При обследовании 113 пациентов, которым ранее проведено бужирование, у 30 выявлены ранние рестенозы. Проанализировано влияние факторов (пол; возраст; время, прошедшее с момента ожога до начала бужирования; протяженность стриктуры; локализация; степень сужения и т.д.)- на развитие ранних рестенозов. Установлено статистически значимое влияние некоторых из них на развитие ранних рестенозов.

Надо определить, как будет изменяться вероятность раннего рестенозирования при совокупном влиянии 2 и более факторов (примерно так: фактор 1+2 приводят к увелич. частоты ранних рестенозов в 2 раза, 1+3 в 1,5 раза - т.е. сочетание каких факторов будет прогностически наиболее неблагоприятным в отношении ранних рестенозов).

Подскажите, пожалуйста, какие статистические методы лучше применить и какие статистич. пакеты оптимальнее использовать.

Логистическая регрессия. Если будете пользоваться AtteStat (модуль "Распознавание образов..."), то в Справке по данному методу указана работа Плавинской с соавт., посвященная данной проблеме.

Спасибо за ответ. Статью Плавинской и соавт. не нашел (название знаю- было в форуме, но в сети статьи нет).
AtteStat действительно хорошая программа и большую часть расчетов я делал в ней. В большей степени это заслуга Nokh, который очень доходчиво описал как проводить анализ таблиц сопряженности и рассчитывать отношение шансов с использованием AtteStat.

Применительно к логистической регрессии в AtteStat я просто не знаю как вводить данные. Аттестату не хватает хорошего справочника с рисунками и примерами, это безусловно будет способствовать популяризации программы и в первую очередь среди медиков. Есть Хелп файл, который содержит подробное математическое обоснование методов, но как перейти от теории к практике. Тут без помощи опытных коллег и, конечно, разработчика программы лично мне не обойтись.

В MedCalc бинарную лог.регрессию я выполнил. А вот в Аттестат что-то не получается, то же самое касается мультиномиальной (полиномиальной) логистической регрессии (регрессии Пуассона- в модуле Аттестат как вы указывали).

Подскажите пожалуйста как это правильно сделать.

Я прикрепил архив с файлами по логистической регрессии:

1 - данные лог.регрессии по учебнику СПСС- зависимый признак - болен/здоров (бинарный)- значения 1 и 2 соотв.(по первоисточнику), независимые- типизация клеток (интервальный), тест LAI (бинарный). Имеет ли значение как кодировать переменные, принципиально ли 0 и 1, или может быть 1 и 2?

В чем разница между модулем обучение и распознавание? Если применительно к онкологии возможно, что на основании обучения задается некая модель, которая впоследствии позволяет распознавать с большей или меньшей точностью данные полученные в эксперименте (если не так поправьте). Известно, что в онкологии окончательный диагноз ставится на основании гистологического исследования материала. Т.о. м/быть создана модель, которая позволяет соотносить данные полученные на основе гистологического исследования материала, с результатами др. диагностич. исследований- что собственно и составляет процесс распознавания. А что вводится в модуль распознавание, если данные получены эксперименте и сравнивать не с чем (как у меня с рестенозами).
Если есть возможность опишите пожалуйста какие данные вводить в модуле обучение и какие в модуле распознавание.



В ряде случаев значения 95% ДИ для ОШ выходят за 100%, получаю 124% и больше это допустимо для признания модели работоспособной или нет?

2-ий файл полиномиальная регрессия (зависимая переменная- политическая принадлежность принимает три значения- левые 1, центристы-2, правые-3)-как анализировать в Аттестате.

Заранее благодарен Вам и всем, кто примет участие в обсуждении за советы и помощь.

Данную статью можно заказать у библиографа Вашего учреждения (я поступил так). Либо лично сходить в библиотеку.

Такая проблема (с вводом данных) раньше возникала у пользователей упомянутой программы. Поэтому в разделе Справки данного модуля специально имеется пример (с рисунками), как вводить данные и производить расчет. Сделано после обсуждений с nokh на данном форуме (классический пример с ирисами Фишера). Правда, пример по множественной регрессии, но ввод (выбор) исходных данных аналогичен для всех методов программы.

Обучение - это подбор коэффициентов модели. Распознавание - это вычисление значения регрессии для конкретного пациента при подстановке его параметров в [обученную] модель. Терминология из теории распознавания образов. Кстати, о распознавании образов: логистическая регрессия интерпретируется также как классический перцептрон (однослойная нейронная сеть).

1.В программе MS Excel 2007 открыть вкладку Надстройки, выбрать AtteStat, в открывшемся контекстном меню программы выбрать модуль Распознавание образов (PRT).


2.В первом окне этого модуля, которое называется Обучение, выбрать в качестве Метода распознавания ? Логистическую регрессию, указать на необходимость построения ROC- кривой.В поля Интервал обучающей выборки, Интервал классификатора ввести соответствующие данные. Выбрать пустую ячейку вне массива данных-интервал вывода результатов.


3.Интервал обучающей выборки- диапазон ячеек MS Excel 2007, содержащих значения по каждой из независимых переменных для всех объектов исследования (пациентов).

4.Интервал номеров классов или оценок- диапазон ячеек, содержащих значения зависимой бинарной переменной для каждого объекта исследования. (прикрепил в файле)

5.После ввода данных и указания интервала для вывода результата нажать Расчет.
6.Будут получены коэффициенты регрессии для каждой из независимых переменных, стандартные ошибки, уровни значимости (р), будет указано значение логарифмической функции максимального правдоподобия (ФМП), площади под ROC- кривой, а также значения оптимальных порогов отсечения, чувствительности и специфичности.В заключение программа построит характеристическую кривую (ROC ? кривая).

Рассчитанные значения коэффициентов регрессии, значения оптимальных порогов отсечения используются впоследствии собственно для распознавания образов.

В окне модуля распознавание образов выбрать Распознавание (логист.). В поле Объект- ввести интервал значений независимых переменных (в том порядке в котором они указаны при обучении).

В поле Коэффициенты регрессии- интервал коэффициентов регрессии, рассчитанных в процессе Обучения. В поле Порог отсечения- значение оптимального порога отсечения, рассчитанного в процессе Обучения.


После нажатия на клавишу Расчет программа выводит значение оценки для данного объекта исследования.
На основании полученной оценки можно, например, прогнозировать результаты лечения (для простоты изложения взят пример из той же таблицы данных, по которой проводилось Обучение).

Использованы: пример из руководства к СПСС (таблица данных), справочные материалы к модулю распознавание образов программы Attestat v.12.0.1

Презентация по многомерному статистическому анализу (какой вид анализа и когда применять)

скачано с http://www.pitt.edu/~super7/18011-19001/18831.pdf