强预测变量其正向效应与x1的负向效应形成对比二者共同构成模型的主要解释力来源。五、模型整体非线性关系检验表4报告了模型整体非线性关系检验的结果这是判断x1与因变量之间是否存在非线性关系的核心依据。该检验通过比较仅含线性项的模型与包含样条项非线性项的完整模型评估非线性项是否为模型带来了显著的拟合改善。检验结果显示卡方值仅为1.238df2p0.539远大于0.05的显著性水平说明非线性项对模型的贡献不具有统计学意义。综合表3的样条项系数和表4的总体非线性检验结果可以得出明确结论虽然x1与因变量之间存在极为显著的线性关联β-0.225p0.001但二者之间不存在显著的非线性关系。具体判断逻辑如下总体非线性检验p0.5390.05说明非线性关系不成立两个样条项的p值分别为0.986和0.825均远大于0.05进一步确认了非线性项的不显著性。根据RCS分析的判断标准当总体p值不显著且样条p值也不显著时说明变量间存在关联但呈简单的线性直线关系无需使用复杂的非线性模型来描述。这一结论意味着x1对因变量的负向效应是恒定的线性效应不存在剂量-反应关系中的拐点、U型或J型曲线等复杂模式。六、关键拐点识别表5报告了关键拐点的识别结果。拐点是指在RCS曲线上效应值达到局部极大值或极小值的位置即曲线由升转降或由降转升的转折点。本分析中SPSSAU未能识别出任何关键拐点X参考点中位数为53.475。拐点识别失败进一步印证了前述结论x1与因变量之间为简单的线性关系RCS曲线不存在弯曲或转折因此自然不存在极值拐点。在实际研究中如果RCS分析识别出拐点研究者可以据此确定自变量的关键阈值。例如在医学研究中拐点可能对应某个生物标志物的最佳截断值超过该值后疾病风险急剧升高或降低。本研究中未识别出拐点说明x1对因变量的效应是单调递增或单调递减的线性关系不存在风险急剧变化的临界点。七、RCS样条曲线图图1 RCS样条分析曲线图图1展示了x1与因变量之间的RCS样条曲线图。RCS曲线图的横轴为自变量x1的取值纵轴为效应值即相对于参考点x153.475时的log-odds或线性预测值的变化量。图中的实线表示RCS拟合的剂量-反应曲线阴影区域或虚线表示95%置信区间。水平参考线位于效应值0处对应X参考点中位数53.475的效应值。从RCS曲线图可以直观观察到以下特征第一曲线整体呈现从左上方到右下方的下降趋势表明随着x1的增大因变量的预测值逐渐降低这与x1线性项系数为负β-0.225的结论一致。第二曲线的下降趋势较为均匀未出现明显的弯曲、波动或转折近似为一条直线这与非线性检验p0.539不显著的结论完全吻合。第三曲线在x1取值较小的区域左侧置信区间相对较宽反映了该区域样本量较少或数据变异较大导致估计精度降低在x1取值集中的区域中部置信区间较窄估计精度较高。第四曲线在x1取值较大的区域右侧置信区间可能略有扩大但整体趋势仍然清晰。综合RCS曲线图的形态和统计检验结果可以确认x1与因变量之间存在显著的负向线性关系不存在非线性特征。这一结论对于后续建模具有指导意义研究者可以使用简单的线性项来描述x1与因变量的关系无需引入复杂的非线性变换或分段回归模型。八、样本缺失情况如表6所示共有340例样本全部进入RCS模型分析无缺失数据被排除有效样本率为100%数据完整性良好。九、结论本研究使用SPSSAU软件进行RCS样条分析设置4个节点以X中位数53.475为参考点系统评估了自变量x1与因变量之间的线性和非线性关系。主要结论如下第一RCS样条模型整体有效。似然比检验显示最终模型显著优于仅截距模型卡方127.945df7p0.001AIC381.405BIC412.037模型拟合良好。第二x1与因变量之间存在极为显著的负向线性关系β-0.225z-9.905p0.001x1每增加一个单位因变量平均降低0.225个单位。x1是模型中最强的预测变量之一。第三x1与因变量之间不存在显著的非线性关系。总体非线性检验p0.5390.05两个样条项的p值分别为0.986和0.825均不显著。RCS曲线呈现近似直线的单调下降趋势未出现U型、J型或其他非线性模式。第四未识别出关键拐点进一步证实了x1与因变量之间为简单线性关系不存在风险急剧变化的临界值。第五协变量x5也是显著的预测变量β0.252p0.001具有显著的正向效应。x2处于边缘显著水平p0.103x3和x4均不显著。模型R²0.314解释了因变量约31.4%的变异。