统计百科 ·
多分类逻辑回归 APA 报告怎么写？— 参考类别、RRR/OR、McFadden R2 格式全解
统计百科：专攻"多分类逻辑回归怎么规范写进论文"——参考类别设定、相对风险比(RRR/OR)报告格式、McFadden R2 拟合优度、Wald 检验写法，给出可直接套用的 APA 7th 完整模板，盘点审稿人最常挑的格式问题。
多分类逻辑回归（Multinomial Logistic Regression，MLR）是因变量有 3 个或以上无序类别时的标准选择，但它的 APA 报告远比二元逻辑回归复杂：要指定参考类别、要报告每个类别对比的 RRR 或 OR 及其置信区间、要汇报 McFadden R2 或 Nagelkerke R2 拟合优度……这篇文章只讲一件事：多分类逻辑回归在论文里到底怎么规范写。
你的多分类逻辑回归报告有这些问题吗？
审稿人或导师对多分类逻辑回归报告最常见的反馈：
- "请说明使用了哪个类别作为参考类别（reference category）"
- "OR 或 RRR 应附 95% 置信区间，不能只报告系数"
- "Wald chi^2 的自由度是多少？请补充"
- "R^2 指标是哪一种？McFadden 和 Nagelkerke 不能混用"
- "模型整体拟合请报告似然比检验（LRT），不能只看 Wald"
- "参考类别改变后 OR 方向会颠倒，请在表格注释中说明"
- "预测变量连续还是类别？表格未注明"
这些问题集中在多分类逻辑回归报告的几个核心格式点，本文逐一拆解。
如果你还没读过姊妹篇 二元逻辑回归 APA 写法，建议先读那篇，本文默认你已了解 OR 概念和 p 值不加前导零等基础格式规则。
一、多分类逻辑回归的统计逻辑：为什么报告格式与二元不同
因变量有 3+ 类别时的建模策略
多分类逻辑回归的核心思路是：选定一个参考类别，然后为每个非参考类别分别建立一条"二元对比方程"。
若因变量有 K 个类别，模型会生成 K-1 条方程，每条方程都是"该类别 vs. 参考类别"的对数几率（log-odds）。
例如，因变量"职业选择"有 3 类：
- 类别 1：继续学业（设为参考）
- 类别 2：就业
- 类别 3：自主创业
则模型生成两条方程：
- 方程 A：就业 vs. 继续学业
- 方程 B：创业 vs. 继续学业
每条方程都有自己的一套回归系数（beta）、RRR/OR、置信区间和 p 值。这就是为什么多分类逻辑回归报告的表格比二元逻辑回归复杂数倍。
RRR vs. OR：两种叫法，一个含义
在多分类逻辑回归中，指数化的回归系数（exp(beta)）在不同软件和文献中有两种叫法：
| 叫法 | 全称 | 常见来源 |
|---|---|---|
| OR（Odds Ratio） | 比值比 | SPSS、SAS、多数教材 |
| RRR（Relative Risk Ratio） | 相对风险比 | Stata、部分医学文献 |
两者数值完全相同，只是命名不同。本文统一使用 OR/RRR，选用哪个取决于目标期刊的习惯——在方法章节写明即可，读者不会混淆。
McFadden R2 vs. Nagelkerke R2
多分类逻辑回归没有普通线性回归的 R^2，常用的拟合优度指标有三种：
| 指标 | 公式原理 | 解读 | 适用 |
|---|---|---|---|
| McFadden R^2 | 1 - ln(L_M)/ln(L_0) | 似然函数改善比例，0.1~0.4 为可接受至良好拟合 | 模型间比较 |
| Nagelkerke R^2 | Cox-Snell R^2 的校正版 | 近似"解释方差"，范围 0~1 | 直觉报告 |
| Cox-Snell R^2 | 基于似然比 | 受最大值限制，不能达到 1 | 补充报告 |
APA 报告惯例：优先报告 McFadden R^2（学术严谨性最高），可附 Nagelkerke R^2 作参考。如软件只输出 Nagelkerke R^2，须在方法章节注明是 Nagelkerke R^2，不能笼统写"R^2"。
