Качество логистической модели Опции

[nokh]

Впервые столкнулся с ситуацией, когда отдельные показатели высоко статистически значимы в отдельных моделях бинарной регрессии. Однако при объединении в множественной регрессии они становятся резко незначимыми (р порядка 0,99), хотя сама модель значима и обладает 100%-ной чувствительностью и специфичностью. Для файла примера выбрал только 2 показателя - систолическое артериальное давление и пульс. Как быть? Как показать такую модель и как ей верить?

Прикрепленные файлы

 Смерть_САД_Пульс.rar ( 1,63 килобайт ) Кол-во скачиваний: 353

 

[nokh]

Благодарю откликнувшихся!

>p2004r Это задача множественной логистической регрессии. Она неоднократно обсуждалась на форуме, поэтому я и не стал подробно описывать данные. Задача: найти зависимость бинарного отклика "смерть" одновременно от двух количественных показателей. В R видел разные варианты, но, возможно, проще через обобщённую линейную модель с биномиальным откликом и связующей функцией logit. Интересно, что для этого примера выдаст R, но я быстро в ней не сработаю:((
В программе которой пользовался получил следующие результаты.
Модель целиком:
отношение правдоподобия = 70,852; df=2; Р<0,0001.
Параметры модели:
Пульс. Коэффициент = 5,6651 +/- 1167,5605; Р=0,9961;
САД. Коэффициент = -3,6163 +/- 751,7844; Р=0,9962;
Константа=-246,7322
При использовании бутстрепа стандартные ошибки коэффициентов регрессии получаются намного меньше, но всё равно это намного хуже по сравнению с результатами бинарных логистических регрессий по отдельным параметрам.

>DrgLena. Вероятно так и есть, что-то там выродилось... В принципе все показатели (их у меня 5) количественные - можно было и дискриминантную функцию построить. Но хотелось логистическую модель, чтобы выдавала именно вероятности летального исхода. У нас данных много - в динамике до исхода: выздоровление (перевод из реанимации) или смерть. Я взял данные на момент исхода. Хотел построить модель и посмотреть её прогнозные свойства на тех же пациентах, но с использованием данных, собранных за сутки до исхода, за 2 суток, за 7 и т.п. Т.е хотел посмотреть как далеко она сохранит свою высокую диагностическую эффективность. В идеале хотели построить интегральную шкалу тяжести состояния пациента, по которой можно в динамике оценивать его состояние. А на практике врачи ориентируются именно по тому принципу как вы описали, т.е. по выходу отдельных показателей из коридора условной нормы. Но если использовать отдельные показатели - не знаю как объединить их в единую схему???

[p2004r]

Благодарю откликнувшихся!

>p2004r Это задача множественной логистической регрессии. Она неоднократно обсуждалась на форуме, поэтому я и не стал подробно описывать данные. Задача: найти зависимость бинарного отклика "смерть" одновременно от двух количественных показателей. В R видел разные варианты, но, возможно, проще через обобщённую линейную модель с биномиальным откликом и связующей функцией logit. Интересно, что для этого примера выдаст R, но я быстро в ней не сработаю:((
В программе которой пользовался получил следующие результаты.
Модель целиком:
отношение правдоподобия = 70,852; df=2; Р<0,0001.
Параметры модели:
Пульс. Коэффициент = 5,6651 +/- 1167,5605; Р=0,9961;
САД. Коэффициент = -3,6163 +/- 751,7844; Р=0,9962;
Константа=-246,7322
При использовании бутстрепа стандартные ошибки коэффициентов регрессии получаются намного меньше, но всё равно это намного хуже по сравнению с результатами бинарных логистических регрессий по отдельным параметрам.

это буквально пара строк, Вы совершенно зря не пытаетесь использовать R

Код

> glm(data$dead ~ data$hr + data$ad, family=binomial(link = "logit"))

Call:  glm(formula = data$dead ~ data$hr + data$ad, family = binomial(link = "logit"))

Coefficients:
(Intercept)      data$hr      data$ad  
   -274.905        6.304       -4.021  

Degrees of Freedom: 51 Total (i.e. Null);  49 Residual
Null Deviance:        70.85
Residual Deviance: 1.278e-08     AIC: 6
Предупреждения
1: glm.fit: алгоритм не сошелся
2: glm.fit: возникли подогнанные вероятности 0 или 1

anova(glm(data$dead ~ data$hr + data$ad, family=binomial(link = "logit")))
Analysis of Deviance Table

Model: binomial, link: logit

Response: data$dead

Terms added sequentially (first to last)


        Df Deviance Resid. Df Resid. Dev
NULL                       51     70.852
data$hr  1   50.118        50     20.734
data$ad  1   20.734        49      0.000
Предупреждения
1: glm.fit: алгоритм не сошелся
2: glm.fit: возникли подогнанные вероятности 0 или 1


> summary(glm(data$dead ~ data$hr + data$ad, family=binomial(link = "logit")))

Call:
glm(formula = data$dead ~ data$hr + data$ad, family = binomial(link = "logit"))

Deviance Residuals:
       Min          1Q      Median          3Q         Max  
-6.880e-05  -2.100e-08  -2.100e-08   2.100e-08   7.463e-05  

Coefficients:
              Estimate Std. Error z value Pr(>|z|)
(Intercept)   -274.905 425613.449  -0.001    0.999
data$hr          6.304   3173.929   0.002    0.998
data$ad         -4.021   2071.585  -0.002    0.998

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 7.0852e+01  on 51  degrees of freedom
Residual deviance: 1.2781e-08  on 49  degrees of freedom
AIC: 6

Number of Fisher Scoring iterations: 25

Предупреждения
1: glm.fit: algorithm did not converge
2: glm.fit: fitted probabilities numerically 0 or 1 occurred

PS по моему обычный lda в этой ситуации даст великолепную модель для прогноза

Сообщение отредактировал p2004r - 27.09.2011 - 21:54