研究说了什么
剂量反应分析首先要决定暴露怎么进入模型。把连续变量切成四分位或三分位最常见，代价是损失信息、掩盖阈值，并在切点附近制造人为的跳跃；组内残余混杂也无法消除，因为同一组里的人暴露可以相差很大。更合适的做法是限制性立方样条，通常取三到五个节点，节点位置按 Harrell 的建议放在分位数上，用似然比检验比较样条模型与线性模型，判断非线性是否有统计学支持。分段线性回归适合有明确拐点假设的情形，用 broken-stick 或阈值回归估计拐点，但拐点位置的不确定性很大，需要 bootstrap 给出区间。广义加性模型与平滑样条能画出更自由的曲线，代价是解释困难、容易过拟合。剂量反应荟萃分析则用两阶段或一步法，把各研究的相对风险按剂量点拟合，同样要处理参照组与非线性关系。无论用哪种方法，暴露的测量误差都会让曲线变平，把真实阈值抹成缓坡。另一个细节是参照点的选择，以零暴露为参照与以最低暴露组为参照，画出的曲线形状可以完全不同，论文必须说明基准是谁。若暴露有生理上限，比如某种营养素的血浓度受稳态调节，高剂量段的斜率本就不可解释，把曲线外推到超生理范围是常见错误。
为什么重要
抗衰建议常默认越多越好，剂量反应曲线提醒多数关系存在平台甚至反转。运动量与全因死亡风险呈 L 型，每周一百五十分钟中等强度后收益迅速变缓，继续加到三百分钟仍有小幅下降，再往上边际收益接近于零，极端耐力运动的心血管风险仍有争议。维生素 D 与结局的关系在低水平段陡峭，超过每毫升三十纳克后趋于平坦，这也是大剂量补充试验多为阴性的原因之一。饮酒与死亡风险的 J 型曲线被反复报告，但其中一部分来自病前戒酒者被归入不饮酒组。睡眠时长与认知的倒 U 型同样受合并疾病影响。对读者，曲线形状比一个点的风险比更有用，它告诉你干预的起点与天花板在哪里。对公共卫生，阈值附近的斜率决定了把人群整体推过阈值能带来多少收益，这比宣传一个平均值更接近决策需要。对临床，若患者已经在平台段，继续加量的收益很小，副作用却随剂量上升，这时讨论减量比加量更合理。对政策制定，若曲线在高暴露段转为上升，提示需要设上限而不是只鼓励多摄入。
证据与边界
边界首先在建模自由度。节点越多曲线越灵活，也越容易拟合噪声，不同节点位置可以给出不同的拐点，论文只报一条曲线而不做敏感性分析时，形状并不可靠。分位数分组看似稳健，实际会把阈值藏在组内，并让参照组的选择左右结论。观察性数据里的非线性还可能来自混杂：健康的人更可能保持中等运动量，病人两端都少，U 型因此被制造出来。反向因果在饮酒研究里最典型，病前戒酒者被归入不饮酒，J 型的一部分由此而来，排除近期患病者或做滞后分析能削弱但不能消除。一个典型失败案例是把每天一杯酒的保护效应当成因果，随访前几年排除后效应明显减弱。另一个边界是外推，曲线在低暴露区的斜率不能线性延伸到高暴露区。看到剂量反应图，先看节点、参照点与是否报告了置信带。若论文只给分组风险比而不给连续曲线，读者无法判断阈值在哪，也无法比较不同研究。另一个限制是时间尺度，横断面曲线把不同年龄的人放在一起，年龄效应与暴露效应混在一起，队列内的重复测量才能把两者分开。