Lojistik Regresyon ve Cox Regresyon – Epidemiyolojide Biyoistatistiksel Yöntemler – Biyoistatistikler – Epidemiyoloji – Biyoistatistikler Nedir? – İstatistik Fiyatları – Ücretli İstatistik
Örnek 14.8 (Oral Kontraseptifler – Miyokard Enfarktüsü: 35 ila 44 Yaş Grubu) Tablo 11.5’teki 35 ila 44 yaş grubunu düşünün. Çalışma planlanırken, ρ ve φ2’nin çalışma öncesi tahminlerinin tam olarak çalışma sonrası tahminlere eşit olduğunu, yani ρ = 727/108 = 6.73 ve φ2 = 35/727 = olduğunu varsayalım.
Ayrıca, yayınlanmış literatürden, olasılık oranının çalışma öncesi tahmininin OR = 3 olarak alındığını varsayalım. Α = .05 ve β = .20 ile (14.8) ‘e dayalı olarak, 89 vaka gerekli olurdu. çalışma. Aslında, çalışmadaki gerçek vaka sayısı 108 idi.
Tablo 11.5’ten ORu = 2.02 ve Xmh = 3.64 (p = .06). Çalışma sonrası olasılık oranının tahmininin, yukarıdaki (varsayımsal) çalışma öncesi tahminden daha küçük olduğuna dikkat edin. Α = .05’e sıkı sıkıya bağlı kalırsak, boş hipotez (oral kontraseptif kullanımın miyokard enfarktüsü için bir risk faktörü olmadığı) reddedilmez.
Boş bir hipotez reddedilmediğinde, bazen “post hoc” gücü dikkate alınır. Post hoc güç, ön çalışma tahminlerinin aksine çalışma sonrası kullanılarak (14.13) ‘den hesaplanır. Tablo 11.5’e göre post hoc güç% 48.4’tür. Bu bilgilerle, çalışmanın, gözlemlenen kadar küçük bir olasılık oranını tespit etmek için yeterli güce sahip olmadığı sonucuna varılabilir. Greenland (1988) ve Goodman ve Berlin (1994), bir çalışma tasarlanırken güç hesaplamalarının tamamen uygun olmasına rağmen, çalışma bulgularının yorumlanmasında post hoc gücün hiçbir yeri olmadığı ileri sürülmüştür.
Bunun nedeni, (çalışma öncesi) gücün sıfır hipotezini reddetme olasılığı ile ilgilenmesidir. Çalışma tamamlandıktan ve boş hipotez reddedildikten veya reddedildikten sonra, zaten meydana gelmiş bir olayın olasılığından bahsetmenin bir anlamı yoktur.
Ancak, çalışma sonrası tahminler gelecekteki çalışmalar hakkında – özellikle örneklem büyüklüğü – hakkında kararlar almak için kullanılabilir ve kullanılmalıdır. Tablo 11.5’e göre,% 80’lik bir güce ulaşmak için, 35-44 yaş grubundaki gelecekteki bir vaka-kontrol çalışmasının 269 vakaya ihtiyacı olacaktır.
lojistik regresyon analizi: kavram ve uygulama
Lojistik regresyon
Multinominal lojistik regresyon
Lojistik regresyon analizi ppt
Lojistik regresyon makale
Lojistik regresyon ile sınıflandırma
Lojistik regresyon analizi PDF
İkili lojistik regresyon nedir
Lojistik Regresyon ve Cox Regresyon
Önceki bölümlerde, kohort ve vaka kontrol çalışmalarından elde edilen verileri analiz etmek için bir dizi istatistiksel yöntemi ele aldık; bunların çoğu, veri analistlerine onlarca yıldır iyi hizmet etmişti. Ancak bu klasik tekniklerin sınırlılıkları vardır. Özellikle, bu yöntemleri kullanarak karıştırmayı kontrol etmek için maruziyet değişkenlerinin kategorik (ayrık) olması gereklidir.
Bu, veri analizinin ilk aşamalarında tatmin edicidir, hatta arzu edilir. Sürekli bir maruziyet değişkenini kategorize ederek, kategoriye özgü parametre tahminleri incelenebilir ve aşağıda gösterildiği gibi maruziyet ve hastalık arasındaki fonksiyonel ilişkiler ortaya çıkarılabilir.
Bununla birlikte, değişkenleri sürekli biçimde modelleyememe, sürekli bir değişken açısından kısaca özetlenebilecek bir risk ilişkisinin bir dizi kategoriye özgü parametre tahmini olarak ifade edilmesi gerektiği anlamına gelir. Sürekli bir değişken kategorize edildiğinde, genellikle istatistiksel verimsizliğe yol açabilen bir bilgi kaybı olur. Tabakalaşmaya dayalı regresyonsuz yöntemler özellikle bu soruna eğilimlidir, çünkü çok fazla sıfır hücre içeren tablolar etkin bir şekilde analizden çıkarılır.
