33609_fr-FR

liliconcom

Régression logistique

Je dois faire une régression logistique, mais ma variable explicative me pose problème, c'est en quelque sorte une variable continue avec un groupe en dehors du continuum. 

Alors: 

âge à l'exposition:

1

2

3

4

non exposé

J'aimerais voir s'il y a un lien entre l'âge d'exposition et l'état de la maladie, mais à cause du "non exposé", j'ai une variable catégorique. Le seul moyen de contourner ce problème semble être de supprimer le groupe non exposé, mais cela ne semble pas correct. J'ai envisagé d'attribuer un numéro à "non exposé", mais cela ne semble pas correct non plus, car ils n'ont jamais été exposés.

 

Quelle est la meilleure façon de procéder?

Re: régression logistique

Beaucoup de détails et d’options, mais j’ai quelques idées.  Si vous essayez uniquement de modéliser le temps qu'il faut à un animal pour attraper la maladie - à partir de votre premier jeu de données où tous les animaux ont eu la maladie - alors je pense que c'est simplement un modèle de régression avec tous les facteurs explicatifs disponibles.  Une fois que vous avez présenté le groupe de contrôle, je pense que c'est un modèle de survie.  Votre groupe de contrôle n'a pas encore été diagnostiqué avec la maladie, mais peut toujours l'obtenir.  Donc, c'est une variable censurée.  La variable indiquant la maladie ou l'absence de maladie (une fois que vous avez combiné les deux ensembles de données) est la variable censure et vous censureriez les valeurs d'absence de maladie.  Vous pouvez ensuite inclure toutes les variables explicatives que vous souhaitez explorer.  La variable dépendante serait le temps - pour le groupe de contrôle, ce serait le temps pendant lequel vous les avez observés, mais la censure prend en compte le fait qu’ils n’ont pas été dissociés de la maladie au moment où vous avez mené l’étude (donc si ils ont été observés pendant 8 mois, vous ne diriez pas que cela a pris 8 mois pour qu'ils tombent malades, mais plutôt qu'à partir de 8 mois, ils ne sont pas encore tombés malades, alors que le premier échantillon que vous avez tous eu le temps de s'écouler tombé malade).

Re: régression logistique

Je suis officiellement sorti de ma ligue à ce stade, mais je vais essayer de vous expliquer.

Mes données de base sont:

Date de naissance, date d'exposition, sexe et date du diagnostic. Tous les animaux avaient la maladie.

À partir de là, nous pouvons calculer: l’âge à l’exposition, l’âge à la maladie et le temps entre l’exposition et la maladie (pour essayer de 

À partir de là, nous avons essayé de faire un test t, où nous avons examiné l’âge moyen du diagnostic en fonction du sexe et de la date d’exposition. Cependant, cela nous a seulement permis de voir si les animaux d'un groupe spécifique contracteraient la maladie plus tôt que les autres. Peut-être aurions-nous dû faire un risque proportionnel, nous ne l'avons pas fait.

 

Nous avons ensuite collecté un groupe de contrôle (qui ne faisait pas à l'origine partie du projet). Pour ceux que nous avons la date de naissance, la date d'exposition et le sexe.

 

Nous voulons savoir s'il existe un risque de maladie différent pour les différents groupes

Y a-t-il un OU significatif entre les groupes:

J'ai fait cela à la fois avec 2x2 et par journal de registre. Par 2x2, j'ai un bloc opératoire pour tous les groupes du groupe non exposé, cela a été fait pour l'exposition précoce / tardive et l'exposition pour les années 1, 2, etc. 

L'enregistrement du journal a été effectué de la même manière, mais seul le regroupement précoce / tardif est intelligible pour moi (le second contient trop de blocs d'opérateur différents).

J'essaie encore de comprendre comment interpréter le registre de consignation; Comment puis-je obtenir le OU lorsque vous prenez en compte les deux variables explicatives. Donc, pour le moment, je connais le bloc opératoire pour le groupe d'exposition 1 contre 2, mais je veux savoir le ou pour les femmes du groupe d'exposition un par rapport aux femmes du groupe d'exposition 2, ce genre de chose. C'est ce que nous avons convenu avec notre conseiller.

 

Nous avons beaucoup parlé de toute la question de la survie, mais nous n’avons vraiment rien réglé. J'ai essayé de calculer un risque proportionnel d'adéquation avec l'âge au diagnostic sous la forme y, et le sexe et l'âge lors de l'exposition comme variables explicatives, mais je ne suis pas sûr de ce que le modèle fait avec le groupe témoin sain (leur âge lors du diagnostic est un champ vide. à présent). Je ne sais pas non plus comment entrer la variable censure. À l'heure actuelle, cela fait partie de la colonne âge lors de l'exposition et il m'est difficile de déterminer si je suis censé l'utiliser à la fois comme censeur et comme effet modèle. 

 

Je suis désolée pour la rigueur, mais je ne suis pas un statisticien ni quoi que ce soit et ce que j'essaie de faire dépasse probablement mon niveau de compréhension. 

