第15章：邏輯斯迴歸

當依變數只有「是」或「否」，迴歸分析也能派上用場

← 返回課程 開始閱讀 ↓
1

為什麼需要邏輯斯迴歸？

情境：語言治療師想預測每位患者「是否有吞嚥障礙」（有 vs. 無）。她試著用第 13 章學過的線性迴歸，以舌壓預測吞嚥障礙，但她發現一個麻煩的問題：線性迴歸的預測值可以超過 1，也可以變成負數。而機率必須介於 0 與 1 之間。這時候，就需要邏輯斯迴歸（Logistic Regression）了。

線性迴歸用於二元依變數的問題

線性迴歸的困境

若依變數只有 0（無障礙）和 1（有障礙），線性迴歸會：

  • 預測值可能 > 1（機率不能超過 100%）
  • 預測值可能 < 0（機率不能為負）
  • 殘差不呈常態分布（違反前提假設）
  • 變異數不齊（二元變數的變異數隨 p 改變）
邏輯斯迴歸的解決方案

邏輯斯迴歸透過 Logit 轉換，將預測目標由「原始數值」改為「發生機率」：

  • 預測值永遠介於 0 到 1 之間
  • 輸出結果可直接解讀為機率
  • 透過勝算比（OR）解讀每個自變數的效果
  • 適用於二元、有序或多項名義依變數

Logit 函數與 S 型曲線

邏輯斯迴歸的核心是將線性組合 \(\beta_0 + \beta_1 X\) 轉換成機率。做法是先計算勝算（Odds）勝算（Odds）是事件發生機率與不發生機率的比值：Odds = p/(1-p)。例如若機率 p = 0.6，則 Odds = 0.6/0.4 = 1.5，表示發生的可能性是不發生的 1.5 倍。，再取對數得到 Logit：

\[ \text{logit}(p) = \ln\!\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_k X_k \]

\(p\)：事件發生的機率  |  \(\ln\!\left(\frac{p}{1-p}\right)\)：對數勝算（Log Odds = Logit） |  \(\beta_j\)：各自變數的迴歸係數

將上式反解，可得到預測機率的公式（邏輯斯函數，又稱 Sigmoid 函數）：

\[ \hat{p} = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X_1 + \cdots + \beta_k X_k)}} \]

無論線性組合的值為何，\(\hat{p}\) 永遠介於 0 與 1 之間，形成特有的 S 型（Sigmoid）曲線。

0 0.5 1.0 自變數 X（例如：舌壓） 預測機率 p̂ 邏輯斯迴歸的 S 型（Sigmoid）曲線 切截點（拐點） 漸近線 = 1 漸近線 = 0

S 型曲線保證預測機率永遠介於 0 與 1 之間，且在中間區域變化最快。

本章學習目標

  • 理解邏輯斯迴歸的適用時機與 Logit 轉換的概念
  • 區分機率（probability）與勝算（odds），計算並解讀勝算比（Odds Ratio, OR）
  • 解讀 OR 的大小、方向及 95% 信賴區間的臨床意義
  • 了解 ROC 曲線、AUC 與 Youden Index 的意義
  • 使用 SPSS 執行二元邏輯斯迴歸並正確撰寫報告
  • 應用 SPSS 繪製 ROC 曲線並選取最佳臨床切截點
2

文獻導讀：Sakamoto 等人（2022）

本章導讀一篇以邏輯斯迴歸探討舌壓與吞嚥障礙關聯的臨床研究，研究情境與本課程的吞嚥障礙主軸直接相關。

文獻來源： Sakamoto, Y., Oyama, G., Umeda, M., Funahara, M., Soutome, S., Nakamura, W., ... & Iwai, H. (2022). Effect of decreased tongue pressure on dysphagia and survival rate in elderly people requiring long-term care. Journal of Dental Sciences, 17(2), 856–862.

