33609_de-DE

liliconcom

Logistische Regression

Ich muss logistische Regression machen, aber ich habe einige Probleme mit meiner erklärenden Variablen. Diese Variable ist eine kontinuierliche Variable mit einer Gruppe außerhalb des Continoums. 

So: 

Alter bei Exposition:

1

2

3

4

nicht ausgesetzt

Ich würde gerne sehen, ob es einen Zusammenhang zwischen dem Alter der Exposition und dem Krankheitszustand gibt, aber aufgrund der "Nicht-Exposition" habe ich eine kategoriale Variable. Der einzige Weg, dies zu umgehen, scheint darin zu bestehen, die nicht belichtete Gruppe zu entfernen, aber das scheint nicht richtig zu sein. Ich habe mir überlegt, eine Nummer für "Nicht ausgesetzt" zu vergeben, aber das scheint auch nicht richtig zu sein, weil sie niemals ausgesetzt waren.

 

Wie gehe ich am besten vor?

Re: Logistische Regression

Es gibt viele Details und Optionen, aber ich habe ein paar Ideen.  Wenn Sie nur versuchen zu modellieren, wie lange ein Tier braucht, um die Krankheit zu bekommen - aus Ihrem ersten Datensatz, in dem alle Tiere die Krankheit hatten -, denke ich, ist es einfach ein Regressionsmodell mit allen verfügbaren Faktoren, die Ihnen zur Verfügung stehen.  Sobald Sie die Kontrollgruppe eingeführt haben, denke ich, ist es ein Überlebensmodell.  Ihre Kontrollgruppe wurde noch nicht mit der Krankheit diagnostiziert, kann sie aber trotzdem bekommen.  Das ist also eine zensierte Variable.  Die Variable, die auf Krankheit oder keine Krankheit hinweist (nachdem Sie die beiden Datensätze kombiniert haben) ist die Zensorenvariable, und Sie würden die Werte für keine Krankheit zensieren.  Sie können dann alle erklärenden Variablen hinzufügen, die Sie untersuchen möchten.  Die abhängige Variable wäre die Zeit - für die Kontrollgruppe wäre es die Uhrzeit, zu der Sie sie beobachtet haben, aber die Zensur sorgt dafür, dass die Krankheit zu dem Zeitpunkt, an dem Sie die Studie durchgeführt haben, nicht diagnostiziert wurde (wenn also Sie werden seit 8 Monaten beobachtet, Sie würden nicht sagen, dass es 8 Monate dauerte, bis sie krank wurden, sondern eher, dass sie seit 8 Monaten noch nicht krank geworden sind, während die erste Probe, die Sie alle haben, eine Zeit bis zu ihnen hat wurde krank).

Re: Logistische Regression

Ich bin zu diesem Zeitpunkt offiziell außerhalb meiner Liga, aber ich versuche es zu erklären.

Meine Kerndaten sind:

Geburtsdatum, Datum der Exposition, Geschlecht und Datum der Diagnose. Alle Tiere hatten die Krankheit.

Daraus können wir folgendes berechnen: Alter bei Exposition, Alter bei Erkrankung und Zeit zwischen Exposition und Erkrankung (zu versuchen) 

Aus diesem Grund haben wir versucht, einen t-Test durchzuführen, bei dem wir das mittlere Diagnosealter in Bezug auf Geschlecht und Expositionsdatum untersuchten. Dies erlaubte uns jedoch nur zu sehen, ob Tiere in einer bestimmten Gruppe die Krankheit früher bekommen würden als die anderen. Vielleicht hätten wir ein proportionales Risiko eingehen müssen, haben wir nicht.

 

Wir haben dann eine Kontrollgruppe (nicht ursprünglich Teil des Projekts) gesammelt. Für diese haben wir Geburtsdatum, Datum bei Exposition und Geschlecht.