二、参考类别怎么选、怎么报告
参考类别的选择原则
参考类别（reference category）的选择影响所有 OR 的方向和解释，需在方法章节明确说明并给出选择理由：
- 理论上有"比较基准"意义的类别：如"无干预组""不参与者""标准治疗组"
- 样本量最大的类别：增加参照估计的稳定性
- 有序类别时取最低类别：如"低学历""无症状""初级职位"
- 默认排序的第一个类别（软件默认）：需在方法章节说明，避免读者混淆
APA 报告示例（方法章节）：
"以'继续学业'作为因变量的参考类别（reference category），分别建立'就业 vs. 继续学业'和'创业 vs. 继续学业'两条对比方程。参考类别的选择基于其为样本中最常见结果（n = 213，占 47.5%），且在理论上代表"无转变"基准状态。"
如何在表格中标注参考类别
规范做法：在表格中为参考类别所在行单独标注"Ref."，OR 列显示破折号（—）以表示不适用，置信区间列同样留空。速查卡中的"OR 列 = 1.00（Ref.）"是另一种等价写法，两者含义相同，选其一在全文保持一致即可：
| 结果类别 | 预测变量 | beta | SE | Wald chi^2 | p | OR | 95% CI |
|---|---|---|---|---|---|---|---|
| 继续学业（参考） | — | — | — | — | — | — | — |
| 就业 | 家庭收入 | 0.38 | 0.09 | 17.82 | < .001 | 1.46 | [1.22, 1.76] |
| 创业 | 家庭收入 | 0.61 | 0.14 | 18.94 | < .001 | 1.84 | [1.39, 2.43] |
三、APA 7th 格式规范：多分类逻辑回归必报要素
必报要素清单
| 要素 | 格式要求 | 示例 |
|---|---|---|
| 模型整体拟合（LRT） | chi^2(df, N = X) = XX.XX, p [值] | chi^2(8, N = 449) = 87.34, p < .001 |
| 拟合优度指标 | McFadden R^2 = .XX | McFadden R^2 = .18 |
| 参考类别说明 | 文字说明 + 表格注释 | 以"继续学业"为参考类别 |
| 各预测变量 OR（RRR） | OR = X.XX, 95% CI [X.XX, X.XX] | OR = 1.46, 95% CI [1.22, 1.76] |
| Wald 检验 | Wald chi^2([df]) = X.XX, p [值] | Wald chi^2(1) = 17.82, p < .001 |
| 样本量（各类别） | n = XX（各类别分别报告） | 继续学业 n = 213, 就业 n = 156, 创业 n = 80 |
| 自变量类型说明 | 连续/二分/多类别 | 家庭收入（连续，万元/年） |
p 值和统计量的格式精度
与其他 APA 报告相同：
- OR 保留两位小数：OR = 1.46（不写 1.463 或 1.5）
- 95% CI 两端各保留两位小数：[1.22, 1.76]
- Wald chi^2 保留两位小数
- p 值精确三位小数，不加前导零：p = .003（不写 p = 0.003）
- p = .000 改写为 p < .001
四、完整 APA 报告模板
场景：多分类逻辑回归，因变量三类
研究背景：调查 449 名应届毕业生的去向（继续学业/就业/创业），以家庭收入、性别、学业绩点（GPA）和创业意愿作为预测变量。
方法章节写法模板
采用多分类逻辑回归（Multinomial Logistic Regression）分析[预测变量]
对[因变量]（三个类别：A/B/C）的预测作用。
以"[参考类别]"为因变量的参考类别，模型分别建立"B vs. 参考"
和"C vs. 参考"两条对比方程。
回归系数经指数化后以比值比（OR，即相对风险比 RRR）表示，
