对于统计大牛们来说，各种统计学方法的应用总是能够如行云流水一般，流畅自如。也经常看到文章中用这样那样的“回归”。可是，如何区分常见的回归模型呢？在什么情况下，应该用什么回归模型呢？Logistic回归、Cox回归、线性回归，我们已经知道常用回归模型各自的特点，今天将汇总三种最常用的回归模型：多重线性回归、Logistic回归、Cox回归，更直接比较它们间最基本的联系与区别。

三者联系：

它们都属于回归分析，目的都在于探讨多个自变量对因变量的影响，且自变量具有共同属性——自变量均为多个，可以为连续变量、等级变量和分类变量，其中，分类变量需转换为哑变量进行处理，等级变量按连续变量或哑变量进行处理。

三者区别：

1、多重线性回归：用于寻找连续性因变量数值随多个自变量变化而变化的直线趋势；强调因变量为连续变量。如研究肺癌患者某肿瘤标记物的水平（连续变量）是否受年龄、性别、吸烟与否及数量等自变量的影响。操作流程为：

2、Logistic回归：用于分析分类变量（或等级变量）和一些影响因素之间的关系，由于因变量非连续变量，与自变量间失去了线性关系的可能性，于是经过Logit变化，将模型转换为线性关系；强调因变量为分类变量或等级变量。如研究肺癌患病与否（二分类变量）是否受年龄、性别、吸烟与否及数量等自变量的影响。以二分类Logistic回归为例，操作流程为：

3、Cox回归：用于研究多个因素对结局事件的影响；因变量与二分类Logistic回归相似，唯一的区别在于Cox回归的因变量引入了时间因素。如分析肺癌生存时间（二分类变量，含时间因素）是否受年龄、性别、吸烟与否及数量等自变量的影响。操作流程为：

可见，三种常用的回归模型有着某些相同点，也由于因变量的情况不同而适用于不同的数据。