 

Wir möchten wissen, ob für die verschiedenen Gruppen ein unterschiedliches Krankheitsrisiko besteht

Gibt es ein signifikantes ODER zwischen den Gruppen:

Ich habe das sowohl mit 2x2 als auch mit log reg gemacht. Mit 2x2 habe ich ORs für alle Gruppen gegenüber der unbelichteten Gruppe, dies wurde sowohl für frühe als auch für späte Exposition und Exposition für Jahr 1, 2 3 usw. durchgeführt. 

Die Protokollierung wurde auf dieselbe Weise durchgeführt, aber nur die frühe / späte Gruppierung ist für mich verständlich (die anderen haben zu viele verschiedene ODERs).

Ich versuche immer noch herauszufinden, wie man das Log reg interpretiert. Wie erhalte ich das ODER, wenn Sie beide erklärenden Variablen berücksichtigen. So, jetzt kenne ich das OP für die Expositionsgruppe 1 gegen 2, aber ich möchte das oder für Frauen in Expositionsgruppe 1 gegenüber Frauen in Expositionsgruppe 2, diese Art von Dingen, wissen. Das haben wir mit unserem Berater vereinbart.

 

Wir haben viel über die gesamte Überlebensfrage gesprochen, haben uns aber noch nicht wirklich entschieden. Ich habe versucht, eine passende proportionale Gefährdung mit dem Alter bei Diagnose als y und Geschlecht und Alter bei Exposition als erklärende Variablen zu berechnen, aber ich bin mir nicht sicher, was das Modell mit der gesunden Kontrollgruppe macht (ihr Alter bei der Diagnose ist ein leeres Feld.) jetzt). Ich bin auch nicht sicher, wie man die Zensurvariable eingibt. Im Moment ist es ein Teil des Alters bei Expositionssäulen und ob ich es als Zensur und als Modelleffekt verwenden soll, ist mir nicht klar. 

 

Es tut mir leid, dass es so rambly ist, aber ich bin kein Statistiker oder etwas, das einem nahe steht, und was ich versuche zu tun, ist wahrscheinlich weit über meinem Verständnisniveau. 

 

 

Re: Logistische Regression

Das ist eine großartige Diskussion. Der Methodenmix plus die zu beantwortenden Fragen. Das diskrete y / n im Vergleich zum Schweregrad und zur Behandlung der n-Kategorie, die keinen Schweregrad hat. Ich habe keine gute Antwort, würde gerne andere Gedanken hören. Ich denke jedoch, man muss auf den Kontext der zu beantwortenden Fragen achten.  Versuchen Sie beispielsweise, eine Diagnose zu stellen? Das ist das y vom n. Oder willst du es schaffen? Das wäre in der y-Gruppe. Können Sie die Schweregrade trennen? Und wenn dies der Fall ist, sollten die n enthalten sein? Sind sie gerade noch nicht in die y-Gruppe eingetreten oder handelt es sich wirklich um eine Kontrollgruppe, die niemals in der y-Gruppe wäre? Dann die Fragen wie sind Sie im Entdeckungsmodus (dh R & D) oder in einem anderen Modus? Risiko / Kosten der in der Analyse getroffenen Entscheidungen.

 

Ich hatte nicht über das Zensieren bei solchen Problemen nachgedacht, ich muss mir noch einige Gedanken darüber machen. Wie Dale bereits erwähnte, werden die Überlebenstyp-Modelle jedoch für die Zeit bis zum Ereignis verwendet, so dass Sie darüber nachdenken müssen, wie Sie den Schweregrad als Zeit bis zum Ereignis behandeln.  

 

Re: Logistische Regression

Dale Lehmans Idee eines zensierten Ansatzes war eine Idee, an die ich auch dachte. Aus diesem Grund war es mir ein bisschen unangenehm, die Küchenspüle als ordinalen Ansatz zu empfehlen. Die unbelichtete Gruppe unterscheidet sich aus dieser Zensierungsperspektive deutlich von der anderen exponierten Gruppe, und Zensierungs- / Erlebensmodelle sind gerade für dieses Szenario ideal geeignet.

