RCS样条分析结果解读
一、方法简介
限制性立方样条（Restricted Cubic Splines, RCS）是一种灵活的非参数回归方法，用于探索连续型自变量与因变量之间可能存在的非线性关系。RCS通过在自变量的取值范围内设置若干节点（knots），将复杂的非线性曲线"切"分成若干段三次多项式，并在节点处保证曲线的平滑拼接（连续且一阶、二阶导数连续），同时限制两端为直线，从而避免了传统多项式回归在边界处的不稳定问题。RCS广泛应用于医学和流行病学研究中，用于识别剂量-反应关系中的拐点、U型或J型曲线等非线性特征。本研究使用SPSSAU软件进行RCS样条分析，设置4个节点，以X的中位数作为参考点，系统评估自变量与因变量之间的线性与非线性关系。
在SPSSAU【实验/医学研究】模块选择【RCS样条分析】，将变量拖拽至右侧对应分析框，操作如下图：
二、RCS样条基本参数
表1展示了RCS样条分析的基本参数设置。本研究采用Linear线性模型，设置4个RCS节点，X参考点选择中位数。4个节点意味着RCS将生成4-2=2个样条项（即非线性项），用于捕捉自变量与因变量之间可能存在的非线性弯曲特征。以中位数作为参考点，意味着RCS曲线中该点的效应值被设定为0（基准），其他取值处的效应值均相对于中位数进行比较。这种设置方式在医学研究中较为常见，因为中位数不受极端值影响，能够代表"典型"水平。
三、模型似然比检验
表2报告了RCS样条模型的似然比检验结果。似然比检验通过比较"仅截距模型"（即不含任何自变量的空模型）与"最终模型"（包含所有自变量和样条项的完整模型）的拟合优度，评估整体模型是否具有统计学意义。仅截距模型的-2倍对数似然值为493.350，最终模型为365.405，二者之差为卡方值127.945（df=7，p<0.001），达到极显著水平。这表明最终模型显著优于空模型，模型整体有效，纳入的自变量和样条项对因变量具有显著的解释力。
从模型信息准则来看，最终模型的AIC值为381.405，BIC值为412.037。AIC（Akaike Information Criterion）和BIC（Bayesian Information Criterion）是评估模型拟合优度与复杂度平衡的常用指标，二者均以越小越好为原则。如果后续进行多次RCS分析（如调整节点个数或纳入/排除变量），可以通过比较AIC和BIC的变化来评估模型改进的程度。当前模型的AIC和BIC值可作为后续模型比较的基准参考。
四、RCS样条模型系数结果
表3详细报告了RCS样条模型的各项回归系数。模型的整体拟合指标为：R²=0.314，调整R²=0.299，RMSE=0.419。R²=0.314表示模型解释了因变量约31.4%的变异，对于包含非线性项的回归模型而言，这一解释力处于中等水平。
常数项（截距）β=-0.327，z=-0.910，p=0.363，不显著。截距表示当所有自变量取值为0时因变量的预测值，其不显著并不影响模型的解释力，因为截距的含义取决于变量的编码方式。
自变量x1的线性项系数β=-0.225，z=-9.905，p<0.001，达到极显著水平，95% CI为-0.270~-0.181。该系数为负值，表明x1与因变量之间存在显著的负向线性趋势，即x1增大时因变量倾向于降低。x1的线性效应非常强（z=-9.905），是模型中最重要的预测变量之一。
关键的样条项（非线性项）：样条1(x1)的回归系数为0.000，z=0.018，p=0.986，完全不显著；样条2(x1)的回归系数为-0.013，z=-0.222，p=0.825，同样完全不显著。两个样条项的95%置信区间均包含0，说明非线性项对模型的贡献极为有限。样条项的不显著初步提示x1与因变量之间可能不存在显著的非线性关系，但需要结合下面的总体非线性检验进行综合判断。
其他协变量方面：x2的β=-0.085，p=0.103，处于边缘状态但未达显著水平；x3的β=0.002，p=0.410，不显著；x4的β=0.022，p=0.356，不显著；x5的β=0.252，z=10.719，p<0.001，达到极显著水平，95% CI为0.206~0.298。x5是模型中另一个强预测变量，其正向效应与x1的负向效应形成对比，二者共同构成模型的主要解释力来源。
五、模型整体非线性关系检验
