Исследование случай-контроль Опции

[Gula]

Уважаемая DrgLena!
Подскажите, пожалуйста, после определения факторов в бинарной логистичекой регрессии, можно ли вычислить отношение шансов для них отдельно с помощью кросс-таблиц? Будет ли это корректно?
Спасибо!

[плав]

Уважаемый учитель! Коллеги! Спасибо за помощь! Но где взять SD? Я знаю только, что это стандартное отклонение, других значений не знаю, и в таблице результаов по регрессии не нашла. Огромная просьба, разъясните. Спасибо! Посчитав бинарную логистическую регрессию, получила следующие результаты: возможно ли, что признаки, котоые имели меньшее процентное соотношение в группе имели exp(b) больше, или возможно надо посчитать имено стандартизированное ОШ как Вы предложили для сравнения факторов риска???
Спасибо!

В показателях регрессии обычно стандартное отклонение не распечатывается. Самый простой вариант - пойти в раздел описательной статистики (зависит от программы, которую Вы используете) и там рассчитать стандартное отклонение для всех факторов риска.
Насчет разных exp(b) то, что Вы описываете, кончено возможно.
Представьте себе следующую истуацию у Вас в модели уровень АД (как фактор риска) и курение. Тогда exp(b) будет для случая АД означать рост риска (изменение шансов наличия заболевания) при росте АД на 1 мм рт. ст. (величина будет маленькая), а для курения будет разницией по риску между курящими и не курящими. Как говорится, сравнение яблок с апельсинами. Именно поэтому и надо сравнивать стандартизированные ОШ.

[плав]

Уважаемая DrgLena!
Подскажите, пожалуйста, после определения факторов в бинарной логистичекой регрессии, можно ли вычислить отношение шансов для них отдельно с помощью кросс-таблиц? Будет ли это корректно?
Спасибо!

Хоть и не DrgLena, но отвечу. Можно, но зачем? Идея логистической регрессии получить показатели, откорректированные на влияние других включенных в модель показателей (например, если люди, которые пьют имеют более высокий уровень АД, получить рост риска от потребления алкоголя НЕ объясяемый повышением АД). Простая кросс-табуляция будет давать неоткорректированные ОШ.
Так что рассчет ОШ на основании кросс-таблиц после логистической регрессии не вполне корректен, поскольку значения ОШ не зависят от результатов логистической регрессии. Обычно делается наоборот - вначале унивариантный анализ (таблицы), а затем модели (логистическая).

[DrgLena]

Я думаю, что Gula, используя SPSS просто не указала в опциях, что нужно рассчитать ДИ к exp(b), поэтому и хочется, как то все же его получить. Но по кросс таблицам можно получить OR и ДИ только для бинарных признаков. Но если Gula не знает как это сделать в SPSS, то она может пропустить также и указание о типах переменных, которые участвуют в моделировании. Для номинальных или категориальных переменных, например измеряемых в трех уровнях нужно сделать правильный выбор, оносительно какого уровня рассчитывать риски. Не могу согласиться с уважаемым учителем, что для трактовни результатов логистической регрессии необходимо получить стандартизованные оценки рисков. Их трактовать еще труднее. Если в качестве предиктора используется номинальня переменная, например, клеточной тит опухоли в трех категориях, то SD вообще не имеет смысла, впрочем и для курящих и не курящих также. Куда важнее описать, что повышение веса на 1 кг (причем еще нужно знать относительно какого веса !) риск чего то, повышается в 1,03 раза (exp(b), а у курящих в 3,83 раза относительно некурящих.

[плав]

Не могу согласиться с уважаемым учителем, что для трактовни результатов логистической регрессии необходимо получить стандартизованные оценки рисков. Их трактовать еще труднее. Если в качестве предиктора используется номинальня переменная, например, клеточной тит опухоли в трех категориях, то SD вообще не имеет смысла, впрочем и для курящих и не курящих также. Куда важнее описать, что повышение веса на 1 кг (причем еще нужно знать относительно какого веса !) риск чего то, повышается в 1,03 раза (exp(b), а у курящих в 3,83 раза относительно некурящих.