研究背景與樣本

研究對象

60 名需要長期照護的住院高齡長者（33 名男性、27 名女性）。平均年齡 84.3 歲。

吞嚥障礙診斷

以電視透視吞嚥評估（VE examination）作為黃金標準；60 名中有 21 名（35%）確診為吞嚥障礙。

主要測量指標

舌壓（tongue pressure, kPa）、BMI、口腔狀況、認知功能（MMSE）、握力等。

追蹤期間

追蹤一年，記錄因肺炎造成的死亡事件，並計算累積存活率。

統計方法

  • 單變量分析：Fisher's exact test（類別變數間的關聯）與 one-way ANOVA（連續變數的組間比較）
  • 多變量邏輯斯迴歸：以「是否有吞嚥障礙」為依變數，探討各指標的獨立預測效果
  • 存活分析：以 Kaplan-Meier 曲線估計一年累積存活率

主要發現

變數 Wald 統計量 p 值 OR（勝算比） 95% CI
BMI 5.38 0.020 1.251 1.036–1.511
舌壓（kPa） 4.76 0.029 1.099 1.010–1.195

多變量邏輯斯迴歸結果：BMI 與舌壓為吞嚥障礙的獨立預測因子（改編自 Sakamoto et al., 2022）。

注意：OR 方向的解讀。Sakamoto 等人（2022）的分析中，依變數的編碼方式使 OR > 1 代表的是「較高的 BMI 或較高的舌壓，勝算朝非吞嚥障礙方向增加」（即 BMI 越高、舌壓越高，較不可能有吞嚥障礙）。這與該研究在描述性統計中的發現一致：「有吞嚥障礙的患者，BMI 和舌壓均顯著低於無障礙者。」在解讀 OR 時，務必確認依變數的編碼方向。

存活率發現

  • 舌壓 < 20 kPa 的患者中，1 年內因肺炎死亡的累積存活率僅 44.3%
  • 舌壓 ≥ 20 kPa 的患者中，1 年內無人因肺炎死亡
  • 此結果顯示：舌壓 20 kPa 可作為預測高齡患者吸入性肺炎相關死亡風險的臨床切截點
本研究的臨床啟示
舌壓 < 20 kPa → 高肺炎相關死亡風險
Tongue pressure < 20 kPa as a clinical threshold for pneumonia-related mortality
邏輯斯迴歸不只告訴我們「誰有吞嚥障礙」，還幫助我們找到可用於臨床篩檢的關鍵切截點。
3

核心概念：機率、勝算與勝算比

機率 vs. 勝算

機率（Probability）

事件發生的可能性，介於 0 到 1（或 0% 到 100%）之間。

\[ p = \frac{\text{發生次數}}{\text{總次數}} \]

範例：60 名患者中 21 名有吞嚥障礙，
\(p = 21/60 = 0.35\)（35%）

勝算（Odds）

事件發生機率與不發生機率的比值，範圍為 0 到 ∞。

\[ \text{Odds} = \frac{p}{1-p} \]

範例：吞嚥障礙的機率 = 0.35，
\(\text{Odds} = 0.35/0.65 = 21/39 \approx 0.538\)
（發生的可能性約為不發生的 0.54 倍）

機率與勝算的轉換：兩者可以互相推導。若 \(p = 0.35\)，則 Odds = 0.538；若 Odds = 2，則 \(p = 2/(1+2) = 0.667\)（約 67%）。日常語言中「幾比幾」就是勝算的概念，例如「5 比 1 的勝算」代表 Odds = 5，相應機率為 5/6 ≈ 83%。

勝算比（Odds Ratio, OR）

勝算比（OR）是兩組之間勝算的比值，也是邏輯斯迴歸係數 \(\beta\) 的指數轉換：

\[ \text{OR} = \frac{\text{Odds}_{\text{暴露組}}}{\text{Odds}_{\text{對照組}}} = e^{\beta} \]

OR 就是 SPSS 輸出的 Exp(B)，而 \(\beta\) 就是 SPSS 係數表的 B 值。

OR 的解讀方向

OR = 1.0：無關聯

兩組的勝算完全相同，自變數對依變數無預測效果。若 95% CI 包含 1，通常代表結果未達統計顯著。

OR > 1.0：危險因子（正向關聯）

隨著自變數增加（或在暴露組中），事件發生的勝算較高。例如 OR = 1.251 表示：每多一個單位，事件的勝算增加 25.1%（即 (1.251 - 1) × 100%）。