表4报告了模型整体非线性关系检验的结果，这是判断x1与因变量之间是否存在非线性关系的核心依据。该检验通过比较仅含线性项的模型与包含样条项（非线性项）的完整模型，评估非线性项是否为模型带来了显著的拟合改善。检验结果显示，卡方值仅为1.238（df=2），p=0.539，远大于0.05的显著性水平，说明非线性项对模型的贡献不具有统计学意义。
综合表3的样条项系数和表4的总体非线性检验结果，可以得出明确结论：虽然x1与因变量之间存在极为显著的线性关联（β=-0.225，p<0.001），但二者之间不存在显著的非线性关系。具体判断逻辑如下：总体非线性检验p=0.539>0.05，说明非线性关系不成立；两个样条项的p值分别为0.986和0.825，均远大于0.05，进一步确认了非线性项的不显著性。根据RCS分析的判断标准，当总体p值不显著且样条p值也不显著时，说明变量间存在关联但呈简单的"线性直线"关系，无需使用复杂的非线性模型来描述。这一结论意味着x1对因变量的负向效应是恒定的线性效应，不存在剂量-反应关系中的拐点、U型或J型曲线等复杂模式。
六、关键拐点识别
表5报告了关键拐点的识别结果。拐点是指在RCS曲线上效应值达到局部极大值或极小值的位置，即曲线由升转降或由降转升的转折点。本分析中，SPSSAU未能识别出任何关键拐点，X参考点（中位数）为53.475。拐点识别失败进一步印证了前述结论：x1与因变量之间为简单的线性关系，RCS曲线不存在弯曲或转折，因此自然不存在极值拐点。
在实际研究中，如果RCS分析识别出拐点，研究者可以据此确定自变量的关键阈值。例如，在医学研究中，拐点可能对应某个生物标志物的最佳截断值，超过该值后疾病风险急剧升高或降低。本研究中未识别出拐点，说明x1对因变量的效应是单调递增或单调递减的线性关系，不存在风险急剧变化的临界点。
七、RCS样条曲线图
图1 RCS样条分析曲线图
图1展示了x1与因变量之间的RCS样条曲线图。RCS曲线图的横轴为自变量x1的取值，纵轴为效应值（即相对于参考点x1=53.475时的log-odds或线性预测值的变化量）。图中的实线表示RCS拟合的剂量-反应曲线，阴影区域或虚线表示95%置信区间。水平参考线位于效应值=0处，对应X参考点（中位数53.475）的效应值。
从RCS曲线图可以直观观察到以下特征：第一，曲线整体呈现从左上方到右下方的下降趋势，表明随着x1的增大，因变量的预测值逐渐降低，这与x1线性项系数为负（β=-0.225）的结论一致。第二，曲线的下降趋势较为均匀，未出现明显的弯曲、波动或转折，近似为一条直线，这与非线性检验p=0.539（不显著）的结论完全吻合。第三，曲线在x1取值较小的区域（左侧）置信区间相对较宽，反映了该区域样本量较少或数据变异较大导致估计精度降低；在x1取值集中的区域（中部），置信区间较窄，估计精度较高。第四，曲线在x1取值较大的区域（右侧）置信区间可能略有扩大，但整体趋势仍然清晰。
综合RCS曲线图的形态和统计检验结果，可以确认x1与因变量之间存在显著的负向线性关系，不存在非线性特征。这一结论对于后续建模具有指导意义：研究者可以使用简单的线性项来描述x1与因变量的关系，无需引入复杂的非线性变换或分段回归模型。
八、样本缺失情况
如表6所示，共有340例样本全部进入RCS模型分析，无缺失数据被排除，有效样本率为100%，数据完整性良好。
九、结论
本研究使用SPSSAU软件进行RCS样条分析，设置4个节点，以X中位数（53.475）为参考点，系统评估了自变量x1与因变量之间的线性和非线性关系。主要结论如下：
第一，RCS样条模型整体有效。似然比检验显示最终模型显著优于仅截距模型（卡方=127.945，df=7，p<0.001），AIC=381.405，BIC=412.037，模型拟合良好。
第二，x1与因变量之间存在极为显著的负向线性关系（β=-0.225，z=-9.905，p<0.001），x1每增加一个单位，因变量平均降低0.225个单位。x1是模型中最强的预测变量之一。
第三，x1与因变量之间不存在显著的非线性关系。总体非线性检验p=0.539>0.05，两个样条项的p值分别为0.986和0.825，均不显著。RCS曲线呈现近似直线的单调下降趋势，未出现U型、J型或其他非线性模式。
第四，未识别出关键拐点，进一步证实了x1与因变量之间为简单线性关系，不存在风险急剧变化的临界值。第五，协变量x5也是显著的预测变量（β=0.252，p<0.001），具有显著的正向效应。x2处于边缘显著水平（p=0.103），x3和x4均不显著。模型R²=0.314，解释了因变量约31.4%的变异。