并附 95% 置信区间（CI）。
模型整体拟合以似然比检验（Likelihood Ratio Test）评估，
拟合优度报告 McFadden R^2。连续预测变量均已进行 z 分标准化处理，
以便系数间的相对重要性比较。
统计分析使用 ChatSRS（R 引擎，nnet::multinom），显著性水平设为 alpha = .05。
结果章节写法模板（含填入数值示例）
模板：
多分类逻辑回归结果显示，模型整体显著，
chi^2([总df], N = [样本量]) = XX.XX, p [值]，
McFadden R^2 = .XX，表明模型具有[较好/良好]拟合。
与参考类别（[参考类别名]）相比：
[方程1—类别B vs. 参考]
[预测变量]对[类别B选择]具有显著[正/负]向预测作用，
OR = X.XX, 95% CI [X.XX, X.XX], Wald chi^2([df]) = XX.XX, p [值]，
即[变量]每增加一个单位，选择[类别B]而非[参考类别]的几率
[升高/降低] X%（OR - 1 或 1 - OR 换算）。
[方程2—类别C vs. 参考]
[预测变量]对[类别C选择]同样具有显著影响，
OR = X.XX, 95% CI [X.XX, X.XX], Wald chi^2([df]) = XX.XX, p [值]。
[不显著变量]对[类别]的预测作用未达显著，p [值]。
填入数值的示例：
多分类逻辑回归结果显示，模型整体显著，chi^2(8, N = 449) = 87.34，p < .001，McFadden R^2 = .181，表明模型具有可接受的拟合。Nagelkerke R^2 = .237，作为参考。以"继续学业"为参考类别，各预测变量的效应如下。
就业 vs. 继续学业：家庭收入（标准化，连续）对选择就业而非继续学业具有显著正向预测作用，OR = 1.46，95% CI [1.22, 1.76]，Wald chi^2(1) = 17.82，p < .001，即家庭收入每升高 1 个标准差，选择就业而非继续学业的相对风险提高 46%。性别（男性 = 1）亦显著影响这一对比，OR = 0.61，95% CI [0.41, 0.91]，Wald chi^2(1) = 6.34，p = .012，表明男性选择就业的相对风险低于女性。GPA 的影响未达显著，OR = 0.88，95% CI [0.72, 1.07]，p = .197。
创业 vs. 继续学业：家庭收入的预测效应更强，OR = 1.84，95% CI [1.39, 2.43]，Wald chi^2(1) = 18.94，p < .001。创业意愿（7 点量表，连续）亦显著，OR = 2.31，95% CI [1.76, 3.03]，Wald chi^2(1) = 35.17，p < .001，为最强预测变量；GPA 和性别的效应均未达显著（p > .05）。
完整回归系数、标准误及 Wald 检验统计量见表 1。
表格格式模板（APA 7th 三线表）
表 1
多分类逻辑回归结果：毕业去向的预测因素（N = 449，参考类别 = 继续学业）
| 结果类别 / 预测变量 | b | SE | Wald chi^2(1) | p | OR | 95% CI |
|---|---|---|---|---|---|---|
| 就业 vs. 继续学业 | ||||||
| 家庭收入 | 0.38 | 0.09 | 17.82 | < .001 | 1.46 | [1.22, 1.76] |
| 性别（男 = 1） | -0.49 | 0.20 | 6.34 | .012 | 0.61 | [0.41, 0.91] |
| GPA | -0.13 | 0.10 | 1.70 | .197 | 0.88 | [0.72, 1.07] |
| 创业意愿 | 0.04 | 0.11 | 0.12 | .725 | 1.04 | [0.84, 1.28] |
| 创业 vs. 继续学业 | ||||||