OR < 1.0：保護因子（負向關聯）

隨著自變數增加，事件發生的勝算較低。例如 OR = 0.72 表示：每多一個單位，事件的勝算降低 28%（即 (1 - 0.72) × 100%）。

以 Sakamoto 的數據計算 OR

變數 β（B 值） Exp(B) = OR 解讀
舌壓（kPa） \(\beta = \ln(1.099) \approx 0.094\) 1.099 舌壓每增加 1 kPa，事件勝算增加約 9.9%
BMI \(\beta = \ln(1.251) \approx 0.224\) 1.251 BMI 每增加 1，事件勝算增加約 25.1%

記住：OR 對應的「事件」是依變數編碼為 1 的結果。研究者在設計時可選擇將「有障礙 = 1」或「無障礙 = 1」，因此在解讀 OR 之前，務必確認依變數的編碼方向。

95% 信賴區間與 Wald 檢定

1
Wald 統計量

用於檢驗個別係數 \(\beta\) 是否顯著不為 0，計算方式為 \((B/SE)^2\)，服從卡方分布（df = 1）。若 Wald 的 p < .05，代表該自變數對依變數有顯著的獨立效果。

2
OR 的 95% 信賴區間

公式為 \(\exp(\beta \pm 1.96 \times SE_\beta)\)。若信賴區間的下界 > 1 或上界 < 1，表示 OR 顯著不等於 1（有統計顯著性）。若 CI 包含 1（例如 [0.87, 1.24]），則 p 值不顯著。

3
整體模型適配

邏輯斯迴歸沒有「整體 F 檢定」，改用 Hosmer-Lemeshow 適配度檢定（p > .05 代表模型適配良好）以及 Nagelkerke R²（偽 R²，反映模型解釋力的近似指標）。

邏輯斯迴歸 vs. 線性迴歸：比較一覽

比較項目 線性迴歸 邏輯斯迴歸
依變數型態 連續型（如舌壓 kPa） 二元型（如有/無吞嚥障礙）
預測目標 依變數的期望值 \(\hat{Y}\) 事件發生的機率 \(\hat{p}\)
連結函數 恆等函數（無轉換） Logit 函數 \(\ln(p/(1-p))\)
係數解讀 B：X 增加 1 單位，Y 的變化量 Exp(B) = OR：X 增加 1 單位，勝算的倍數
整體模型評估 F 檢定、R²、Adjusted R² Hosmer-Lemeshow 檢定、Nagelkerke R²
殘差假設 常態分布、等變異數 不要求殘差常態，但需樣本量足夠
4

SPSS 實作一：簡單邏輯斯迴歸

實作任務一：舌壓預測吞嚥障礙

以 Sakamoto 等人（2022）的研究情境為參考，使用「舌壓（kPa）」作為自變數，「吞嚥障礙（1 = 有，0 = 無）」作為依變數，執行二元邏輯斯迴歸。請先下載練習資料集。

下載練習資料集（Excel）

SPSS 操作步驟

開啟 Binary Logistic 迴歸

點選功能表：分析（Analyze） → 迴歸（Regression） → 二元 Logistic（Binary Logistic）

圖 1：選單路徑

SPSS 選單：分析 → 迴歸 → 二元 Logistic
設定依變數與自變數
  • 將「吞嚥障礙」拖入「應變數（Dependent）」欄位
  • 將「最大舌壓kPa」拖入「共變數（Covariates）」欄位
  • 方法（Method）選擇「進入（Enter）」，將自變數一次強迫納入

圖 2：Logistic 迴歸對話框設定

SPSS Logistic 迴歸對話框：應變數=吞嚥障礙，共變數=最大舌壓kPa，方法=進入
設定輸出選項

點選「選項（Options）」，勾選以下三項：

  • 分類圖（Classification plots）
  • Hosmer-Lemeshow 配適度（goodness-of-fit）
  • exp(B) 的 CI，預設 95%（勝算比信賴區間）

