本文深度进行了有序分类（Ordered Logistic）回归的 R 代码包横向测评，并介绍了如何利用现代化的工具简单完成有序分类 Logistic 回归的各种分析并通过鼠标点击，或通过 AI 自然语言命令自动生成 R 代码，文本避免使用专业的数理统计语言和公式，仅用临床医生看得懂的语言进行描述
有序分类 Logistic 回归（Ordinal Logistic Regression），又称为有序回归，是用来处理因变量是有序分类的统计分析方法。这种回归模型适用于因变量是有序的离散型变量，而自变量可以是连续的、离散的，或者两者的组合。
假设我们在研究一个药物对疾病进程的影响。疾病进程可以分为轻微、中等和严重三个有序等级。研究的目的是分析药物剂量（一个连续变量）和患者年龄（另一个连续变量）对疾病进程的影响。
在这个例子中，我们可以建立一个有序 Logistic 回归模型，其中：
因变量
𝑌 自变量
𝑋
通过这个模型，我们可以估计不同药物剂量和患者年龄组合下，疾病进展到各个严重程度的概率。这有助于医生更好地理解药物剂量对疾病控制的效果，并为每个患者提供更个性化的治疗建议。
在R中实现有序Logistic回归，有几个常用的包提供了相应的函数。这些包不仅提供模型拟合的功能，还有模型检验、诊断和预测等功能。下面是一些广泛使用的R包和对应的函数：
1.MASS
MASS包中的polr函数（Proportional Odds Logistic Regression）是实现有序Logistic回归的常用工具。这个函数提供了一个灵活的接口，可以指定链接函数，默认使用的是对数累积链接函数（logit）。
library(MASS)model <- polr(ordered_response ~ predictors, data = data, Hess = TRUE)
在这个示例中，ordered_response是有序因变量，predictors是影响变量，data是数据集，Hess = TRUE选项使得函数返回Hessian矩阵，有助于后续的标准误和置信区间的计算。
2.ordinal
ordinal包提供了更加专业化的有序回归模型功能，特别是clm函数（Cumulative Link Models）。这个包不仅支持标准的对数累积链接模型，还支持其他类型的链接函数，如probit和cloglog。
library(ordinal)model <- clm(ordered_response ~ predictors, data = data, link = "logit")
此处的link参数允许选择不同的链接函数，提供了模型构建的灵活性。
3.VGAM
VGAM包中的vglm函数（Vector Generalized Linear Models）提供了一个非常灵活的框架来拟合有序Logistic回归，除了标准的对数链接外，还可以应用多种链接函数。
library(VGAM)model <- vglm(ordered_response ~ predictors, family = cumulative(link = "logit"), data = data)
在这个例子中，cumulative是指定有序回归模型，而link = "logit"设置了链接函数。
4.rms
rms包是另一种实现有序Logistic回归的选择，它提供了lrm函数，专门用于拟合逻辑回归模型，包括有序逻辑回归。
library(rms)model <- lrm(ordered_response ~ predictors, data = data, x = TRUE, y = TRUE)
这里的x = TRUE和y = TRUE是为了保存模型拟合的预测变量和响应变量的数据，便于后续分析。
选择合适的包
选择哪一个 R 包通常取决于你的具体需求，如是否需要特定的链接函数，模型诊断的详细程度，以及你对输出和结果表示的偏好。MASS和ordinal是开始的好选择，因为它们提供了对有序 Logistic 回归较为全面的支持。对于更高级的用户，VGAM和rms提供了更多的定制化选项和模型诊断工具。
MASS 包的 polr 函数为什么不能显示P值？
MASS包中的polr函数用于拟合有序逻辑回归模型，但它默认并不提供 p 值。这是因为在有序逻辑回归中，确定模型系数显著性的统计检验并非直接使用标准的 Wald 检验，而polr函数的输出主要侧重于模型的估计参数和其它统计量。
如果要用 polr 函数得到 P 值，还需要额外的代码：
model <- polr(formula = differ ~ age + sex + extent, data = data)ctable <- coef(summary(model))p <- pnorm(abs(ctable[, "t value"]), lower.tail = FALSE) * 2tibble::enframe(p) %>% knitr::kable()
ordinal包的 clm 函数可以显示P值，但有些自变量放进模型会报错
ordinal包的clm函数（Cumulative Link Model）设计用于有序逻辑回归，并且在输出结果时可以直接提供 p 值，这是因为它内部使用了稳健的统计方法来评估模型系数的显著性。然而，即使clm函数通常在用户体验上比polr函数更加友好，当某些自变量被放入模型中时，它也可能报错，这种情况通常由完全分离（Perfect Separation）和模型不收敛导致的。
如何才能在不用键盘打字的情况下，自动生成有序分类回归的 R 代码，并运行直接得到论文所需的图表呢？可以采用 MSTATA 软件 或 chatSTATA 软件 (www.mstata.com)
进入MSTATA后，选择 “因果推断” - “探索性影响因素研究（经典单因素多因素分析）”
鼠标操作界面如下：
点击生成按钮，可以得到以下结果：
如果要使用多重填补（multiple imputation）, 可以勾选复选框，实现一键填补：
进行多套填补后，合并多套回归分析结果如下：
另外，还能显示回归系数：
最后，软件自动生成所有的源代码，并不是示例代码，而是针对导入的数据集，生成直接可以运行结果的全套代码：
导入数据后，只要在命令框输入中文：
用differ做应变量，age和sex做自变量，进行有序分类的Logistic回归输入这句话后，点击分析按钮，就会得到分析结果：
