统计百科 · 2026-06-24

逻辑回归 OR 值的 APA 报告怎么写？优势比 + 95%CI + Wald 格式全解

统计百科：专攻逻辑回归 OR 值（优势比）的 APA 7th 报告格式——OR 值精度要求、95%CI 写法、Wald χ²/z 统计量格式、Nagelkerke R²报告位置、可直接抄进论文的完整模板，逐一盘点审稿人最常挑的 OR 格式错误。

论文里逻辑回归的 OR 值让审稿人皱眉，往往不是因为跑错了模型，而是格式细节不对：OR 值要保留几位小数、95% CI 用方括号还是圆括号、Wald 检验报 chi^2 还是 z、Nagelkerke R² 写在哪里……这篇文章只讲一件事：逻辑回归 OR 值到底怎么规范写进论文的每一种场景，给出 APA 7th 所有相关格式的完整模板，并逐一盘点审稿人最常挑的 OR 报告错误。

你的 OR 值报告有这些问题吗？

审稿人或导师关于逻辑回归 OR 值报告最常见的反馈：

"OR 值应保留两位小数，且须配合 95% CI 一并报告"
"95% CI 请用方括号格式：OR = 2.34, 95% CI [1.56, 3.51]"
"Wald 统计量是 chi^2 还是 z？请统一标注自由度"
"缺少模型整体拟合指标，请补充 -2LL 和 Nagelkerke R²"
"OR = 1.000 不规范，小于 1 的保护因素应报告为 OR = 0.43，而非倒数"
"方法章节没有说明参考类别（reference category），请补充"

这些错误分散在 APA Publication Manual 第七版关于推断统计和回归分析报告的多个章节，但专门针对逻辑回归 OR 格式的实操指南并不多。本文只讲一件事：OR 值到底怎么规范写进论文。

如果你还没看过姊妹篇逻辑回归完整 AI 实操教程，建议先读那篇了解建模流程；本文默认你已完成模型拟合，专注于报告格式，不再重复建模步骤。

一、OR 值是什么，与回归系数 B 有什么关系

OR（优势比）的直觉含义

逻辑回归直接估计的是对数优势比（log odds），即回归系数 B。OR 值是 B 的指数变换：

$OR = e^B$

OR 值回答的问题是：在其他变量不变的情况下，该预测变量增加 1 个单位，结局事件发生的"优势"变为原来的几倍？

OR = 1：该变量对结局无影响（增加 1 单位，发生优势不变）
OR > 1：危险因素（增加 1 单位，发生优势增大）
OR < 1：保护因素（增加 1 单位，发生优势减小）

OR 与相对危险度（RR）的区别：OR 是"优势之比"，RR 是"概率之比"。当结局事件发生率较低（< 10%）时，OR 近似等于 RR；当发生率较高时，OR 会高估（危险因素）或低估（保护因素）RR，报告时需注意说明。

Wald 检验与 Wald z/chi^2

逻辑回归没有 F 值或 t 值，检验单个预测变量是否显著的统计量是 Wald 统计量。不同软件的呈现方式略有不同：

软件	输出格式	APA 报告格式
SPSS / SAS	Wald chi^2（df = 1）	Wald chi^2(1) = X.XX
R（glm）	z 值（Wald z）	z = X.XX
Stata	z 值	z = X.XX

两者等价：Wald chi^2 = z²，报告时保持与所用软件一致即可，但要注明是哪种形式。ChatSRS 默认输出 Wald chi^2(1) 和对应 z 值，两者均可用于论文。

二、APA 7th 格式规范：OR 报告必须包含的要素

必报要素清单

要素	格式	示例
OR 值（两位小数）	OR = X.XX	OR = 2.34
95% 置信区间	95% CI [下限, 上限]	95% CI [1.56, 3.51]
Wald 统计量	Wald chi^2(1) = X.XX 或 z = X.XX	Wald chi^2(1) = 18.43
p 值（精确三位小数）	p = .XXX 或 p < .001	p < .001
模型整体拟合	-2LL、chi^2 显著性、Nagelkerke R²	见下文模板
参考类别说明	分类变量须注明	"以'否'为参考类别"

OR 值与置信区间的精度要求

OR 值精确到两位小数：OR = 2.34（不写 2.3 或 2.342）
95% CI 上下限同样保留两位小数：95% CI [1.56, 3.51]
CI 使用方括号，不用圆括号（APA 7th 第 89 页规定）
p 值精确到三位小数，不加前导零：p = .032（不写 p = 0.032）
p = .000 → 改写为 p < .001
OR 不加前导零（但通常 OR >= 0.01，实际极少需要注意此规则）

