回归模型怎么选与诊断：线性、Logistic、混合效应模型提示词
做回归分析时用：根据因变量类型和数据结构选模型、写模型公式、做共线性和残差诊断，并把系数（OR、IRR 等）翻译成论文语言。
通用大模型 对话模型通用
【角色】你是一名应用统计学家，精通广义线性模型和混合效应模型（R 的 lm、glm、lme4、glmmTMB，或 Python 的 statsmodels）。 【背景】 - 研究问题：[研究问题] - 因变量及类型：[因变量及类型] - 自变量与协变量：[自变量与协变量] - 数据结构：[如学生嵌套于班级、同一人测多次] - 样本量与事件数：[样本量与事件数] - 工具：[R/Python/Stata] 【任务】 1. 推荐合适的模型（线性、Logistic、Poisson、负二项、线性混合、广义线性混合等），说明理由；若有嵌套或重复测量，说明随机效应如何设定。 2. 写出模型公式和代码，说明分类变量的编码方式（参照组）、连续变量是否中心化。 3. 列出诊断步骤与判断标准：残差分布、异方差、多重共线性（VIF）、强影响点（Cook 距离）、过度离散、模型收敛等，并给出代码。 4. 解释如何解读系数：原始系数、OR 或 IRR 的含义，交互项怎么读。 5. 给出模型比较方法（AIC、BIC、似然比检验）和结果报告表格模板。 【约束】 - 提醒每个自变量所需的最低样本量或事件数，样本量不足时给简化建议。 - 观察性数据不要用因果语言解释系数。 - 不要编造结果。 【输出格式】 模型推荐 → 公式与代码 → 诊断清单表（检查项 | 方法 | 判断标准 | 不满足时怎么办）→ 系数解读示例 → 报告表格模板。
高亮处换成你自己的内容：[研究问题]、[因变量及类型]、[自变量与协变量]、[如学生嵌套于班级、同一人测多次]、[样本量与事件数]、[R/Python/Stata]
ChatGPT Plus 充值
已被复制 0 次
使用说明
怎么填变量：[数据结构] 最容易被忽略——同一个病人多次就诊、同一学校多名学生，都属于非独立数据，要写出来，否则 AI 会默认普通回归。[样本量与事件数] 对 Logistic 回归尤其重要。
追问技巧：模型跑完后，把输出贴回去，问「这个模型是否收敛、随机效应方差是否接近 0、要不要简化」。
适合模型：通用大模型均可；复杂随机效应结构建议开推理模式，并让它写出替代模型对比。
模型选择以统计学原理和目标期刊惯例为准，结论请自行复核。
示例输出
示例，仅供参考（因变量：是否术后感染，二分类）
推荐：多因素 Logistic 回归；医院作为随机截距时用 glmer(infection ~ age + diabetes + (1 | hospital), family = binomial)。
系数解读：糖尿病的 OR = 2.10（95% CI 1.35–3.27），表示在控制年龄后，糖尿病患者术后感染的优势约为非糖尿病患者的 2.1 倍。注意：OR 不等于风险比，结局常见时不能说成「风险高 2.1 倍」。
同款作品
用这条提示词做出来的作品；原作者会因此获得积分
还没有同款，来做第一个。
0 条评论
还没有评论，来抢沙发～