分類截斷（Classification cutoff）保留預設值 0.5，按「繼續」回主對話框，再按「確定」執行。

圖 3：選項對話框

SPSS Logistic 迴歸選項：勾選分類圖、Hosmer-Lemeshow、exp(B) 95% CI
執行並讀取結果

按「確定」後，SPSS 會輸出多張表格。本節用實際資料集（N = 500，吞嚥障礙 1=有 / 0=無）跑出的結果為例，逐張導讀係數表、Hosmer-Lemeshow、模型摘要、分類表四張關鍵輸出。

SPSS 輸出對照（共 4 張）

圖 4：方程式中的變數（Variables in the Equation，最關鍵的一張）

SPSS 模型係數表：最大舌壓 B=-0.115, Wald=34.455, p<.001, Exp(B)=0.892, 95% CI [0.858, 0.926]
怎麼讀（這是邏輯斯迴歸最關鍵的輸出）：
• B = −0.115：負號代表「舌壓增加 → 吞嚥障礙的 logit（對數勝算）下降」
• Wald = 34.455、p < .001：舌壓對吞嚥障礙的預測力達高度顯著
• Exp(B) = 0.892（即 OR）：在「吞嚥障礙 1=有」的編碼下，舌壓每增加 1 kPa，吞嚥障礙的勝算降為原來的 0.892 倍，亦即降低約 10.8%（=1−0.892）
• 95% CI = [0.858, 0.926]：整段完全 < 1 → 舌壓是「保護性因子」（OR < 1 且 CI 不含 1 才算統計顯著的保護）
• 常數（截距）B = 0.691, Exp(B) = 1.995：截距項本身的 p = .161 不顯著，這是正常的（截距代表 X=0 時的對數勝算，臨床上舌壓=0 並不存在）

📋 圖 4 數值整理：

變數 B（β） SE Wald df Sig. Exp(B) = OR 95% CI 下界 95% CI 上界
最大舌壓 kPa −0.115 0.020 34.455 1 < .001 0.892 0.858 0.926
常數（截距） 0.691 0.493 1.966 1 .161 1.995 N/A N/A

圖 5：Hosmer-Lemeshow 適配度檢定

SPSS Hosmer-Lemeshow 檢定：卡方=12.511, df=8, p=.130
怎麼讀：邏輯斯迴歸沒有線性迴歸的「整體 F 檢定」，改用 Hosmer-Lemeshow 檢驗模型是否與資料「配得起來」。
• 卡方 = 12.511、自由度 = 8、p = .130
• 關鍵：H-L 的 p > .05 是「好事」（虛無假設是「模型適配良好」，p 大代表沒理由拒絕）→ 模型適配良好
• 與線性迴歸的整體 F 檢定方向剛好相反（F 的 p 要 < .05 才好）

圖 6：模型摘要（Model Summary）

SPSS 模型摘要：-2 對數概似 243.417, Cox & Snell R² .077, Nagelkerke R² .178
怎麼讀：邏輯斯迴歸的「解釋力」指標。
• −2 對數概似 = 243.417：模型擬合資料的程度，數值越小越好（單獨看不易判讀，主要用來與其他模型比較）
• Cox & Snell R² = .077：偽 R² 的一種，上限不到 1，較保守
• Nagelkerke R² = .178：常用的偽 R²，模型約解釋了吞嚥障礙變異的「17.8%」（近似指標，不能直接與線性迴歸的 R² 比）
• 表格下方 a 註腳「估計在反覆運算編號 6 處終止」：邏輯斯迴歸用最大概似法迭代估計，6 步收斂代表演算法正常終止