Re: Logistische Regression

Das klingt nach einem Überlebensproblem - und Ihr "Nicht ausgesetzt" wäre eine Zensierungsvariable.  Mit anderen Worten, das Tier wurde nicht exponiert, könnte aber trotzdem exponiert werden.  Wenn dieser Ansatz hier jedoch gültig wäre, habe ich eine verwandte Frage: Überlebensmodelle sind kontinuierliche Modelle für die Zeit bis zum Ereignis, jedoch mit einer Zensierungsvariablen.  Ein anderer Ansatz für ein solches Problem (oben vorgeschlagen und häufig bei der Modellierung von Dingen wie Versicherungsproblemen verwendet) besteht in der Verwendung eines zweistufigen Modellierungsverfahrens.  Modellieren Sie zunächst die Häufigkeit diskreter Ereignisse / keine Ereignisse mithilfe eines Klassifikationsmodells (z. B. logistische Regression) und modellieren Sie dann den "Schweregrad", indem Sie nur die Daten verwenden, bei denen das Ereignis stattgefunden hat (dies wäre eine kontinuierliche abhängige Variable).  Kann jemand die relativen Vorzüge der Verwendung dieser zwei alternativen Möglichkeiten zur Modellierung eines solchen Problems beleuchten?

Re: Logistische Regression

Vielen Dank für Ihre Antwort. Ich habe bereits Lösung 2 und 3 gemacht.

Die Sache mit der Nummer 2: Laufen Sie mit dieser Lösung nicht in eine Unsterblichkeitsstörung? Ich meine, wir sehen ein erhöhtes Risiko, wenn die Tiere in einem höheren Alter exponiert werden, aber das Risiko für diese Krankheit steigt mit zunehmendem Alter. Ich weiß also nicht wirklich, wie viele Informationen wir über die Exposition erhalten.

 

Die dritte funktioniert gut, ich habe sogar versucht, sie in drei Gruppen zu teilen (früh / spät / unbelichtet), und ich weiß genau, wie ich das interpretieren soll. Das liegt hauptsächlich daran, dass ich ein durchgehendes x haben möchte, aber auch diese blöde, unbelichtete Gruppe, aber ich denke, Lösung 1 könnte das beheben!

Re: Logistische RegressionPeters Vorschläge hinzufügen.
1 Analyse durch den Graph Builder. Plotten Sie die Daten, um ein tieferes Verständnis zu erhalten, bevor Sie fortfahren.
2 Wenn die Frage ist, wie sich das Alter auf die Ergebnisse in der exponierten Gruppe auswirkt, ist dies eine Analyse.
3. Wenn die Frage ist, wie sich das Ergebnis der Exposition / Nicht-Exposition auswirkt, ist dies ein anderes.
4 Sie können eine Mehrfachvergleichstyp-Analyse durchführen, um jede Gruppe entweder mit einem Steuerelement (dh dem unbelichteten Objekt) oder miteinander (paarweises Vergleichen) usw. zu vergleichen.

Es gibt viele Möglichkeiten, die Daten zu betrachten, aber ich würde mit dem Graph Builder beginnen und von dort aus gehen.Re: Logistische Regression

Ein Gedanke für Sie ist, die Prädiktorvariable als Datentyp = Numerisch und Modellierungstyp = Ordinal festzulegen. Sie können den Wert für "Keine Belichtung" als Nullwert festlegen, wobei die intuitive Interpretation 1, 2, 3 usw. ist. Ebenen, wie Sie sie artikuliert haben.

 

Ein alternativer Ansatz könnte darin bestehen, die Belichtung als numerische Prädiktorvariable zu modellieren und das Nichtbelichtete vollständig aus der Analyse herauszulassen. Was würde eine Interpolation (wenn es sinnvoll ist) für Einzelpersonen ermöglichen, die etwa 1,5 Jahre ausgesetzt sind?

 

Ein dritter Ansatz besteht darin, alle exponierten Personen in einer Gruppe zusammenzufassen und sie als "exponiert" zu bezeichnen.

 

Es gibt wahrscheinlich auch andere Lösungen ... aber diese kommen mir in den Sinn.