本文基于前期构建的模拟数据集与回归模型，系统拆解rms包ols()函数的核心功能、模型输出结果、非线性检验逻辑、Predict批量预测方法及专业可视化流程，结合模拟数据的生成机制解释统计结果，帮助学习者掌握完整的RCS回归分析体系，厘清结局变量变换对非线性分析的关键影响，规避临床统计常见误区。
构建限制性立方样条回归模型
传统base R当中lm()函数可以完成普通最小二乘回归，但面对限制性立方样条（restricted cubic spline，RCS） 非线性建模、模型协方差矩阵管理、自动置信区间计算、剂量‑反应关系可视化、惩罚回归等高级需求时，base R的lm就会显得繁琐，需要大量额外代码完成样条基构造、置信区间推导、图形绘制工作。Harrell开发的rms包专门服务于回归建模，其中ols()函数就是面向连续结局的最小二乘回归实现，完美适配rcs()限制性立方样条，是临床科研中做非线性暴露‑结局关联分析的主力工具。
library(rms)
set.seed(1)
n <- 200
BMI <- runif(n, min = 18, max = 35)
Sex <- sample(0:1, n, replace = TRUE)
Age转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/2301_79425796/article/details/165736229