圖 7：分類表（Classification Table，步驟 0：基準模型）

SPSS 分類表步驟 0：吞嚥障礙觀察值 0=459、1=41，模型預測全部為 0，整體正確百分比 91.8%
怎麼讀（這張表是「步驟 0」的基準模型，僅包含常數，尚未納入舌壓）：
• 樣本分布：N = 500，其中吞嚥障礙=0（無）共 459 人、吞嚥障礙=1（有）共 41 人。有吞嚥障礙的盛行率 = 41 / 500 = 8.2%
• 基準模型的「捷徑」預測：當僅有常數、沒有任何自變數時，SPSS 會直接把所有人都預測為「最多數的那一組」，也就是全部猜「0=無吞嚥障礙」→ 459 人猜對、41 人猜錯
• 整體正確百分比 = 91.8%：這是「什麼模型都沒做」的最低基準。加入自變數後，模型的整體正確率必須 > 91.8% 才算有改善
• 註腳 b「分割值為 .500」：預測機率 ≥ 0.5 歸為 1，否則歸為 0（即第 3 節 SPSS 對話框中的「分類截斷」設定）
結果撰寫範例（APA 格式）

以二元邏輯斯迴歸（Enter 法）探討最大舌壓對吞嚥障礙的預測效果（N = 500，41 例有吞嚥障礙）。Hosmer-Lemeshow 適配度檢定結果顯示模型適配良好（χ²(8) = 12.51, p = .130）。最大舌壓為吞嚥障礙的顯著保護性預測因子（B = −0.115, SE = 0.020, Wald = 34.46, p < .001, OR = 0.892, 95% CI [0.858, 0.926]）：在控制其他條件不變的前提下，最大舌壓每增加 1 kPa，吞嚥障礙的勝算降為原來的 0.892 倍（降低約 10.8%）。模型解釋力 Nagelkerke R² = .178。

小提醒：邏輯斯迴歸的 Nagelkerke R² 並非真正的 R²，只是一個近似的解釋力指標，通常遠低於線性迴歸的 R²。不要直接與線性迴歸的 R² 相比較。一般而言，能否正確分類（Classification Table 的整體正確率）以及 AUC（見第 5 節）是更有臨床意義的評估指標。本例步驟 0 的基準正確率已達 91.8%（因事件盛行率僅 8.2%），所以「整體正確率」在不平衡資料中容易被高估，更要參考 AUC、敏感度與特異度。

5

ROC 曲線與 AUC

邏輯斯迴歸告訴我們「哪些因素與吞嚥障礙相關」。但如果我們想知道「把舌壓當成篩檢工具有多準確」，就需要 ROC 曲線（Receiver Operating Characteristic Curve）和 AUC（Area Under the Curve）。

敏感度與特異度

敏感度（Sensitivity）

「真陽性率」：在真正有吞嚥障礙的患者中，篩檢工具正確偵測出來的比例。

\[ \text{Sensitivity} = \frac{\text{TP}}{\text{TP} + \text{FN}} \]
特異度（Specificity）

「真陰性率」：在真正沒有吞嚥障礙的患者中，篩檢工具正確排除的比例。

\[ \text{Specificity} = \frac{\text{TN}}{\text{TN} + \text{FP}} \]
假陽性率

「1 - 特異度」：在真正沒有吞嚥障礙的患者中，被錯誤判斷為陽性的比例。

\[ 1 - \text{Specificity} = \frac{\text{FP}}{\text{TN} + \text{FP}} \]
切截點（Cut-off）

決定「≥ 幾分判為陽性」的門檻值。切截點不同，敏感度和特異度會呈現消長（trade-off）關係。

ROC 曲線的意義

ROC 曲線是以所有可能的切截點，繪製出「敏感度（Y 軸）vs. 1-特異度（X 軸）」的折線。曲線越往左上角靠攏，篩檢效能越好；對角線（AUC = 0.5）代表與隨機猜測相同，完全無鑑別能力。

0 0.25 0.5 0.75 1.0 0 0.25 0.5 0.75 1.0 AUC = 0.5（隨機） AUC ≈ 0.85（優良） 最佳切截點 （Youden 最大） 1 - 特異度（假陽性率） 敏感度（真陽性率） ROC 曲線示意圖

