로지스틱 회귀로지스틱 회귀 분석을해야하지만, 설명 변수에 약간의 문제가 있습니다. 이는 연속 변수 외부의 한 그룹과의 지속적인 변수입니다.
그래서:
노출 연령 :
1
2
삼
4
노출되지 않은
노출 연령과 질병 상태 사이에 연관성이 있는지 알고 싶습니다. 그러나 노출되지 않았기 때문에 나는 범주 적 변수를 가지고 있습니다. 이 문제를 해결할 수있는 유일한 방법은 노출되지 않은 그룹을 제거하는 것인데 맞지 않습니다. 나는 "노출되지 않은"사람들의 숫자를 고려해 보았지만 결코 노출되지 않았기 때문에 그것은 옳지 않은 것으로 보인다.
계속 진행하는 가장 좋은 방법은 무엇입니까?
다시 : Logistic 회귀많은 세부 사항과 옵션이 있지만 몇 가지 아이디어가 있습니다. 모든 동물이 질병을 앓고있는 첫 번째 데이터 세트에서 동물이 질병에 걸리는 데 걸리는 시간을 전적으로 모델링하려고한다면, 그것은 단순히 당신이 사용할 수있는 설명 요인이있는 회귀 모델이라고 생각합니다. 컨트롤 그룹을 소개하면 생존 모델이라고 생각합니다. 귀하의 대조군은 아직 질병으로 진단되지는 않았지만 여전히 그것을 얻을 수 있습니다. 그래서 그것은 검열 된 변수입니다. 질병 또는 질병 없음을 나타내는 변수 (일단 두 세트의 데이터를 결합하면)는 검열 변수이며 질병 값을 검열합니다. 그런 다음 탐색 할 설명 변수를 포함 할 수 있습니다. 종속 변수는 시간이 될 것입니다 - 대조군의 경우 관찰 시간은 언제든지 될 수 있지만 검열은 연구를 수행 한 시점에서 질병으로 약화되지 않았다는 사실을 처리합니다 (따라서 if 그들은 8 개월 동안 관찰 된 적이 있습니다. 아프기까지 8 개월이 걸렸다는 것을 말하는 것이 아니라, 아직 8 개월이 지나면 아프지 않았습니다. 반면에 첫 샘플에는 모두 시간이 있습니다. 병에 걸리다).
다시 : Logistic 회귀나는 공식적으로이 시점에서 내 리그에서 벗어나고 있지만, 나는 설명하려고 노력할 것이다.
내 핵심 데이터 :
생년월일, 노출 일, 성별 및 진단 날짜. 모든 동물이 질병에 걸렸다.
이로부터 우리는 노출 연령, 질병의 나이 및 노출과 질병 사이의 시간을 계산할 수 있습니다.
이를 통해 우리는 성별 및 노출 날짜와 관련하여 평균 진단 연령을 조사한 t- 테스트를 시도했습니다. 그러나 이것은 특정 그룹에 속한 동물들이 다른 그룹보다 먼저 질병에 걸릴지 여부를 알 수있게 해주었습니다. 아마도 우리는 비례 위험을 감수해야했을 것입니다.
그런 다음 원래 프로젝트의 일부가 아닌 컨트롤 그룹을 수집했습니다. 우리에게는 생년월일, 노출 날짜 및 성별이 나와 있습니다.
우리는 다른 그룹에 대해 질병의 다른 위험이 있는지 알고 싶습니다.
그룹간에 중요한 OR이 있습니까?
나는 이것을 2x2와 로그 reg에 모두했다. 2x2로 노출되지 않은 그룹에 대한 모든 그룹의 OR이 있습니다. 이것은 조기 노광 / 후기 노광 및 1, 2 3 노광에 대해 모두 행해졌습니다.
로그 기록은 동일한 방식으로 수행되었지만 초기 / 후기 그룹 만이 알기 쉽습니다 (다른 기록은 너무 많습니다).
난 여전히 로그 reg을 해석하는 방법을 알아 내려고하고있다. 두 가지 설명 변수를 모두 고려할 때 OR을 얻는 방법은 무엇입니까? 그래서 지금은 2에 대한 노출 그룹 1의 OR을 알고 있지만 노출 그룹 2의 암컷 대 암컷의 노출 그룹 2, 그 종류의 것을 알고 싶습니다. 그것이 우리 고문과 합의한 것입니다.
우리는 생존 문제 전체에 대해 많은 이야기를 나눴지만 실제로는 아무 것도 결정하지 않았습니다. 나는 진단 할 때 연령에 따른 비례 위험도와 성별 및 연령을 노출 변수로 설명하려고했지만 모델이 건강한 대조군과 어떤 관계가 있는지 확신 할 수 없다. (진단 당시 나이는 빈 필드 다. 지금). 나는 또한 검열 관 변수를 입력하는 방법에 대해서 확신 할 수 없다. 지금은 노출 칼럼에서 나이의 일부이며, 검열과 모델 효과로 사용해야하는지 여부는 분명하지 않습니다.
유감스럽게도 미안하지만 통계 학자가 아니거나 내가하는 일이 나의 수준을 훨씬 뛰어 넘을 수 있습니다.