Bu bölümde epidemiyolojideki en önemli iki regresyon tekniğine genel bir bakış sunuyoruz: lojistik regresyon ve Cox regresyon. Lojistik regresyon, olasılık oranı yöntemlerini regresyon ayarına genişletir ve Cox regresyonu, tehlike oranı yöntemleri için aynısını yapar. Doğrusal regresyon, varyans analizi, tekrarlanan ölçüm varyans analizi ve sürekli sonuç (bağımlı) değişkenler için tasarlanmış diğer çok değişkenli yöntemler de epidemiyolojik verilerin analizinde bir yere sahiptir.
Lojistik regresyon ve Cox regresyonunun onları epidemiyolojide bu kadar yararlı kılan özelliği, ikili sonuçlarla ilgilenmeleri ve hem sürekli hem de kategorik öngörücü (bağımsız) değişkenleri barındırabilmeleridir. Lojistik regresyon ve Cox regresyonu hakkında mükemmel tartışmalara sahip birçok kitap var. Lojistik regresyon hakkında daha fazla bilgi için okuyucu Breslow ve Day (1980), Kleinbaum ve ark. (1982), Cox ve Snell (1989), Hosmer ve Lemeshow (1989), Collett (1991) ve Kleinbaum (1994). Cox regresyonu için referanslar, Bölüm 8’in başındaki alıntılar arasında yer almaktadır.
Epidemiyolojide yararlı olan kategorik sonuçlar için tasarlanmış başka regresyon teknikleri de vardır. Loglineer analiz, çok boyutlu olasılık tablolarını analiz etmek için bir yöntem sağlar. Loglineer analiz ile yakından ilgili olan Poisson regresyonu, Bölüm 9.3 anlamında gruplandırılan merkezi hayatta kalma verilerini analiz etmek için kullanılabilir.
Weibull ve üstel dağılımlar kullanılarak tanımlananlar gibi parametrik hayatta kalma regresyon modelleri, aşağıda açıklandığı gibi Cox regresyonuna bir alternatif sunar. Boylamsal verilerin analizi için, her birey için tekrarlanan ölçümlerin alındığı ve sonuç değişkeninin ikiye bölündüğü durumlarda yöntemler mevcuttur.
LOJİSTİK REGRESYON
Kapalı bir kohort çalışmasını düşünün, ancak önceki tartışmaların aksine maruziyet değişkeninin sürekli olduğunu varsayın. Örneğin, Örnek 5.1’de ele alınan göğüs kanseri çalışmasında, reseptör seviyesini ikili bir değişken olarak ele aldık, ancak aslında laboratuvar tarafından sürekli bir ölçekte ölçülüyor. Hastalık süreçleri genellikle Şekil 15.1’de gösterilen tipte doz-yanıt ilişkilerini sergiler; burada yatay eksen maruziyettir (doz) ve dikey eksen hastalık olasılığıdır (yanıt).
Sigmoidal şekil, belirli bir maruziyet eşiğine ulaşılana kadar hastalık olasılığının düşük olduğu ve bundan sonra, maruziyetin bir sonucu olarak en dirençli denekler dışında tümü hastalanana kadar riskin hızla arttığı anlamına gelir. Bu sigmoidal şekle sahip olan ve doz-yanıt ilişkilerinin modellenmesinde yararlı olduğu kanıtlanmış bir dizi işlev vardır (Cox ve Snell, 1989, §1.5). Bunlardan biri lojistik işlevdir.
(15.1) ‘de, x maruziyettir, πx, x maruziyetinde hastalık olasılığıdır ve α ve β, çalışma verilerinden tahmin edilmesi gereken bilinmeyen sabitlerdir. Üstel fonksiyon kesinlikle pozitif olduğu için, 0 <πx <1 olur. Β> 0 olduğunda, πx 0asxgoesto − ∞’a gider veπx1asxgoesto + ∞’a gider; <0sınırlar tersine çevrildiğinde, her x için, xx = x / (1 − πx Sonra (15.1) lojistik regresyon modeli şeklinde yazılabilir.
log-olasılıklar, maruz kalmanın doğrusal bir fonksiyonu olarak ifade edilir. Doğrusal regresyon terminolojisine uygun olarak, kesme noktası olarak α’ya ve ana etki olarak βx’e atıfta bulunuruz. Belirli bir konu için, x maruziyet değişkeninin (gözlemlenen) değeri olsun ve πx, x maruziyetinde hastalığın gelişme olasılığı (bilinmeyen) olsun.
Rastgele varyasyon (15.2) ‘ye iki terimli rastgele değişken δ parametreleriyle (πx, 1) eklenerek dahil edilebilir, burada hasta x maruziyetinde hastalığı geliştirirse δ = 1 ve aksi takdirde = 0 olur. Modeller (15.1) ve (15.2), x’in kukla değişken olarak tanımlanmasıyla, maruziyetin ikiye bölündüğü duruma kolayca adapte edilir; burada, özne maruz kalırsa x = 1 ve aksi halde x = 0. Δ’nin aksine, x’in rastgele bir değişken olmadığını unutmayın.
İkili lojistik regresyon nedir Lojistik Regresyon Lojistik regresyon analizi PDF Lojistik regresyon analizi ppt lojistik regresyon analizi: kavram ve uygulama Lojistik regresyon ile sınıflandırma Lojistik regresyon makale Multinominal lojistik regresyon