| 家庭收入 | 0.61 | 0.14 | 18.94 | < .001 | 1.84 | [1.39, 2.43] |
| 性别（男 = 1） | 0.22 | 0.29 | 0.59 | .444 | 1.25 | [0.71, 2.18] |
| GPA | -0.19 | 0.15 | 1.62 | .203 | 0.83 | [0.62, 1.11] |
| 创业意愿 | 0.84 | 0.14 | 35.17 | < .001 | 2.31 | [1.76, 3.03] |
| 模型整体 | ||||||
| LRT chi^2(8) | — | — | 87.34 | < .001 | — | — |
| McFadden R^2 | — | — | .181 | — | — | — |
| Nagelkerke R^2 | — | — | .237 | — | — | — |
注. b = 未标准化回归系数；SE = 标准误；OR = 比值比（exp(b)）。所有连续预测变量已进行 z 分标准化（M = 0，SD = 1）。模型整体显著性以似然比检验（Likelihood Ratio Test）评估。参考类别"继续学业"n = 213；就业 n = 156；创业 n = 80。
五、McFadden R^2 的解读与报告
McFadden R^2 不像线性回归的 R^2 那样直接等于"解释方差比例"，它的解读有特定标准：
| McFadden R^2 值 | 拟合评价 |
|---|---|
| 0.00 ~ 0.10 | 拟合较差（接近零模型） |
| 0.10 ~ 0.20 | 可接受 |
| 0.20 ~ 0.40 | 良好 |
| > 0.40 | 极佳（少见于社会科学） |
报告句式：
McFadden R^2 = .181，表明模型相对于零模型（null model）
解释了约 18.1% 的对数似然改善，为可接受拟合
（McFadden, 1974）。
注意：部分期刊要求说明 McFadden R^2 的参考文献（McFadden, 1974），方法严谨性较高时建议加上。
六、似然比检验（LRT）与 Wald 检验的区别
多分类逻辑回归有两种统计显著性检验，容易混淆：
| 检验类型 | 针对对象 | 格式 | 何时使用 |
|---|---|---|---|
| 似然比检验（LRT） | 整体模型 vs. 零模型 | chi^2([df], N = X) = XX.XX | 报告模型是否整体显著 |
| Wald 检验 | 单个预测变量 | Wald chi^2([df]) = XX.XX | 报告单个变量是否显著 |
两者不可互换：LRT 是大样本下更稳健的选择；Wald 检验在系数极端（趋于无穷）时会出现统计量非单调衰减的 Hauck-Donner 效应，另外在样本量较小时亦可能不稳定，两种情形均建议改用 LRT。建议：
- 整体模型显著性：用 LRT（在方法章节说明）
- 单个预测变量报告：Wald chi^2（在表格和正文中）
- 若期刊或导师有特殊要求，以其要求为准
七、在 ChatSRS 一句话获得规范多分类逻辑回归报告
打开 chatsrs.com，上传数据后输入：
"对职业去向（三类：继续学业/就业/创业）做多分类逻辑回归，以'继续学业'为参考类别，预测变量包括家庭收入（连续）、性别（二分）、GPA（连续）和创业意愿（连续，7点量表）；输出 OR（RRR）及 95% CI、Wald chi^2 和 p 值；报告模型整体 LRT 及 McFadden R^2 和 Nagelkerke R^2；输出符合 APA 7th 格式的三线表和完整结果段落，可直接复制进论文。"
ChatSRS 使用 R 引擎（nnet::multinom）运行分析，在 68 条内置指令（multinomial_logistic 系列）的约束下输出：
- APA 7th 完整三线表（按参考类别分组，含注释）
- 可直接粘贴的结果段落
- 方法章节描述样板
- 自动识别参考类别并在表格中标注"Ref."
