逻辑回归我必须进行逻辑回归，但是我的解释变量有些麻烦，它是一个连续变量，其中一个群体在连续性之外。
所以：
暴露年龄：
1
2
3
4
没有暴露
我想看看暴露年龄与疾病状态之间是否存在联系，但由于“未暴露”，我有一个分类变量。解决这个问题的唯一方法似乎是删除未曝光的组，但这似乎并不正确。我已经考虑为“未曝光”设置一个数字，但这似乎也不正确，因为它们从未暴露过。
什么是最好的方法？
回复：Logistic回归那里有很多细节和选项，但我有一些想法。 如果你只想模拟动物患病的时间 - 从你的第一个数据集中所有动物都患有疾病 - 那么我认为这只是一个回归模型，你可以得到任何解释因素。 一旦你介绍了对照组，我认为它是一个生存模型。 您的对照组尚未被诊断出患有该疾病，但仍可能得到该疾病。 所以，这是一个审查变量。 表示疾病或无疾病的变量（一旦将两组数据合并）是检查变量，您将检查无疾病值。 然后，您可以包含要探索的任何解释变量。 因变量将是时间 - 对于对照组而言，无论何时观察它们都是如此，但是审查时会考虑到他们在您进行研究时没有对该疾病的认识（因此，如果他们已被观察了8个月，你不会说他们生病需要8个月，而是8个月他们还没有生病，而你的第一个样本都有一段时间，直到他们生病了）。
回复：Logistic回归我现在正式退出联盟，但我会试着解释一下。
我的核心数据是：
出生日期，接触日期，性别和诊断日期。所有动物都有这种疾病。
由此我们可以计算：暴露年龄，疾病年龄和暴露与疾病之间的时间（试图
由此我们尝试进行t检验，在那里我们查看与性别和接触日期相关的平均诊断年龄。然而，这只能让我们看到特定群体中的动物是否会比其他动物更早得到疾病，也许我们应该做出比例风险，我们没有。
然后我们收集了一个控制组（最初不是项目的一部分）。对于那些我们有出生日期，暴露日期和性别的人。
我们想知道不同群体是否存在不同的疾病风险
各组之间是否存在重大OR：
我用2x2和log reg完成了这个。通过2x2我对未暴露组的所有组都有OR，这对于早期暴露/晚期暴露和第1,2,3等暴露都已经完成。
log reg以相同的方式完成，但只有早期/晚期分组对我来说是可理解的（其他OR有太多不同的OR）。
我还在试图弄清楚如何解释log reg;当你考虑两个解释变量时，我如何得到OR。所以现在我知道暴露组1对2的OR，但我想知道暴露组1中的女性或暴露组2中的女性，那种事情。这就是我们与顾问达成的协议。
我们已经谈了很多关于整个生存问题，但还没有真正解决任何问题。我试图用诊断时的年龄来计算合适的比例风险y和性别和接触时的年龄作为解释变量，但我不确定该模型对健康对照组的作用（他们的诊断年龄是空的权利）现在）。我也不确定如何输入审查变量。现在它是曝光专栏时代的一部分，我是否应该使用它作为审查和模型效果我不清楚。
对不起，我很抱歉，但我不是一个统计学家，也不是一个接近一个的人，而我正在努力做的事情可能超出了我的理解水平。
回复：Logistic回归这是一个很好的讨论。方法的混合加上要回答的问题。离散y / n与严重程度以及如何处理没有严重性的n类别。我没有一个好的答案，很想听到其他一些想法。但是，我确实认为必须要小心要回答的问题的背景。 例如，您是否正在尝试诊断？这是y与n的区别。或者你想管理？你可以在y组中选择严重程度吗？如果是这种情况应该包括n？他们还没有进入y组，还是他们真的是一个控制组，而且永远不会进入y组？然后问题是你在发现模式（即R＆D）或其他模式？分析决策的风险/成本。
我没有想过在这些类型的问题中进行审查，将不得不给予更多的思考。 然而，正如戴尔所提到的，生存型模型用于事件的时间，因此您必须考虑如何将严重性视为事件发生的时间？
回复：Logistic回归Dale Lehman关于审查方法的想法也是我想到的。这正是为什么我有点不舒服的建议厨房水槽顺序唯一的方法。从这个审查角度看，未曝光组明显不同于其他暴露组，而审查/生存模型非常适合这种情况。
回复：Logistic回归这听起来像是一个生存问题 - 而你的“未暴露”将是一个审查变量。 换句话说，动物没有暴露，但可能仍然暴露。 但是如果这种方法在这里是有效的，我有一个相关的问题：生存模型是事件发生时间的连续模型，但有一个审查变量。 解决这种问题的另一种方法（上面建议以及在保险问题的建模等中经常使用）是使用两步建模程序。 首先使用分类模型（例如逻辑回归）对离散事件/无事件频率建模，然后仅使用事件发生的数据（这将是连续因变量）对“严重性”进行建模。 任何人都可以阐明使用这两种替代方法来模拟这样一个问题的相对优点吗？
回复：Logistic回归谢谢您的回答。我已经完成了解决方案2和3。
数字2的事情：你不是因为那个解决方案而陷入不朽的偏见吗？我的意思是，随着动物在更高的年龄暴露，我们看到风险增加，但随着年龄的增长，这种疾病的风险会上升，所以我真的不知道我们从中获得的暴露信息有多少？
第三个效果很好，我甚至尝试将它分为3组（早/晚/未曝光），我完全得到了如何解释。这主要是因为我想要一个连续的x，但包括那个愚蠢的未暴露组，但我认为解决方案1可能会解决这个问题！
回复：Logistic回归添加彼得的建议。
1。图形构建器分析。在继续之前绘制数据以获得潜在的理解。
2。如果问题是年龄如何影响暴露组内的结果那么这就是一个分析。
3。如果问题是暴露/未暴露如何影响结果是另一个。
4。您可以进行多重比较类型分析，将每个组与控件（即未曝光）或彼此（成对比较）等进行比较。
有很多方法可以查看数据，但我会从图形构建器开始，然后从那里开始。回复：Logistic回归您可以考虑将预测变量设置为Data type = Numeric和Modeling Type = Ordinal。您可以将“无曝光”级别设置为零级别，并通过一些直观的解释将其设置为1,2,3等。正如你所阐明的那样。
另一种方法可以将暴露的数据模型化为数字预测变量，将未暴露的数据完全排除在分析之外......这回答了“如果个体暴露，这是关系吗？”对于那些在1.5岁时暴露的人来说，这将允许插值（如果有意义的话）？
第三种方法是将所有暴露的个体集中到一个组中并将其称为“暴露”，现在将未暴露的个体包括在数据集中。
可能还有其他解决方案......但是我想起了这些解决方案。
