Давайте получим эталонный результат алгоритмом Boruta ?

Мой емайл p2004r@gmail.com

На форуме есть возможность посылать личные сообщения. Я прошу предоставить обсуждаемые данные для общего обозрения. Есть желающие вам помочь на этом форуме, хоть вы, наверное, не врач, поскольку с латынью не дружите, хотя и с арифметикой тоже, но переменные у вас крутые.

Отправил

Если продолжать мучить SPSS, то будет так, руками для этого примера:
Z= 0,286*15+1,191+1,921-3,905=3,497
exp(-3,497)= 0,030288 p=1/1,030288=0,9706 (программа использует больше значащих цифр чем 3 после запятой, поэтому 0,97044)

Обратите внимание на табличку Categorical Var Codings, эти кодировки зависят от вашего выбора, какое значение сделать референтным.

Это первый пациент судя по вероятности. Если не трудно, напишите пожалуйста коэффициенты для всех значений и константу получившиеся у Вас.

DrgLena,
а почему ,286*15, а не -,286*15?
И что такое -3,905 в этой истории?

Да и ещё почему 1,921 а не 1,642*2?

-3,905 свободный член, он может быть и -0,07746 собственно. Правую и левую части можно уравнять разным способом. Я просто привыкла в качестве референтного значения категориальной переменной выбирать первую категорию, которая "0".

Для того же первого пациента:
Z=-1,982 (свободный член)+0,28567*15+1,19099*1 (и все!)=3,49
Вы не поняли, что такое кодирование категориальной переменной в этом модуле SPSS, вам ведь огурцов уже писал, что на 2 умножать ничего не нужно, а вы вообще согласились с тем, что референтная категория у вас LAST, а при этом ни один из двух коэффициентов не нужен (0 0).

Можно использовать и полученные малым коэффициенты, при этом прогнозируется "0" здоровые и Z=-0,07746-(0,28567*15)+0,87103=-3,49148 exp(3,49148)=32,834506 р=0,029555 , и наконец, вероятность повтора суицида 1-0,029555=0,97044 , что и следовало показать. В данном случае бинарная переменная имеющая значение "0" использует ко?ффициент, а имеющая значение "1" нет. И может теперь будет понятно, что на 2 не нужно умножать коэффициент для ранговой переменной.

Спасибо за разъяснения. Я всегда подозревал, что все эти дамми-переменные - абсолютное зло.)

Согласна, потому то ручками полезно иногда покопаться, чтобы понять, что машина за тебя делает. Но абсолютное зло - изучение статистики посредством нажимания кнопок в профессиональных пакетах.

Афоризм, достойный быть отлитым в граните )

Руками я научился считать. Всё вроде пока сходится)) Не могу только теперь найти табличку Categorical Var Codings. Выложите пожалуйста scrin. Хочется, чтоб по-людски было уже ))

Var =Variables, может теперь найдете, в самом начале, до коэффициентов, а если не получится, скопируйте весь отчет в ворд и запустите поиск

Вы не сделали домашнее задание, я дважды просила вас сделать таблицу сопряженности, но вы не сделали, а потому и страдаете с категориальной переменной, которая легко может быть редуцирована до бинарной, поскольку не имеет значения одна или больше судимостей, сам факт ее наличия повышает шанс повторного суицида OR= 5,43. А по поводу количественной переменной, которая является сумммой по какой то известной шкале (методика), то она сама по себе является хорошим инструментом диагностирования с чувствительностью в точке>7 баллов 96,7%, при более скромной специфичности. Домашнее задание, посчитать OR для этой бинарной переменной.
Добавляя в модель другие переменные, которые имеют значимые корреляции с методикой, вы снижаете чувствительность, совсем незначительно повышая специфичность. Подумайте, что вам важнее гипо или гипердиагностика?

Если балл 7 и более по методике, то OR=66

Да, для этой точки так. Я привела чувствительность для точки больше 7.

Ну нормальные переменные представляющие уровни факторов вводятся через контрасты и не имеют избыточности (3 уровня - 2 "думми" в контрасте). Тогда правда все чешут репу как собрать из контрастов опять "общие коэффициенты"

Скажите пожалуйста, пороги отсечения для полученных вероятностей принято делать по вероятностям первой группы или с заданным интервалом, например 0,1;0,2;0,3... ?