无需手动计算 OR，也无需担心 df 填错——数值自动填入，审稿人常挑的格式细节一次到位。
八、常见错误对照表
| 常见错误 | 正确写法 | 违反的规则 |
|---|---|---|
| 未说明参考类别 | 文字 + 表格均须注明 | APA 7th 透明性原则 |
| 只报告 beta 系数，不报告 OR | 必须同时报告 OR 及 95% CI | 多分类逻辑回归标准报告 |
| OR = 1.463（三位小数） | OR = 1.46（两位小数） | APA 精度规范 |
| p = .000 | p < .001 | 舍入假值 |
| 将 Nagelkerke R^2 写成 R^2 | 须写明"Nagelkerke R^2" | 区分不同 R^2 指标 |
| 混用 OR 和 RRR 无说明 | 方法章节注明选用哪种叫法 | 报告一致性 |
| 整体显著性只报告 Wald，不报告 LRT | 模型整体用 LRT，变量用 Wald | 统计检验选用规范 |
| CI 写成 (1.22, 1.76) | [1.22, 1.76]（方括号） | APA 区间格式 |
常见 FAQ
Q：因变量有 5 类，需要建几条方程？表格怎么组织？
A：K 个类别建 K-1 条方程，5 类则建 4 条。表格按"类别 A vs. 参考""类别 B vs. 参考""类别 C vs. 参考""类别 D vs. 参考"分组排列，每组列出全部预测变量的系数。若表格过大，可拆分为两个表，或在附录中呈现非核心类别的对比。核心期刊通常只要求报告理论上最有意义的对比，可在方法章节说明"表中仅报告两条主要对比方程，完整模型系数见附录"。
Q：OR < 1 怎么解读和写进论文？
A：OR < 1 表示该预测变量每增加一个单位，选择该类别而非参考类别的几率降低。解读时常转换为"降低百分比"：(1 - OR) × 100%。例如 OR = 0.61，解读为"男性选择就业的相对风险比女性低 39%（OR = 0.61，95% CI [0.41, 0.91]）"，比直接说"OR = 0.61"更直观。注意置信区间须同步转换（1 减去上下限并对调）：对应降低幅度的 CI 为 [9%, 59%]。
Q：McFadden R^2 与 Nagelkerke R^2 哪个必须报告？
A：严格来说，APA 7th 没有强制规定哪种 R^2，但学术规范倾向于报告 McFadden R^2（透明度最高，可直接用于模型间比较）。若软件只输出 Nagelkerke R^2（如 SPSS），可仅报告 Nagelkerke R^2，但须在括号中注明是 Nagelkerke，不能简写成 R^2。建议同时报告两者，在表格注释中说明各自的计算基础，审稿人通常不会有异议，且可提升稿件透明度评分。
Q：ChatSRS 的多分类逻辑回归指令是否支持自动选参考类别？
A：ChatSRS 的 multinomial_logistic 系列指令（共 68 条）默认以样本量最大的类别为参考类别，用户也可在指令中显式指定，例如"以'继续学业'为参考类别"。指令还支持自动输出 McFadden R^2、Nagelkerke R^2 和 LRT，并在 APA 三线表中自动标注"Ref."行，无需手动修改输出。
快速参考：多分类逻辑回归报告格式速查卡
[模型整体]
chi^2([总df], N = [样本量]) = XX.XX, p [< .001 / = .XXX]
McFadden R^2 = .XX; Nagelkerke R^2 = .XX
[各类别对比（重复 K-1 次）]
[类别X] vs. [参考类别]:
[变量名]: OR = X.XX, 95% CI [X.XX, X.XX],
Wald chi^2([df]) = XX.XX, p [值]
[参考类别标注]
表格中参考类别行：OR 列 = 1.00（Ref.），CI 列 = —
[拟合优度解读]
McFadden R^2 .10~.20 = 可接受；.20~.40 = 良好；>.40 = 极佳
[OR 方向换算]
OR > 1：选择该类别的几率高于参考类别，提高 (OR-1)×100%
OR < 1：选择该类别的几率低于参考类别，降低 (1-OR)×100%
[参考文献（按需）]
McFadden, D. (1974). Conditional logit analysis of qualitative choice behavior.
In P. Zarembka (Ed.), Frontiers in econometrics (pp. 105–142). Academic Press.
相关阅读
- 二元逻辑回归 APA 写法 — OR、Hosmer-Lemeshow 检验、Nagelkerke R^2 报告全解
- F 值的 APA 7th 报告写法 — F(df1,df2)格式、效应量 eta 平方、报告模板全解
- t 值的 APA 7th 报告写法 — 自由度、效应量、独立/配对模板全解
本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。