다시 : Logistic 회귀이것은 훌륭한 토론입니다. 대답 할 수있는 방법과 방법의 혼합. 이산 y / n 대 심각도 및 심각도가없는 n 카테고리를 처리하는 방법. 나는 좋은 대답이 없으며 다른 생각을 듣고 싶어합니다. 그러나 나는 대답해야 할 질문의 맥락에주의를 기울여야한다고 생각한다. 예를 들어, 진단을하려고합니까? 그것은 n과 y를 분리합니다. 아니면 관리를 원하십니까? y 그룹에 속하면 심각도 수준을 구분할 수 있습니까? 그리고 만약 그렇다면 n이 포함되어야합니까? 그들은 아직 y 그룹에 들어 가지 않았습니까? 아니면 정말로 y 그룹에 들어갈 수 없었을 것입니까? 그렇다면 당신은 디스커버리 모드 (즉, R & D) 또는 다른 어떤 모드입니까? 위험 분석 / 분석에 대한 의사 결정 비용.
나는 이러한 유형의 문제에 대한 검열에 대해 생각해 보지 않았으며, 그 문제에 대해 좀 더 생각해야 할 것입니다. 그러나 Dale이 언급했듯이, 생존 유형 모델은 이벤트 발생 시간에 사용되므로 심각도를 이벤트 발생 시간으로 간주하는 방법을 고려해야합니다.
다시 : Logistic 회귀검열 된 접근법에 대한 데일 리먼의 생각은 제가 생각한 것입니다. 이것은 내가 주방 쓰레기 수거 접근법을 제안하면서 다소 불편한 이유였습니다. 노출되지 않은 그룹은이 검열 관점에서 다른 노출 그룹과 분명히 다르며 검열 / 수분 모델은이 시나리오에만 이상적입니다.
다시 : Logistic 회귀이것은 생존 문제처럼 들리며, 당신의 "노출되지 않은"것은 검열 변수가됩니다. 즉, 동물은 노출되지 않았지만 여전히 노출 될 수 있습니다. 그러나이 접근법이 여기서 유효하면 관련 질문이 있습니다. 생존 모델은 사건 발생 시간에 대한 연속 모델이지만 검열 변수가 있습니다. 그러한 문제에 대한 또 다른 접근법 (보험 문제와 같은 모델링에서 자주 사용됨)은 2 단계 모델링 절차를 사용하는 것입니다. 먼저 분류 모델 (예 : 물류 회귀)을 사용하여 이산 사건 / 무 사건 빈도를 모델링 한 다음 사건이 발생한 데이터 만 사용하여 "심각도"를 모델링합니다 (이는 계속 종속 변수가됩니다). 이러한 문제를 모델링하기 위해이 두 가지 대안을 사용함으로써 얻을 수있는 상대적인 장점에 대해 누구도 비칠 수 있습니까?
다시 : Logistic 회귀답변 주셔서 감사합니다. 나는 이미 해결책 2와 3을 마쳤다.
번호 2를 가진 것 : 당신은 그 해결책으로 불멸의 편견에 빠지지 않습니까? 우리는 동물이 더 오래된 나이에 드러남에 따라 위험이 증가한다는 것을 알지만이 질병의 위험은 나이가 들어감에 따라 올라갑니다. 그래서 우리가 그 위험으로부터 얼마나 많은 정보를 얻었는지는 알 수 없습니까?
세 번째 작품은 잘, 나는 심지어 3 그룹 (일찍 / 늦게 / 노출되지 않음)로 그것을 덩어리려고 노력하고 완전히 해석하는 방법을 얻을. 그것은 내가 연속 x를 원하기 때문에 그 바보 같은 노출되지 않은 그룹을 포함하지만, 해결책 1은 그것을 고칠 수 있다고 생각합니다.
다시 : Logistic 회귀베드로의 제안에 더하기.
1. 그래프 빌더에 의한 분석. 계속 진행하기 전에 기본 이해를 얻으려면 데이터를 플롯하십시오.
2. 문제가 노출 된 집단 내에서 나이에 어떻게 영향을 미치는가하는 것이 하나의 분석입니다.
삼. 문제가 노출 / 노출되지 않은 영향 결과가 다른 것인가하는 경우입니다.
4. 여러 비교 유형 분석을 수행하여 각 그룹을 대조군 (즉, 노출되지 않음) 또는 서로 비교할 수 있습니다 (쌍 비교).
데이터를 보는 방법은 많지만, 그래프 빌더부터 시작하여 거기에서부터 시작합니다.다시 : Logistic 회귀한 가지 생각은 예측 변수를 Data type = Numeric 및 Modeling Type = Ordinal로 설정하는 것입니다. 그리고 1, 2, 3 등의 직관적 인 해석을 통해 "노출 없음"수준을 0으로 설정할 수 있습니다. 당신이 말한 것처럼
대안적인 접근법은 수치 적 예측 변수로 노출 된 모델을 만들 수 있습니다. 분석에서 노출되지 않은 상태를 완전히 벗어나게 할 수 있습니다 ... 이것은 "개인이 노출되면, 여기에 관계가 있습니까?"라고 대답합니다. 1.5 년이라는 시간에 노출 된 개인에게 보간법을 적용 할 수 있습니까?
세 번째 접근법은 모든 노출 된 개인을 하나의 그룹으로 묶어 "노출 된"이라고 부르며 이제는 노출되지 않은 데이터 세트를 데이터 세트에 포함시키는 것입니다.
아마도 다른 해결책도있을 것입니다. 그러나 이것들은 내 머리 꼭대기를 염두에두고 있습니다.
