Прогнозирование риска рецидивов, Statistica 6 Опции

[saymay]

Здравствуйте!
Извините за возможно глупый вопрос, но мне очень нужна помощь, может кто сталкивался как можно в программе Statistica рассчитать прогнозирование риска развития рецидивов заболевания, если известны пол, возраст, избыточная масса тела, и еще три признака(у части пациентов имеется или отсутствуют), всего пациентов 60, из них 20 мужчины, остальные женщины. При чем как рабочая гипотеза - что риск заболевания чаще всего у женщин, возраст старше 40 и с избыточной массой тела? Заранее спасибо за помощь!

[DoctorStat]

1. Доверительный интервал для коэффициентов регрессии заменяет квалификационная таблица: Classification Table. Именно она показывает качество прогнозной модели. Вы должны хорошо (с большой долей вероятности) предсказывать как положительные рецидивы, так и отсутствие рецидивов. Убедитесь, что указанные вероятности Вас устраивают.
2. Корреляционная матрица для независимых факторов покажет силу связи между ними. Чем сильнее взаимозависимость между 2-мя факторами, тем с большей уверенностью можно исключить один из этих факторов из прогноза. В случае линейной связи логистическая регрессия может дать ошибочные результаты. Поэтому лучше перед регрессией убедиться в отсутствии парных корреляций.
3. Логистическая регрессия позволяет исследовать нелинейное влияние параметров. В частности, наряду с самими клиническими переменными, в анализ можно включить их произведения. Значимость p-value произведения говорит, что параметры влияют нелинейно.
4. Приводите результаты своих расчетов, чтобы мы могли конструктивно их обсуждать.

Сообщение отредактировал DoctorStat - 24.10.2008 - 17:41

[плав]

1. Доверительный интервал для коэффициентов регрессии заменяет квалификационная таблица: Classification Table. Именно она показывает качество прогнозной модели. Вы должны хорошо (с большой долей вероятности) предсказывать как положительные рецидивы, так и отсутствие рецидивов. Убедитесь, что указанные вероятности Вас устраивают.

Не совсем так. Качество прогнозной модели показывает не классификационная таблица а степень снижения логарифма отношения правдопдобия между данной моделью и более простой моделью (Hosmer, Lemeshow, 2000). Классификационная таблица сильно зависит от исходных данных.
Доверительные интервалы для коэффициентов регрессии ни классификационная таблица, ни отношения правдоподобия не заменяют, поскольку отвечают на разные вопросы - одно, насколько хороша модель, а второе - насколько важен данный параметр в модели.

2. Корреляционная матрица для независимых факторов покажет силу связи между ними. Чем сильнее взаимозависимость между 2-мя факторами, тем с большей уверенностью можно исключить один из этих факторов из прогноза. В случае линейной связи логистическая регрессия может дать ошибочные результаты. Поэтому лучше перед регрессией убедиться в отсутствии парных корреляций.

В описанных в посте данных большая часть - качественные. Анализировать точечно-бисериальные коэффициенты для исключения факторов из анализа обычно не принято. Разумнее просто внимательно проанализировать модели с включением разных параметров и их сочетаний.