ROC 曲線越靠近左上角，篩檢效能越好。紅點標示 Youden Index 最大的最佳切截點。

AUC 的判讀標準

AUC = 0.5

與隨機猜測相同，完全沒有鑑別能力

AUC 0.6–0.7

較差的鑑別能力（Poor）

AUC 0.7–0.8

尚可的鑑別能力（Acceptable）

AUC 0.8–0.9

優良的鑑別能力（Excellent）

AUC > 0.9

卓越的鑑別能力（Outstanding）

Youden Index：尋找最佳切截點

在 ROC 曲線上有許多可能的切截點，每個切截點對應不同的敏感度和特異度。Youden IndexYouden Index（J）= Sensitivity + Specificity − 1，等價於 Sensitivity − (1 − Specificity)。取值範圍為 −1 到 1，J 越大代表切截點的鑑別效果越好。臨床上常選取使 J 最大的切截點作為篩檢門檻。 是最常用的最佳切截點選取方法：

\[ J = \text{Sensitivity} + \text{Specificity} - 1 \]

選取使 \(J\) 最大的切截點，在敏感度與特異度之間取得最佳平衡。

以舌壓 20 kPa 作為切截點的範例計算：

切截點（kPa） 敏感度 特異度 Youden Index（J） 備註
15 0.95 0.41 0.36 高敏感度但低特異度
20 0.86 0.74 0.60 Youden Index 最大（最佳切截點）
25 0.62 0.87 0.49 高特異度但低敏感度
30 0.38 0.95 0.33 低敏感度，可能漏診

上表為假設數值示範。實際的切截點分析須由 SPSS ROC 曲線分析輸出。

臨床上如何選擇切截點？在高齡吞嚥障礙的篩檢情境中，漏診（假陰性）的後果（吸入性肺炎、死亡）遠比誤診（假陽性）更嚴重，因此臨床上可能傾向選擇較高敏感度的切截點，而非單純使用 Youden Index 最大的切截點。切截點的選擇必須結合臨床判斷，不能只看統計數值。

6

SPSS 實作二：ROC 曲線分析

實作任務二：舌壓預測吞嚥障礙的 ROC 分析

使用同一份資料集，以「舌壓（kPa）」為預測變數，「吞嚥障礙（1 = 有，0 = 無）」為狀態變數，繪製 ROC 曲線並計算 AUC，尋找使 Youden Index 最大的最佳切截點。

SPSS 操作步驟

開啟 ROC 曲線功能

點選功能表：分析（Analyze） → ROC 曲線（ROC Curve）

圖 1：選單路徑

SPSS 選單：分析 → ROC 曲線
設定變數與輸出選項
  • 將「最大舌壓kPa」拖入「檢定變數（Test Variable）」欄位（即作為篩檢的預測工具）
  • 將「吞嚥障礙」拖入「狀態變數（State Variable）」欄位
  • 「狀態變數的值（Value of State Variable）」輸入 0（見下方「方向說明」）
  • 「顯示」區勾選四項：ROC 曲線、有對角參考線、標準誤與信賴區間、ROC 曲線的座標點

圖 2、3：ROC 曲線對話框設定

SPSS ROC 曲線對話框：檢定變數=最大舌壓kPa、狀態變數=吞嚥障礙、狀態變數值=0、勾選 ROC 曲線/對角參考線/標準誤與信賴區間/座標點
為什麼狀態變數值要輸入 0，而不是 1？

SPSS ROC 預設「測試變數越大 → 越預測為陽性狀態」。本例舌壓越高代表吞嚥功能越好，所以舌壓越大應該越能預測「無吞嚥障礙（=0）」。把狀態值設為 0，AUC 直接會 > 0.5（可解讀）；若誤設為 1，AUC 會 < 0.5，需要倒過來看（不直觀）。

