📘 原书正文提炼（OCR页 96-97）
原书把参数估计分成点估计与区间估计：点估计给一个最可能值，区间估计给不确定范围。点值直观但脆弱，区间更符合科研表达。
最小二乘估计用于线性回归时，目标是让观测值与模型预测值之间的误差平方和最小，从而得到“最贴近数据”的参数。
估计值永远是样本条件下的近似，而非总体真值本身，必须连同误差范围一起解释。
🔍 深入讲解（第三次扩写）
点估计的好处是简洁，但其稳定性依赖样本代表性与样本量。样本稍有偏移，点值就可能明显波动，这也是可重复性问题的重要来源。
最小二乘法之所以常用，是因为它把“拟合好不好”转化为可计算的优化目标；但它也依赖线性关系、误差结构等前提，不满足时需改用更稳健方案。
医学论文中常见“只报OR=1.35”而不报区间，这会让读者无法判断估计精度。规范做法是点值+区间+模型假设检查。
估计阶段建议做敏感性分析：更换变量形式、剔除影响点、替换协变量组合，观察参数方向与量级是否稳定。
🧩 概念拆解与方法边界
- 点估计：给出参数的单值近似，便于快速比较。
- 区间估计：给出参数可能范围，体现不确定性。
- 最小二乘：通过最小化误差平方和求得回归参数。
🏥 医学科研落地场景
- • 风险预测模型中同步报告β系数和95%CI。
- • 温度-发病率关系可先线性拟合，再评估非线性可能。
- • 病例对照研究应在调整混杂后报告调整OR区间。
🧪 小例题（本章最短实战）
估计“体重与收缩压关系”的回归系数，同时给出95%CI，避免只报单一β值。
💻 R 最短复现片段
set.seed(108)
wt <- rnorm(160, 65, 9)
dat <- data.frame(
wt = rnorm(160, 65, 9),
sbp = 95 + 0.8*wt + rnorm(160,0,8)
)
fit <- lm(sbp ~ wt, data=dat)
summary(fit); confint(fit)📌 R结果解释标准模板
- • 数据概况：连续结局 sbp 与连续自变量 wt，采用线性回归。
- • 核心结果：报告 β 系数、95%CI 与模型 P 值。
- • 解释句式：'wt 每增加1单位，sbp 平均变化 β 单位（95%CI ...）。'
🛠️ 常见报错排查（R运行失败时怎么改）
- • 报错 `object not found`：先运行完整代码块（含 `set.seed`、`data.frame`），不要只运行最后两行模型代码。
- • 报错 `could not find function`：确认函数来源包是否已安装并加载；优先执行 `install.packages('包名')` 后再 `library(包名)`。
- • 报错 `non-numeric argument`：检查变量类型，必要时用 `str(dat)` 查看并将字符变量转为数值或因子。
- • 报错 `contrasts can be applied only to factors`：分组变量先转因子，例如 `dat$group <- as.factor(dat$group)`。
- • 报错 `NA/NaN/Inf in ...`：先清理缺失或无穷值，如 `dat <- na.omit(dat)`，并排查除零与非法变换。
- • 结果与页面示例不完全一致：先确认 R 版本与包版本，再完整重跑代码块；模拟数据场景下以“方向与解释框架一致”为主。
🖱️ SPSS 最短复现片段
分析 > 回归 > 线性；勾选系数与置信区间输出。
REGRESSION
/DEPENDENT sbp
/METHOD=ENTER wt
/STATISTICS COEFF CI(95).🧾 论文/汇报可直接套用
结果写作句：'在调整年龄、性别及基线指标后，暴露变量与结局呈正向关联（β=0.42，95%CI 0.18~0.66）。'
⚠️ 本章高发误区
- • 只报告点估计，不报告区间。
- • 把估计值当确定真值。
- • 忽视模型假设就解释参数。
- • 不做稳健性/敏感性分析。
✅ 本章实操清单
- • 报告点估计与95%CI。
- • 说明估计方法与建模前提。
- • 检查异常值与高杠杆点影响。
- • 补充至少一种敏感性分析。
📝 课后思考题
- • 你的估计值在不同建模策略下是否稳定？
- • 若样本量减半，区间会变多宽？
- • 你是否向读者清晰传达了“估计不等于真值”？