help анализ частоты осложнений, логистическая регрессия и все, все, все, анализ данных Опции

[DrgLena]

Уважаемые, форумчане!
В ваших статистических изысканиях, не встречалась ли вам информация о использовании формулы Ферстера для сравнения числа осложнений возникающих после двух медицинских вмешательств. При этом используется понятие неопределенность системы, снижение неопределенности. Описано, как делали, есть формула, но нет ссылки на используемую литературу. Диссертация в которой это используется уже защищена и я повторила расчет для своих данных, но не могу работать без ссылки на математический источник. Может быть подскажете другие статистические форумы, где это могут знать.

[Galka_gf]

Я так понимаю, что переменные в модели согласовываются относительно друг друга, или масштабируются, или приводятся к одному "формату", для того, чтобы в дальнейшем их можно было интерпретировать.
В одной из статей нашла вот такую фразу: "Tests statistical significance of adding corresponding variables to the model adjusted for all other variables."

[плав]

Я так понимаю, что переменные в модели согласовываются относительно друг друга, или масштабируются, или приводятся к одному "формату", для того, чтобы в дальнейшем их можно было интерпретировать.
В одной из статей нашла вот такую фразу: "Tests statistical significance of adding corresponding variables to the model adjusted for all other variables."

Примерно так, на самом деле модель отвечает на вопрос, как бы менялась зависимая переменная при изменении данной независимой переменной, если бы значения всех остальных переменных были бы неизменными. Поскольку большинство моделей являются линеаризуемыми, то выражение для них записывается так:
F(Y_i)=a+b1x1+b2x2+epsilon_i
В случае логистической регрессии преобразование, позволяющее записывать линейную функцию - логиты (ln(p/(1-p)) - или логарифмы шансов. Epsilon - случайная вариабельность или показатель "шума" в модели? x1 и x2 - значения включенных в модель переменных.
Теперь представим себе, что мы хотим оценить, как изменится среднее F(Y) если значение x1 изменится на одну единицу, а значение x2 останется неизменным. Поскольку мы оцениваем среднее F(Y), epsilon обращается в 0 и формула упрощается:
E(F(Y))=a+b1x1+b2x2
Тогда для x1=x' и x1=(x'+1) - разность на одну единицу, имеем:
E(F(Y0))=a+b1(x')+b2x2
E(F(Y1))=a+b1(x'+1)+b2x2
Их разность, очевидно
E(F(Y1))-E(F(Y0))=a+b1(x'+1)+b2x2 - a-b1(x')-b2x2=b1
Итак в этой модели коэффициент регрессии равен изменению ожидаемой (средней) величины зависимой переменной при изменении независимой величины на одну единицу (обратите внимание, что все остальные факторы устраняются). Это справедливо для любой линеаризуемой модели.
Вернемся к логистической регрессии. Разность логарифмов равна логарифму отношения. Поскольку логарифмировались шансы, значит коэффициент регрессии равен логарифму отношений шансов при изменении независимой переменной на одну единицу.
Отсюда и идет расчет отношения шансов и тот факт, что это откорректированное отношение шансов.