數學上：AUC（狀態=0）和 AUC（狀態=1）兩者加起來等於 1。本例 0.753 + 0.247 = 1.000，互為鏡像。

解讀方向不變：無論用 0 或 1，臨床結論都是「舌壓越低 → 越可能有吞嚥障礙」。

執行並讀取四張關鍵輸出

按「確定」後，SPSS 會輸出 ROC 曲線圖、曲線下面積（AUC）表、曲線座標表三類輸出，逐張導讀如下。

SPSS 輸出對照

圖 4-1：ROC 曲線圖

SPSS ROC 曲線圖：藍色階梯狀曲線位於對角線左上方，呈現舌壓對吞嚥障礙的鑑別能力
怎麼讀：橫軸為「1−特異度」（假陽性率）、縱軸為「敏感度」（真陽性率）。
• 藍色階梯狀曲線是依各個切截點實際畫出來的「真實」ROC（不是平滑示意圖）
• 曲線整體位於對角線（隨機線，AUC = 0.5）的左上方 → 舌壓對吞嚥障礙具有比隨機猜測更佳的鑑別能力
• 曲線越靠近左上角越好；本例曲線雖然偏向左上但離左上角還有一段距離 → 中度鑑別（對應下方 AUC = .753）

圖 4-2：曲線下面積（Area Under the Curve）

SPSS AUC 表：區域=.753, 標準錯誤=.038, 漸近顯著性=.000, 95% CI [.680, .827]
怎麼讀（這是 ROC 分析最關鍵的一張）：
• 區域（AUC）= .753：曲線下面積，反映整體鑑別能力。對照判讀標準「0.7 ≤ AUC < 0.8 為中度鑑別（acceptable）」
• 標準錯誤 = .038：AUC 估計的精確度
• 漸近顯著性 = .000（即 p < .001）：AUC 顯著大於 0.5，舌壓的鑑別力顯著優於隨機
• 95% CI = [.680, .827]：整段 > 0.5 → 鑑別能力穩定
• 註腳「虛無假設：真實區域 = 0.5」呼應的就是 H₀: AUC = 0.5

📋 圖 4-2 數值整理：

AUC 標準誤（SE） p 值 95% CI 下界 95% CI 上界
.753 .038 < .001 .680 .827

圖 5：曲線座標（Coordinates of the Curve）

SPSS 曲線座標表：列出每個切截點對應的敏感度與 1-特異度，用於計算 Youden Index 最佳切截點
怎麼讀（用來找 Youden Index 最佳切截點）：
• 表頭三欄：「大於或等於正值（切截點門檻）」「敏感度」「1 − 特異度」
• 每一列對應一個可能的切截點，敏感度與 1−特異度會隨切截點變化
• Youden Index = 敏感度 +（1 − (1−特異度)） − 1 = 敏感度 − (1−特異度)，即「往左上角偏離對角線的垂直距離」
• 學員的作業：把每一列的敏感度減去 1−特異度，找出 Youden 最大的那一列，其切截門檻即為臨床建議的最佳切點
• 註：因表格列數多（每個觀察的舌壓值都會產生一列），可下載 SPSS 輸出至 Excel 計算 Youden 後排序
結果撰寫範例（APA 格式）

以 ROC 曲線分析評估最大舌壓對吞嚥障礙的鑑別效能（狀態變數陽性類別設為「無吞嚥障礙」，方向解讀為「舌壓越高越能識別無吞嚥障礙者」）。結果顯示舌壓的 AUC 為 .753（SE = .038, 95% CI [.680, .827], p < .001），達到中度鑑別能力（0.7 ≤ AUC < 0.8）。臨床建議將舌壓作為吞嚥障礙的篩檢輔助指標；具體切截點由 Coordinates of the Curve 表計算 Youden Index 最大值後決定。

小提醒：本例 AUC = .753 處於「可接受（acceptable）」區間，意味著舌壓單獨作為篩檢工具仍有改進空間。實務上常與其他指標（年齡、肌少症、BMI）結合成多變量模型（見第 7 節），藉以提升 AUC 至 0.8 以上的「優良」區間。

7

臨床應用情境：預測吸入性肺炎風險

情境：某長期照護機構收集了 80 位住院長者的資料，包含舌壓（kPa）、年齡、BMI，以及一年內是否發生「吸入性肺炎」（有 = 1，無 = 0）。研究人員希望：（1）找出吸入性肺炎的獨立預測因子；（2）評估舌壓作為篩檢工具的效能；（3）確定最佳臨床切截點。

