如何用R语言画森林图展示Logistic回归分析的结果

# 如何用R语言画森林图展示Logistic回归分析的结果

## 摘要
森林图（Forest Plot）是展示多因素回归分析结果的经典可视化工具，能够直观呈现各变量的效应值（OR值）及其置信区间。本文将详细介绍如何基于R语言，从数据准备、模型构建到森林图绘制的完整流程，并比较`forestplot`、`ggplot2`等主流包的使用方法。

---

## 1. 森林图的概念与应用场景

### 1.1 什么是森林图
森林图是一种将多组效应量及其置信区间并排展示的图表，最初用于Meta分析，现已广泛应用于：
- 多因素回归结果可视化（Logistic/Cox回归）
- 分组治疗效果比较
- 多中心研究结果整合

### 1.2 Logistic回归中的关键指标
在二分类结局的Logistic回归中，森林图通常展示：
- **OR（Odds Ratio）**：暴露组与非暴露组的优势比
- **95% CI**：置信区间反映估计精度
- **P值**：统计显著性

---

## 2. 数据准备与模型构建

### 2.1 示例数据加载
使用R内置数据集`mtcars`进行演示，将`vs`（发动机类型）作为二分类结局变量：

```r
data(mtcars)
df <- mtcars[, c("vs", "wt", "hp", "gear")]
df$vs <- factor(df$vs)  # 转换为因子
head(df)

2.2 构建Logistic回归模型

model <- glm(vs ~ wt + hp + gear, 
             data = df, 
             family = binomial())
summary(model)

2.3 提取模型结果

使用broom包整理结果：

library(broom)
tidy_results <- tidy(model, conf.int = TRUE, exponentiate = TRUE)
tidy_results <- tidy_results[-1, ]  # 去除截距项

3. 使用forestplot包绘制基础森林图

3.1 安装与基本语法

install.packages("forestplot")
library(forestplot)

forestplot(
  labeltext = cbind(tidy_results$term, 
                   sprintf("%.2f (%.2f-%.2f)", 
                           tidy_results$estimate, 
                           tidy_results$conf.low, 
                           tidy_results$conf.high)),
  mean = tidy_results$estimate,
  lower = tidy_results$conf.low,
  upper = tidy_results$conf.high,
  zero = 1,
  xlog = TRUE
)

3.2 参数详解

3.3 进阶美化

forestplot(
  labeltext = cbind(tidy_results$term),
  mean = tidy_results$estimate,
  lower = tidy_results$conf.low,
  upper = tidy_results$conf.high,
  title = "Logistic回归结果森林图",
  col = fpColors(box = "royalblue", line = "darkblue"),
  txt_gp = fpTxtGp(cex = 1.2)
)

4. 使用ggplot2实现高度定制化

4.1 基础绘图代码

library(ggplot2)

ggplot(tidy_results, aes(x = estimate, y = term)) +
  geom_point(size = 3) +
  geom_errorbarh(aes(xmin = conf.low, xmax = conf.high), height = 0.2) +
  geom_vline(xintercept = 1, linetype = "dashed") +
  scale_x_log10() +
  labs(x = "OR (95% CI)", y = "") +
  theme_minimal()

4.2 添加统计注释

tidy_results$label <- paste0(
  round(tidy_results$estimate, 2), " (",
  round(tidy_results$conf.low, 2), "-",
  round(tidy_results$conf.high, 2), ")")

ggplot(tidy_results, aes(x = estimate, y = term)) +
  geom_point(size = 3) +
  geom_errorbarh(aes(xmin = conf.low, xmax = conf.high), height = 0.2) +
  geom_text(aes(label = label), nudge_y = 0.3) +
  geom_vline(xintercept = 1, linetype = "dashed") +
  scale_x_log10() +
  labs(x = "OR (95% CI)", y = "") +
  theme_bw()

5. 其他实用工具包比较

5.1 finalfit包（临床研究友好）

library(finalfit)
explanatory <- c("wt", "hp", "gear")
dependent <- "vs"
ff_model <- df %>% 
  finalfit(dependent, explanatory)
forest_plot(ff_model)

5.2 survminer包（适配生存分析）

library(survminer)
ggforest(model, data = df)

6. 常见问题与解决方案

6.1 置信区间异常宽泛

• 检查样本量是否充足
• 检查多重共线性（使用car::vif()）

6.2 图形元素重叠

• 调整画布尺寸：pdf("plot.pdf", width=10, height=6)
• 减小字体大小：txt_gp = fpTxtGp(cex=0.8)

6.3 特殊需求处理

• 亚组分析：在labeltext中添加分组列
• 多模型比较：合并多个模型结果后用rbind

7. 完整代码示例

# 数据准备
data(mtcars)
df <- mtcars[, c("vs", "wt", "hp", "gear")]
df$vs <- factor(df$vs)

# 模型构建
model <- glm(vs ~ wt + hp + gear, data = df, family = binomial())

# 结果整理
library(broom)
tidy_results <- tidy(model, conf.int = TRUE, exponentiate = TRUE)[-1, ]

# 森林图绘制
library(forestplot)
forestplot(
  labeltext = cbind(tidy_results$term, 
                   sprintf("%.2f (%.2f-%.2f)", 
                           tidy_results$estimate, 
                           tidy_results$conf.low, 
                           tidy_results$conf.high)),
  mean = tidy_results$estimate,
  lower = tidy_results$conf.low,
  upper = tidy_results$conf.high,
  zero = 1,
  xlog = TRUE,
  col = fpColors(box = "royalblue", line = "darkblue"),
  title = "汽车发动机类型影响因素分析"
)

参考文献

1. R Core Team (2023). R: A Language and Environment for Statistical Computing
2. Gordon M (2022). forestplot: Advanced Forest Plot. R package version 2.0.1
3. Wickham H (2016). ggplot2: Elegant Graphics for Data Analysis

”`

（注：实际使用时可根据需要调整代码中的数据集和变量名称，全文约2500字）