 

 

Re: régression logistique

C'est une bonne discussion. Le mélange de méthodes et les questions auxquelles il faut répondre. Le y / n discret par rapport à la gravité et comment traiter la catégorie n sans gravité. Je n'ai pas de bonne réponse, j'aimerais entendre d'autres pensées. Cependant, je pense qu'il faut être prudent dans le contexte des questions auxquelles il faut répondre.  Par exemple, essayez-vous un diagnostic? C'est séparer le y du n. Ou essayez-vous de gérer? Ce serait dans le groupe y pouvez-vous séparer les niveaux de gravité? Et si tel est le cas, faut-il inclure le n? Sont-ils simplement pas encore entrés dans le groupe y ou sont-ils vraiment un groupe de contrôle et ne seraient jamais dans le groupe y? Ensuite, les questions telles que vous êtes en mode découverte (c.-à-d., Recherche et développement) ou un autre mode? Risque / Coût des décisions prises lors de l'analyse.

 

Je n'avais pas pensé à la censure dans ce type de problèmes, je devrai y réfléchir davantage. Toutefois, comme Dale l’a mentionné, les modèles de type de survie sont utilisés pour la durée avant événement, vous devez donc réfléchir à la manière de traiter la gravité comme une durée avant événement.  

 

Re: régression logistique

L'idée d'une approche censurée par Dale Lehman était également une de mes idées. C’est précisément pour cette raison que j’étais un peu mal à l’aise en suggérant une approche uniquement ordinale par un évier de cuisine. Le groupe non exposé est clairement différent de l’autre groupe exposé de cette perspective de censure et les modèles de censure / survie sont parfaitement adaptés à ce scénario.

Re: régression logistique

Cela ressemble à un problème de survie - et votre "non exposé" serait une variable de censure.  En d’autres termes, l’animal n’a pas été exposé, mais pourrait tout de même le devenir.  Mais si cette approche est valable ici, j'ai une question connexe: les modèles de survie sont des modèles continus pour le temps jusqu'à l'événement, mais avec une variable de censure.  Une autre approche à un tel problème (suggérée ci-dessus et fréquemment utilisée dans la modélisation d'éléments tels que les problèmes d'assurance) consiste à utiliser une procédure de modélisation en deux étapes.  Commencez par modéliser la fréquence événement discret / non événement à l'aide d'un modèle de classification (tel qu'une régression logistique), puis modélisez la "gravité" en utilisant uniquement les données où l'événement s'est produit (il s'agirait d'une variable dépendante continue).  Quelqu'un peut-il expliquer le bien-fondé de l'utilisation de ces deux manières différentes de modéliser un tel problème?

Re: régression logistique

Merci pour votre réponse. J'ai déjà fait les solutions 2 et 3.

La chose avec le numéro 2: Ne vous heurtez pas à un biais d'immortalité avec cette solution? Je veux dire, nous voyons un risque accru à mesure que les animaux sont exposés à un âge plus avancé, mais le risque de contracter cette maladie augmente avec l’âge, alors je ne sais pas vraiment combien d’informations nous concernant l’exposition?

 

La 3ème marche bien, j'ai même essayé de la diviser en 3 groupes (début / fin / non exposé) et je comprends parfaitement comment interpréter cela. C'est principalement parce que je veux un x continu, mais en incluant ce groupe stupide non exposé, mais je pense que la solution 1 pourrait résoudre ce problème!

Re: régression logistiquePour ajouter aux suggestions de Peter.
1. Analyse par constructeur de graphes. Tracez les données pour obtenir une compréhension sous-jacente avant de continuer.
2 Si la question est de savoir comment l’âge affecte les résultats au sein du groupe exposé, alors c’est une analyse.
3 Si la question est de savoir comment l’exposition / la non-exposition a un impact sur le résultat obtenu.
4 Vous pouvez effectuer une analyse de type comparaison multiple pour comparer chaque groupe soit à un contrôle (c'est-à-dire, le non exposé), soit à un autre (comparaisons par paires), etc.

Il y a beaucoup de façons d'examiner les données, mais je commencerais par un générateur de graphes, puis à partir de là.Re: régression logistique

Une pensée pour vous est de configurer la variable de prédiction comme suit: Type de données = Numérique et Type de modélisation = Ordinal. Et vous pouvez définir le niveau "Aucune exposition" sur zéro, avec une interprétation intuitive telle que 1, 2, 3, etc. les niveaux que vous avez articulés.

 

Une autre approche pourrait consister à modéliser les exposés sous forme de variable prédictive numérique, en laissant ceux qui ne sont pas exposés en dehors de l'analyse ... cela répond au "Si un individu EST exposé, voici la relation?" Ce qui permettrait une interpolation (si cela se justifie) pour des individus exposés à un an et demi par exemple?

 

Une troisième approche consiste à regrouper tous les individus exposés dans un groupe et à les appeler "Exposés" et à inclure les non exposés dans l'ensemble de données.

 

Il y a probablement d'autres solutions aussi ... mais celles-ci me viennent à l'esprit.