... ?

таблица с порогами - https://basegroup.ru/community/articles/logis-medic-scoring

там пороги 0,25;0,26;0,27... и так до конца прибавляется каждый порог по одной сотой. А если всех по порядку значений нет в моих вероятностях, то можно пропускать значения или нужно всё равно все просчитать прибавляя по одной сотой?

Вы поняли, что в этой ссылке назвали порогом? Как получен ряд этих чисел?

График логистической кривой (сигмоида) при любом раскладе пересекает ось ординат в точке ,5. Это - порог по умолчанию. Поэтому, если для пациента рассчитанная вероятность (н-р, ,97044) превышает этот порог, то считаем, что реализовалось событие, закодированное "1"(объект относим к классу "1"), если рассчитанная вероятность меньше порога - событие с кодом "0". ROC-кривая строится в координатах -"Чувствительность - Специфичность", рассчитанных для каждого порога с произвольным шагом (хошь - ,1, хошь -,001,). Желательно отрезок [0;1] разбить на равновеликие интервалы.

Вроде да)) Например для порога 0,37 моей модели (сделал все три добавочных переменных дихотомическими): se=0,92 sp=0,68 ac=0,80. Для голой методики при пороге 8 баллов и более se=0,97 sp=0,62 ac=0,79

В этой ссылку порогаМИ назвали все значения расчетной вероятности, полученной в модели с большим числом количественных предикторов (табл из MedCalc), возможных комбинаций значений очень много и ничего там не прибавляется по одной сотой, у них есть эти значения и они их представляют, чтобы вы выбрали ПОРОГ, т.е. то значение которое разделит этот ряд на до и после. И к этой точке разделения представляют чувствительность и специфичность. 100$ вам пишет, что когда их много, то можно выбрать шаг, с которым их представлять. По вашей модели нет всех расчетных вероятностей и они не могут быть, нет таких данных. Но они все и не нужны, поскольку нужна только граница раздела. Я не поняла куда вы хотите прибавлять по одной сотой? Вы что хотите решить обратную задачу, по значениям пропущенных вероятностей посчитать какие должны быть предикторы?

Иногда в публикациях приводят не одну точку разделения, а две или даже три, чтобы показать какие значения можно использовать и с какими последствиями.

Всё проще. Я хочу знать на сколько подробно принято привадить такие пороги в публикациях. Например, по моей методике все понятно, 8 вопросов и максимум два балла за каждый: 8*2= 16. И все 16 порогов можно показать с чувствительностью и специфичностью. А в модели как оптимально продемонстрировать пороги? Их слишком ведь много для того, чтоб все возможные варианты демонстрировать.

А зачем? Вы же должны настроить приемник

Посмотрите публикации по ROC, слово порогИ вы не найдете. На русском встречаются: оптимальная точка разделения, порог принятия решения, точка баланса между чувствительностью и специфичностью. На английском проще, cut-off point, cut-off value, optimal cut-off.

Еще, кроме чувствительности и специфичности принято приводить +LR это отношение характеризует тест одновременно по чувствительности и специфичности.

Я на вики забрёл когда-то, и там там вообще сумасшедший набор характеристик для полученных результатов - https://en.wikipedia.org/wiki/Receiver_oper..._characteristic

Я использовал для характеристики отношения чувствительности/специфичности их сумму и accuracy (ACC)

Подскажите пожалуйста в чем преимущество +LR, почему именно его принято показывать в статьях?

Пора уже открыть какую то книгу по статистике или доказательной медицине, где ясно и просто показано, что такое характеристики диагностического теста, Флетчер Р. вполне подойдет.

А если еще раз на вики забредете, то
https://en.wikipedia.org/wiki/Likelihood_ra...gnostic_testing

Если во главу угла ставлю чувствительность а специфичность получается более скромная, то есть ли нижний предел достаточной специфичности? Существует утвержденная градация чувствительности и специфичности? Вот в некоторых статьях пишут чувствительность/ специфичность "хорошая" или "очень хорошая", "отличная".

А в одной из статьей указали, что специфичность ниже 0,7 не позволяет методику использовать как самостоятельный инструмент. Что уже говорить про мою специфичность - 0,6 ))

Вы перепутали чувствительность и специфичность.

Уже исправил )) Извините пожалуйста