Nagelkerke R² 的报告位置

Nagelkerke R²（伪决定系数）是逻辑回归模型拟合优度的主要指标，报告在模型整体介绍段落，而非单个预测变量旁边。格式示例：

整体模型显著，chi^2(3) = 47.82，p < .001，Nagelkerke R^2 = .312，模型对结局变量的解释力为中等偏大。

常见错误：把 Nagelkerke R² 写在每个变量后面，或与 OR 值混排——这与线性回归 R² 的用法不同，逻辑回归的 Nagelkerke R² 属于模型级指标。

三、各场景完整 APA 报告模板

场景一：二元逻辑回归单个预测变量

情形：检验吸烟（是/否）是否预测心血管事件（发生/未发生）。

句式模板：

[变量名]显著预测[结局]，OR = X.XX，95% CI [X.XX, X.XX]，
Wald chi^2(1) = X.XX，p [= .XXX / < .001]。
与[参考类别]相比，[实验类别]发生[结局]的优势
[增加/降低]了 [XX%]（OR - 1 的百分比绝对值）。

填入数值的示例：

吸烟状况显著预测心血管事件，OR = 2.87，95% CI [1.94, 4.25]，Wald chi^2(1) = 24.16，p < .001。与非吸烟者相比，吸烟者发生心血管事件的优势增加了 187%。

保护因素（OR < 1）的写法：

规律运动显著降低心血管事件风险，OR = 0.43，95% CI [0.28, 0.66]，Wald chi^2(1) = 14.87，p < .001。规律运动者发生心血管事件的优势为非规律运动者的 0.43 倍（即降低约 57%）。

注意：保护因素直接报告 OR = 0.43，不要写成"OR = 2.33（非运动者 vs. 运动者）"——不要擅自倒置参考类别，保持与模型设定一致。

场景二：二元逻辑回归完整模型（方法 + 结果段落）

情形：3 个预测变量（年龄、吸烟、BMI），N = 320，结局为 2 型糖尿病（有/无）。

方法章节模板：

采用二元逻辑回归（Binary Logistic Regression）分析[预测变量]
对[结局变量]的预测作用。模型纳入[自变量列表]作为预测变量，
以[参考类别]为参照组。以 Hosmer-Lemeshow 检验评估模型拟合优度，
分类变量转换为虚拟变量（dummy coding），以[参考类别]为参照。
效应大小以优势比（OR）及其 95% 置信区间（CI）报告，
Nagelkerke R^2 用于描述模型解释力。
统计分析使用 ChatSRS（SPSS、R 及 Stata 三引擎），显著性水平设为 alpha = .05。

结果段落模板（模型整体 + 各变量）：

以是否患 2 型糖尿病为因变量，以[变量]等 X 个变量为预测变量，
构建二元逻辑回归模型。整体模型显著，
chi^2([df]) = X.XX，p [值]，Nagelkerke R^2 = .XX，
Hosmer-Lemeshow 检验不显著，chi^2(8) = X.XX，p = .XXX，
表明模型拟合良好。各预测变量的 OR 值及 95% CI 见表 X。

在控制其他变量后：
- [变量1]显著预测糖尿病，OR = X.XX，95% CI [X.XX, X.XX]，
  Wald chi^2(1) = X.XX，p [值]；
- [变量2]显著预测糖尿病，OR = X.XX，95% CI [X.XX, X.XX]，
  Wald chi^2(1) = X.XX，p [值]；
- [变量3]的预测作用未达显著，OR = X.XX，95% CI [X.XX, X.XX]，
  Wald chi^2(1) = X.XX，p = .XXX。

填入数值的完整示例：

以是否患 2 型糖尿病为因变量，以年龄、吸烟状况和 BMI 为预测变量，构建二元逻辑回归模型。整体模型显著，chi^2(3) = 47.82，p < .001，Nagelkerke R^2 = .312，Hosmer-Lemeshow 检验不显著，chi^2(8) = 6.34，p = .609，表明模型拟合良好，模型总体预测准确率为 76.3%。

