在Logistic回归分析时，为了验证我们分析结果的重要，高分杂志往往会要求作者将变量变换着形式进入模型，看能否得到一致的结果，以充分证明分析的可靠。
而具体变化的规则，就是松哥反复强调的，从高级变低级。（即计量-等级-计数）；而建模策略请大家参考松哥的：此文将颠覆你对多因素分析建模策略的认识【松哥漫谈】
如果分析得到的规律是真实存在的，那么同一变量的不同形式得到的结果应该是一致的。就像你真爱她的话，不会因为时间改变了她的容颜，而产生变化。如果发生变化，说明你并不是真真正正的爱（有点酸，打住！）
有人进行了一次Logistic回归，研究年龄（age），性别（sex）和体质指数（BMI）对某种疾病（Y）的关系研究，然而发生了一件不想发生的事情！
3个自变量，年龄（age）为计量资料的形式；性别为（0、1）二分类变量；BMI根据专业，设定为等级（1=营养不良，2=正常，3=超重）。【这样设置用心良苦，因为3个变量，老大、老二和老三都到了】，效应量（Y）为某种疾病（0=无病，1=有病）。
根据上述数据说明，与分析目的，应该采用二项Logistic回归进行风险因素发现是没问题的。于是原作者就进行了二项Logistic回归，得到结果如下：
（1）注：此时年龄为连续变量进入模型
大家可见，三个变量只有age有意义，OR=1.019，95%CI：1.001-1.038；其他两个变量无统计学意义。
到此时，貌似没有任何问题。为了验证age是不是真正的与疾病（Y）有关，于是原作者将age计量资料（连续性资料）转化为等级资料，然后加入模型进行分析。结果如下：
（2）把age每隔10年一变后，(即2=20-39岁，3=30-39岁...)
结果发现，年龄等级分组后（ageage），竟然没有意义了！！这到底是为什么呢？
所谓“偏听则暗 兼听则明”，本例如果age真的与疾病Y有关联，是其危险因素，那么当age以计量资料进入是，得到结果解释为年龄每增加1岁，发生该病的风险增加0.019，即1.9%，（P<0.05）。
然而大家试想一下，很多的时候，某种疾病的发生并不是年龄增加1岁就有多大的变化。因此我们才考虑将age（计量资料）转化为等级资料，如本例以10岁为一个等级进行分组。即文中ageage变量。
可是分析结果发现，ageage变量却没有意义了。那年龄到底与该疾病有无关系呢？
基于本例研究的数据，应该年龄与该疾病有关系的证据不做。理论上，如果计量资料的形式P<0.05，那么换成等级资料的形式，P应该肯定小于0.05才对。因为换成等级，解释为每增加1个等级的发病风险，此时1个等级为10岁，发病风险应该增大才对。
为什么很多高质量论文，将计量资料进入模型分析，然后再转换为等级放入模型再分析，也就是对规律的再次证实。
那么本例为什么计量资料分析时，P<0.05了呢?大家细看，你会发现，此时的OR的95%可信区间也就仅仅比1大那么一点点点！而且可信区间很窄，说明啥，说明本例样本量比较大。按照3个自变量的Logistic回归，大约60例样本就够了，而本例有多少？有853例，很可能因为样本量过大导致的哦！所谓“样本过大易过溢，样本过小不识别”。
本例上述松哥进行推断辨析的基础，是按照正规正常程序进行的回归。如果自变量未经线性识别，而呈现其他U型，曲线，或者啥阈值效应或积累效应等，不包括哦！
关系型分析是统计分析的最高境界，各种原因、各种现象需要一定的统计学思维进行辨析。对于初学者，或者想提升的入门者，学习统计最佳的捷径，就是跟人学，别指望自学成才，国内统计书上的理论，太过于简单，现实中遇到问题翻书，往往是找不到答案的。所谓“书到用时找不到”。同时国内统计授课或者传播的水平相比国外发达国家，还是要落后10年，都不为过！我辈努力吧！