На самом деле это достаточно логичный показатель (рост ОШ при росте на 1 SD) - SD- показатель разброса данных. Для номинальной переменной с тремы уровнями SD не посчитать, но любая номинальная переменная может быть преобразована в несколько бинарных переменных (k-1, где k - количество уровней номинальной переменной). Более того, логистическая регрессия НЕ может работать с многоуровневыми номинальными переменными и перекодировка в бинарные переменные обязательна (либо вручную исследователем, либо автоматически программой). Неспособность сделать это приведет к неправильной модели.
Для бинарных переменных SD определено, так что мы возвращяемся к исходной позиции.
Стандартизованные ОШ (как и любой стандратизованный показатель) не что иное, как показатель, который имеет одинаковый масштаб.
Что же касается того, ради чего это делать, то посмотрим на Ваш пример. Хорошо, масса тела повышает риск в 1,03 раза (предположим редкое заболевание), а курение в 3,8 раза. Означает ли это, что курение более сильный фактор риска? Да? Нет? А как сравнить?
А если не сравнивать, зачем вообще вся эта модель?

[DrgLena]

Модель строится не только чтобы количественно оценить факторы риска, для этого и даются экспоненциальные коэффициенты (exp(b)), которые трактуются как шансы, но чтобы воспользовавшись самими коэффициентами (b) , рассчитать вероятность события для каждого обекта, по набору коэффициентов, которые все же нужно умножать на обычные значения предикторов, а не на стандартизированные. Относительно номинальных предикторов, SPSS дает очень широкие возможности для выбора contrast method, от самого простого, когда каждая категория сравнивается с референтной, до сложных (Helmert), когда каждая категория переменной кроме последней категории сравнивается со средним эффектом последующих категорий. Все же мне кажется, что стандартизация ОШ уводит от логической интерпретации результатов логистической регрессии.

[Gula]

Уважаемые коллеги! Здорово! какие вы умные! Ваши рассуждения пролили свет в моей темной башке и не только по SD, SD- значит, то простое SD, которое мы применяем в описательной статистике, это я могу расчитать. Огромное спасибо за помощь!!!

[Gula]

Уважаемый Учитель! Скажите, пожалуйста, можно ли предложенные Вами формулы применять для расчета ОШ и ДИ при мульноминамальной логистической регрессии и регрессии Кокса? И еще вопрос: ведь мне следует указать источник в материалах и методах по какому способу вычислялись ОШ и т.д. Не могли бы Вы указать этот источник, чтобы можно было на него сослаться. Большое Спасибо!

[Homo aureus]

Здравствуйте. А что такое "propensity-score matched-pairs analyses" в каких статистической программе это осуществимо (у меня нет программы SAS) ? Гдде об этом можно прочитать ? Например такой дизайн исследования (из последнего номера The Lancet):

Statistical analyses
Bivariate tests were initially used to compare the characteristics of patients who did or did not receive epidural anaesthesia or analgesia (t test, Mann-Whitney U test, χ² test, Fisher?s exact test).
We used propensity-score matched-pairs analyses to determine the adjusted association of perioperative epidural anaesthesia with the primary outcome (30-day mortality). The rationale and methods underlying the use of propensity scores for proposed causal exposure variables have been previously described.26,27 We developed a non-parsimonious multivariable logistic regression model to estimate a propensity score for perioperative
epidural anaesthesia, irrespective of outcome. Clinical signifi cance guided the initial choice of covariates in this model: age, sex, year, surgical procedure, hospital-type (teaching, low-volume nonteaching, mid-volume non-teaching, high-volume nonteaching), comorbid disease, specialist consultations (general internal medicine, cardiology, anaesthesiology), cardiac testing (echo cardiogram, non-invasive myocardial per fusion test, coronary angiogram), intraoperative invasive monitoring, and income. We used previously described methods to categorise non-teaching hospitals
into terciles28 on the basis of the annual volume of included procedures.
We considered comorbid conditions that were present in at least 1% of the study cohort: ischaemic heart disease, congestive heart failure, cerebrovascular disease, hypertension, diabetes, pulmonary disease, renal disease, and malignancy. As suggested by recent statistical research on propensity score development, we used a structured iterative approach to refi ne this model, with the goal of achieving covariate balance within the
matched-pairs.29 Covariate balance was measured using the standardised diff erence, where an absolute standardised diff erence greater than 10% is suggested to represent meaningful covariate imbalance.29 We matched epidural patients to no-epidural patients using a greedy-matching algorithm with a calliper width of 0·2 SD of the log odds of the estimated propensity score. This method involved sampling without replacement, and has been shown to remove 98% of the bias from measured covariates.30 Within the matched pairs, we used the methods of Agresti and Min31 to compare
mortality rates.32
Prespecifi ed subgroup analyses were based on procedure (abdominal, orthopaedic, thoracic, or vascular surgery), hospital (teaching or high-volume hospital versus mid-volume or low-volume hospital), and anatomic location of the epidural catheter (thoracic versus lumbar). We did a subgroup analysis based on the level of the epidural catheter because thoracic epidural analgesia, by selectively blocking cardiac sympathetic innervation,2 might better prevent mortality and cardiac complications.8,33 In these subgroup analyses, we repeated the same propensity-score matching process while forcing an exact match on the subgroup characteristics. The 30-day mortality rates were then compared within the subgroup-specifi c matched-pairs. For each subgroup analysis, we assessed the heterogeneity of treatment eff ects by using a test of interaction in a conditional logistic regression model.
In a sensitivity analysis, we used multivariable logistic regression to determine the adjusted association of epidural anaesthesia with 30-day mortality in the entire sample (N=259 037). These results were similar to the propensity-score analysis, and are therefore not reported. Analyses were done using SAS version 9.1 and R 2.4.1.34 All p values were two-tailed, with statistical significance defined by p<0·05.