在控制其他变量后，年龄（OR = 1.06，95% CI [1.03, 1.09]，Wald chi^2(1) = 18.43，p < .001）和 BMI（OR = 1.18，95% CI [1.11, 1.26]，Wald chi^2(1) = 22.61，p < .001）均显著正向预测 2 型糖尿病风险；吸烟状况（OR = 1.42，95% CI [0.87, 2.31]，Wald chi^2(1) = 2.17，p = .141）的预测作用未达统计显著性。

场景三：含多分类自变量的逻辑回归

情形：教育程度（初中/高中/大学及以上，以初中为参考）预测就业状态（就业/未就业）。

句式模板：

以[最低/基准类别]为参考类别，[类别名]相比参考类别，
OR = X.XX，95% CI [X.XX, X.XX]，Wald chi^2(1) = X.XX，p [值]；
[另一类别名]相比参考类别，OR = X.XX，95% CI [X.XX, X.XX]，
Wald chi^2(1) = X.XX，p [值]。

填入数值的示例：

以初中学历为参考类别，高中学历者就业的优势显著高于初中学历者，OR = 2.15，95% CI [1.34, 3.46]，Wald chi^2(1) = 10.24，p = .001；大学及以上学历者的优势更为突出，OR = 4.87，95% CI [2.93, 8.09]，Wald chi^2(1) = 28.73，p < .001。

注意：多分类自变量不要只报告一个汇总的 Wald 统计量——每个虚拟变量都需要单独报告 OR 和 95% CI，同时在方法章节注明参考类别。

场景四：逻辑回归结果表（APA 格式）

APA 格式的逻辑回归结果表应包含以下列：

预测变量	B	SE	Wald chi^2	df	p	OR	95% CI
年龄	0.06	0.01	18.43	1	< .001	1.06	[1.03, 1.09]
BMI	0.17	0.03	22.61	1	< .001	1.19	[1.11, 1.26]
吸烟（是 vs. 否）	0.35	0.25	2.17	1	.141	1.42	[0.87, 2.31]
常数项	-8.23	1.42	33.59	1	< .001	—	—

表注（APA 格式）：

注. N = 320。因变量为 2 型糖尿病（1 = 患病，0 = 未患病）。吸烟以"否"为参考类别。整体模型：chi^2(3) = 47.82，p < .001，Nagelkerke R^2 = .312。B = 非标准化回归系数；SE = 标准误；OR = 优势比；CI = 置信区间。

四、在 ChatSRS 一句话获得规范 OR 报告

打开 chatsrs.com，上传数据后输入：

"以是否患糖尿病（0=未患，1=患病）为因变量，以年龄、BMI、吸烟（0=否，1=是）为预测变量，做二元逻辑回归；输出：整体模型 chi^2 和 Nagelkerke R²、Hosmer-Lemeshow 检验、各变量的 OR 值（两位小数）及 95% CI（方括号格式）、Wald chi^2(1) 和 p 值；并给出符合 APA 7th 格式的完整结果段落，包含方法章节描述。"

ChatSRS 同时调用 SPSS、R（glm/lme4）和 Stata 三引擎进行交叉验证，输出的 OR 值和 95% CI 即为上文示例格式，可直接复制进论文。

如需多分类结局（多项逻辑回归）或有序结局（有序逻辑回归），在指令中说明结局变量类型，ChatSRS 自动切换至对应模型并调整报告格式。

五、方法章节怎么说明使用了逻辑回归

标准方法章节描述（二元逻辑回归）

采用二元逻辑回归分析[预测变量]对[结局变量]发生概率的影响。
分类自变量转换为虚拟变量，以[参考类别]为参照。
预测变量的效应以优势比（OR）及 95% 置信区间（CI）报告；
以 Wald chi^2 检验单个预测变量的显著性；
以 Nagelkerke R^2 评估模型整体解释力；
以 Hosmer-Lemeshow 检验评估模型拟合优度（不显著表明拟合良好）。
统计分析使用 ChatSRS（SPSS、R 及 Stata 三引擎），显著性水平设为 alpha = .05。

含逐步筛选的逻辑回归

采用向前逐步二元逻辑回归（Forward Stepwise Logistic Regression，
入选标准 p < .05，排除标准 p > .10）筛选显著预测变量。
最终模型的各预测变量以 OR 和 95% CI 报告；
多重共线性以容忍度（Tolerance）和方差膨胀因子（VIF）检验，
VIF < 10 为无多重共线性问题。

