邏輯回歸我必須進行邏輯回歸，但是我的解釋變量有些麻煩，它是一個連續變量，其中一個群體在連續性之外。
所以：
暴露年齡：
1
2
3
4
沒有暴露
我想看看暴露年齡與疾病狀態之間是否存在聯繫，但由於“未暴露”，我有一個分類變量。解決這個問題的唯一方法似乎是刪除未曝光的組，但這似乎並不正確。我已經考慮為“未曝光”設置一個數字，但這似乎也不正確，因為它們從未暴露過。
什麼是最好的方法？
回复：Logistic回歸那裡有很多細節和選項，但我有一些想法。 如果你只想模擬動物患病的時間 - 從你的第一個數據集中所有動物都患有疾病 - 那麼我認為這只是一個回歸模型，你可以得到任何解釋因素。 一旦你介紹了對照組，我認為它是一個生存模型。 您的對照組尚未被診斷出患有該疾病，但仍可能得到該疾病。 所以，這是一個審查變量。 表示疾病或無疾病的變量（一旦將兩組數據合併）是檢查變量，您將檢查無疾病值。 然後，您可以包含要探索的任何解釋變量。 因變量將是時間 - 對於對照組而言，無論何時觀察它們都是如此，但是審查時會考慮到他們在您進行研究時沒有對該疾病的認識（因此，如果他們已被觀察了8個月，你不會說他們生病需要8個月，而是8個月他們還沒有生病，而你的第一個樣本都有一段時間，直到他們生病了）。
回复：Logistic回歸我現在正式退出聯盟，但我會試著解釋一下。
我的核心數據是：
出生日期，接觸日期，性別和診斷日期。所有動物都有這種疾病。
由此我們可以計算：暴露年齡，疾病年齡和暴露與疾病之間的時間（試圖
由此我們嘗試進行t檢驗，在那裡我們查看與性別和接觸日期相關的平均診斷年齡。然而，這只能讓我們看到特定群體中的動物是否會比其他動物更早得到疾病，也許我們應該做出比例風險，我們沒有。
然後我們收集了一個控制組（最初不是項目的一部分）。對於那些我們有出生日期，暴露日期和性別的人。
我們想知道不同群體是否存在不同的疾病風險
各組之間是否存在重大OR：
我用2x2和log reg完成了這個。通過2x2我對未暴露組的所有組都有OR，這對於早期暴露/晚期暴露和第1,2,3等暴露都已經完成。
log reg以相同的方式完成，但只有早期/晚期分組對我來說是可理解的（其他OR有太多不同的OR）。
我還在試圖弄清楚如何解釋log reg;當你考慮兩個解釋變量時，我如何得到OR。所以現在我知道暴露組1對2的OR，但我想知道暴露組1中的女性或暴露組2中的女性，那種事情。這就是我們與顧問達成的協議。
我們已經談了很多關於整個生存問題，但還沒有真正解決任何問題。我試圖用診斷時的年齡來計算合適的比例風險y和性別和接觸時的年齡作為解釋變量，但我不確定該模型對健康對照組的作用（他們的診斷年齡是空的權利）現在）。我也不確定如何輸入審查變量。現在它是曝光專欄時代的一部分，我是否應該使用它作為審查和模型效果我不清楚。
對不起，我很抱歉，但我不是一個統計學家，也不是一個接近一個的人，而我正在努力做的事情可能超出了我的理解水平。
回复：Logistic回歸這是一個很好的討論。方法的混合加上要回答的問題。離散y / n與嚴重程度以及如何處理沒有嚴重性的n類別。我沒有一個好的答案，很想听到其他一些想法。但是，我確實認為必須要小心要回答的問題的背景。 例如，您是否正在嘗試診斷？這是y與n的區別。或者你想管理？你可以在y組中選擇嚴重程度嗎？如果是這種情況應該包括n？他們還沒有進入y組，還是他們真的是一個控制組，而且永遠不會進入y組？然後問題是你在發現模式（即R＆D）或其他模式？分析決策的風險/成本。
我沒有想過在這些類型的問題中進行審查，將不得不給予更多的思考。 然而，正如戴爾所提到的，生存型模型用於事件的時間，因此您必須考慮如何將嚴重性視為事件發生的時間？
回复：Logistic回歸Dale Lehman關於審查方法的想法也是我想到的。這正是為什麼我有點不舒服的建議廚房水槽順序唯一的方法。從這個審查角度看，未曝光組明顯不同於其他暴露組，而審查/生存模型非常適合這種情況。
回复：Logistic回歸這聽起來像是一個生存問題 - 而你的“未暴露”將是一個審查變量。 換句話說，動物沒有暴露，但可能仍然暴露。 但是如果這種方法在這裡是有效的，我有一個相關的問題：生存模型是事件發生時間的連續模型，但有一個審查變量。 解決這種問題的另一種方法（上面建議以及在保險問題的建模等中經常使用）是使用兩步建模程序。 首先使用分類模型（例如邏輯回歸）對離散事件/無事件頻率建模，然後僅使用事件發生的數據（這將是連續因變量）對“嚴重性”進行建模。 任何人都可以闡明使用這兩種替代方法來模擬這樣一個問題的相對優點嗎？
回复：Logistic回歸謝謝您的回答。我已經完成了解決方案2和3。
數字2的事情：你不是因為那個解決方案而陷入不朽的偏見嗎？我的意思是，隨著動物在更高的年齡暴露，我們看到風險增加，但隨著年齡的增長，這種疾病的風險會上升，所以我真的不知道我們從中獲得的暴露信息有多少？
第三個效果很好，我甚至嘗試將它分為3組（早/晚/未曝光），我完全得到瞭如何解釋。這主要是因為我想要一個連續的x，但包括那個愚蠢的未暴露組，但我認為解決方案1可能會解決這個問題！
回复：Logistic回歸添加彼得的建議。
1。圖形構建器分析。在繼續之前繪製數據以獲得潛在的理解。
2。如果問題是年齡如何影響暴露組內的結果那麼這就是一個分析。
3。如果問題是暴露/未暴露如何影響結果是另一個。
4。您可以進行多重比較類型分析，將每個組與控件（即未曝光）或彼此（成對比較）等進行比較。
有很多方法可以查看數據，但我會從圖形構建器開始，然後從那裡開始。回复：Logistic回歸您可以考慮將預測變量設置為Data type = Numeric和Modeling Type = Ordinal。您可以將“無曝光”級別設置為零級別，並通過一些直觀的解釋將其設置為1,2,3等。正如你所闡明的那樣。
另一種方法可以將暴露模型作為數字預測變量進行建模，將未暴露的數據完全排除在分析之外...這回答了“如果個體暴露，這是關係嗎？”對於那些在1.5歲時暴露的人來說，這將允許插值（如果有意義的話）？
第三種方法是將所有暴露的個體集中到一個組中並將其稱為“暴露”，現在將未暴露的個體包括在數據集中。
可能還有其他解決方案......但是我想起了這些解決方案。