[Gula]

Уважаемый Учитель! Мне пришло на почту сообщение о вашем ответе на мой последний запрос, но на форуме я его не нашла, Не могли бы Вы повторить свой ответ? Привожу свой вопрос?
Скажите, пожалуйста, можно ли предложенные Вами формулы применять для расчета ОШ и ДИ при мульноминамальной логистической регрессии и регрессии Кокса? И еще вопрос: ведь мне следует указать источник в материалах и методах по какому способу вычислялись ОШ и т.д. Не могли бы Вы указать этот источник, чтобы можно было на него сослаться. Большое Спасибо!

[Gula]

Уважаемая DrgLena! Коллеги! Подскажите как считать ОШ, ДИ в унивариационном и мультивариационном анализе
Кто работает в SPSS, подскажите, пожалуйста для подсчета их нужно входить в меню GLM Univariate Analysis? Сделав по инструкции, получила разные коэффициенты, но интерпретация оказалась сложной, где искать ОШ и з, ДИ? Заранее благодарю! И еще вопрос, обязательно для бинарной логистической регрессии сначала проводить унивариантный анализ, просто не во всех работах указывается, что авторы проводили подобный анализ? Спасибо!Позвольте задать вам еще 1 вопрос: скажите, пожалуйста, множественная линейная ререссия и мультивариантный анализ (GLM Multivariate Analysis) одно и то же?


Сообщение отредактировал Gula - 1.09.2008 - 07:45

[DrgLena]

Судя по по повторяемости вопросов, вы ответы не поняли. Плав подробно объяснил ответы. Вы все же разберитесь, что вы хотите получить после построения модели. Если вам нужно ОШ и ДИ, то наверное вы должны создать Regression binary Logistic, а не GLM -линейную.
В опциях Regression binary Logistic сделайте нужный выбор, какой нужен ДИ. Мы это уже подробно обсуждали.

Эскизы прикрепленных изображений

 

[Gula]

Уважаемая DrgLena! Спасибо за разъяснения, ОШ, ДИ в бинарной логистической регрессии я уже посчитала, включив указанные опции, Благодаря вашим дискуссиям я поняла сущность данного анализа, и его интерпретацию Я вероятно не так выразилась, по поводу GLM -линейной регрессии. Мн нужно определить, какие факторы влияют на прогноз, вычислить их прогностическую ценность, я понимаю это можно сделать с помощью данной модели и вычислить относительный риск с ДИ, р. В лиературе я встречала, что подсчитывали ОР с помощью унивариантного и мульвариантного анализа. Пуссонову регрессию я в SPSS не нашла. Возможно, я заблуждаюсь. Однако у меня затруднения по поводу интерпретции коэффициентов. Если Вас не затруднит, подскажите, пожалуйста. Огромное спасибо!

[DrgLena]

Про пуассонову регрессию - это к Плаву. По бинарной логистической - бинарная означает, что вы рассчитываете вероятность двух состояний, есть и multinominal. Одновариантная, если в качестве предиктора один фактор и вы его вклад можете оценить по exp(b) - ОШ. Если в качестве предикторов несколько иксов, то коэффициенты могут отличаться от одновариантных, кокие то признаки станут более весомыми, а другие менее, т.е. вы получите согласованные с другими переменными коэффициенты. Продолжить не смогу... вечерней лошадью - в Крым, на отдых. Удачи!

[плав]

К сожалению, как писал выше, детали расчета Пуассоновой регрессии именно в SPSS я не дам, хотя несколько постов назад я давал сссылки на описание методологии для этой программы. Иными словами, этот вид регрессии там есть (GENLIN), но за деталями программирования надо обращаться к людям, которые постоянно работают с SPSS (т.е. знают синтаксис). Я могу сказать, как это делать в SAS