一、先问：为什么需要模型？
模型通常服务于三类目的：调整混杂（控制变量后看核心变量）、检验机制（中介、调节）、 做预测（用一组变量预测结局）。如果目的只是“两组有没有差异”或“两个变量是否相关”， 第 6 步的检验已经够用。
能停在第六步，也是一种能力
二、按因变量类型选模型
模型选择的第一依据是因变量的类型，而不是“哪个方法更流行”。同样是回归， 连续、二分类、有序、多分类和计数结局对应完全不同的模型与解释方式。
| 因变量 | 模型 | 关键输出 | 工具 |
|---|---|---|---|
| 连续 | 线性回归 / 分层回归 | b、SE、95% CI、β、R²、ΔR²、VIF 与残差诊断 | 简单回归/分层回归/多元回归与诊断 |
| 二分类 | Logistic 回归 | OR、95% CI、伪 R² | 逻辑回归 |
| 有序分类 | 有序 Logistic | OR、阈值、伪 R² | 有序 Logit |
| 无序多分类 | 多元 Logistic / LDA | 各水平 OR、分类正确率 | 多元 Logistic |
| 计数 | Poisson / 负二项 | IRR、过度离散检验 | 计数回归 |
| 时间序列 | ARIMA | 阶数、残差诊断、预测区间 | ARIMA |
| 生存时间 | KM / log-rank / Cox | HR、生存曲线、中位生存期 | 生存分析 |
降维与分组是另一类问题：主成分分析用于连续指标降维，聚类用于无标签分组，判别分析用于有标签分类，综合评价用于多指标赋权排序。 没有对应问题时，不要为了“用上方法”而硬做。
三、变量进入顺序与模型检查
分层回归的价值在于“每加入一块变量，解释力增加了多少”。常见顺序是：先放控制变量， 再放核心预测变量，最后放交互项或机制变量。顺序要在分析前想清楚，而不是看哪一步显著就怎么排。
- 控制变量：年龄、性别、年级等，理论上与结局相关、且可能混淆核心关系。
- 核心预测变量：研究问题真正关心的变量，单独成块，报告 ΔR² 与系数。
- 交互项 / 机制变量：只有在有理论依据时才加入，并说明中心化处理。
- 模型检查：线性、独立、同方差、共线性（VIF）、异常点与影响点。
- 报告：R²、调整 R²、ΔR²、F 变化、系数、95% CI、样本量与变量数。
工具边界要说清楚
四、机制与结构：只在问题需要时用
五、案例：控制变量后的分层回归
模型结果
第一块（年龄、性别、年级）R² = 0.013， F(3, 214) = 0.94，p = 0.421，整体未达到统计学显著。 第二块加入日均使用时长与依赖均分后，ΔR² = 0.533， F(2, 212) = 124.511，p < 0.001。
最终模型 R² = 0.546，调整后 R² = 0.535， F(5, 212) = 51.022，p < 0.001。依赖与使用时长的非标准化系数分别为 b = -0.438 和 b = -0.164；控制变量的系数为 年龄 b = 0.006、性别 b = -0.172、 年级 b = 0.014。
怎么读这些系数
依赖与睡眠均按 1–5 分计分，因此 b = -0.438 可以粗略理解为： 依赖每高 1 分，睡眠质量平均低约 0.44 分（控制其他变量后）。 这是关联，不是因果效应；系数也没有回答“改变依赖能否改善睡眠”。
这里报告的是非标准化系数 b。若要比较不同量纲变量的相对贡献，需要标准化系数 β， 并在报告中明确区分两者。站内工具输出的是 b，不要直接写成 β。
敏感性分析
剔除极端使用时长后（n = 217），第二块 ΔR² = 0.534， 依赖的系数 b = -0.39；主分析分别为 0.533 与 -0.438。 方向和量级都稳定，说明结论不是由单个极端值造成的。