完整分析流程

步驟一：描述性統計與單變量分析

分別比較「有肺炎組」與「無肺炎組」在舌壓、年齡、BMI 上的差異。連續變數使用獨立樣本 t 檢定或 Mann-Whitney U 檢定；類別變數使用卡方檢定或 Fisher's exact test。

步驟二：多變量邏輯斯迴歸

將在單變量分析中 p < .10 的變數納入多變量邏輯斯迴歸，以 Enter 法同時納入，估計各變數對吸入性肺炎的獨立效果（OR 及 95% CI）。勾選 Hosmer-Lemeshow 適配度檢定確認模型適配。

步驟三：ROC 曲線與 AUC 分析

以邏輯斯迴歸的預測機率（或舌壓原始值）為預測工具，「是否發生吸入性肺炎」為狀態變數，繪製 ROC 曲線並計算 AUC。若 AUC > 0.7，代表篩檢工具具有可接受的鑑別能力。

步驟四：選取最佳切截點

從座標表中計算每個切截點的 Youden Index（敏感度 + 特異度 − 1），取最大值對應的切截點。同時考量臨床情境：若漏診後果嚴重，可選取較高敏感度的切截點，即使特異度稍低也可接受。

步驟五：撰寫結果與臨床建議

以 APA 格式報告 OR（含 95% CI 和 p 值）、AUC（含 95% CI 和 p 值）、最佳切截點（含敏感度和特異度）。結合 Sakamoto 等人的文獻，討論「舌壓 < 20 kPa」作為臨床篩檢門檻的合理性。

解讀關鍵語句

邏輯斯迴歸結果解讀的必要語句
在控制其他變數後，X 每增加 1 單位，事件發生的勝算增加（或降低）XX%
After adjusting for covariates, each unit increase in X was associated with an XX% change in the odds of the outcome
OR 的解讀必須說明：（1）方向（增加或降低）；（2）幅度（XX%，由 (OR − 1) × 100% 計算）；（3）是否達統計顯著（CI 是否包含 1）。

假設結果撰寫範例

結果撰寫範例（APA 格式）

以多變量二元邏輯斯迴歸（Enter 法）探討舌壓、年齡及 BMI 對一年內吸入性肺炎發生的獨立預測效果。Hosmer-Lemeshow 適配度檢定顯示模型適配良好（χ²(8) = 7.14, p = .521）。在控制年齡與 BMI 後，舌壓為一年內吸入性肺炎的顯著負向預測因子（B = −0.112, Wald = 6.24, p = .013, OR = 0.894, 95% CI [0.818, 0.977]），即舌壓每增加 1 kPa，發生吸入性肺炎的勝算降低約 10.6%。ROC 曲線分析顯示舌壓的 AUC 為 .798（95% CI [.694, .902], p < .001），具優良鑑別效能。依據 Youden Index 最大化原則，最佳切截點為 20.0 kPa（敏感度 = .83，特異度 = .76），與 Sakamoto 等人（2022）的臨床建議一致。

與 Sakamoto 等人的文獻呼應：本研究情境的分析結果與 Sakamoto 等人（2022）的發現高度一致，舌壓 20 kPa 不只是統計上的最佳切截點，也具有臨床意義：無一名舌壓 ≥ 20 kPa 的患者在一年內因肺炎死亡。這說明統計分析的結果必須結合臨床證據與生理機制，才能真正轉化為有意義的臨床決策工具。

8

邏輯斯迴歸：章節測驗

測試您對本章核心概念的理解程度。共 10 題，答對 +10 分，答錯 −5 分。

準備開始測驗

準備好測試您對邏輯斯迴歸的理解了嗎？

認知負荷量表

完成章節測驗後，請花 1～2 分鐘填寫以下量表，
協助老師了解本章內容對您的認知負荷情況，作為調整教學的參考。

填寫認知負荷量表
← 第14章：線性複迴歸 返回課程列表 第16章：羅吉斯複迴歸 →