六、OR 值报告常见错误对照表

常见错误	正确写法	违反的规则
OR = 2.87（无 CI）	OR = 2.87, 95% CI [1.94, 4.25]	CI 与 OR 必须同时报告
95% CI (1.94, 4.25)	95% CI [1.94, 4.25]	APA 7th 用方括号
OR = 2.872	OR = 2.87	两位小数，不写三位
p = .000	p < .001	.000 是舍入假值
p = 0.032	p = .032	APA 不加前导零
缺少 Nagelkerke R^2	模型整体段落须含 Nagelkerke R^2	模型拟合优度必报
未说明参考类别	方法或表注中注明"以'否'为参考类别"	分类变量必须注明
倒置参考类别报 OR	保持与模型设定一致，直接报 OR	不得随意倒置比较方向
每个变量旁重复报 Nagelkerke R^2	Nagelkerke R^2 只在模型整体段落出现一次	模型级指标，非变量级
Wald chi^2 不写自由度	Wald chi^2(1) = X.XX	df = 1（单个虚拟变量）

常见 FAQ

Q：OR 值和 Exp(B) 是同一个东西吗？

A：是的。SPSS 输出的 Exp(B) 列就是 OR 值（B 的自然指数，即 e^B）。APA 论文中统一写 "OR = X.XX"，不要写 "Exp(B) = X.XX"——Exp(B) 是 SPSS 的软件专用标注，不是规范的统计术语。R 输出的 exp(coef) 也是同一含义。

Q：OR 不显著（p > .05），还需要报告 OR 和 95% CI 吗？

A：必须报告。不显著的 OR 同样需要完整报告 OR 值、95% CI 和 Wald 统计量，格式与显著变量完全相同，只是结论句写"未达统计显著性"。只报显著变量、删除不显著变量的做法是选择性报告，会被审稿人指出。

Q：95% CI 跨过 1（如 [0.87, 2.31]）是什么意思？

A：CI 跨 1 与 p > .05 等价——该变量对结局的影响方向不确定（区间同时包含保护作用和危险作用），统计上不显著。报告时可加句解读："95% CI 跨越 1，提示该关联无统计学意义。"需要注意的是，CI 跨 1 但 OR 远离 1 时，通常是样本量不足，不等于"真实效应为零"。

Q：Nagelkerke R² 和 Cox & Snell R² 哪个用？

A：两者均为伪 R² 指标（因为逻辑回归没有真正的 R²），但 Nagelkerke R² 是首选，原因是它对 Cox & Snell R² 进行了归一化（上限为 1），更便于与其他研究比较。Cox & Snell R² 上限小于 1，容易让读者误判模型解释力。APA 格式推荐报告 Nagelkerke R²；若目标期刊或领域有特殊要求（如流行病学期刊偏好 McFadden R²），按要求执行，在方法章节注明即可。

Q：Hosmer-Lemeshow 检验 p < .05 怎么处理？

A：Hosmer-Lemeshow p < .05 表示模型预测值与观察值之间存在显著偏差，模型拟合不佳，不能直接忽略。应对策略：(1) 检查是否有非线性关系（连续变量加二次项）；(2) 检查是否有重要交互项遗漏；(3) 考虑使用分类校准曲线（calibration plot）替代或补充；(4) 在样本量很大时，Hosmer-Lemeshow 检验功效过高，即使拟合良好也可能 p < .05，此时建议改用 Brier score 或绘制校准曲线作为拟合优度依据。

快速参考：OR 报告格式速查卡

[单个预测变量]
OR = X.XX, 95% CI [X.XX, X.XX], Wald chi^2(1) = X.XX, p [= .XXX / < .001]

[模型整体拟合]
chi^2([df]) = X.XX, p [值], Nagelkerke R^2 = .XX
Hosmer-Lemeshow: chi^2(8) = X.XX, p = .XXX（不显著 = 拟合良好）

[分类自变量（多分类）]
以"[参考类别]"为参照：
[类别名]: OR = X.XX, 95% CI [X.XX, X.XX], Wald chi^2(1) = X.XX, p [值]

[OR < 1（保护因素）]
直接报告 OR = 0.43，不倒置；
解读："发生结局的优势为参考组的 0.43 倍（降低约 57%）"

[精度规则]
OR: 两位小数（1.06，不写 1.057）
CI: 两位小数，方括号（[1.03, 1.09]）
p: 三位小数，无前导零（.032，不写 0.032）
p = .000 → 改写为 p < .001