Question générale sur les statistiques - Régression logistique nominale vs WilcoxonSalut,
aidez-moi à comprendre ceci - travail avec de grands ensembles de données avec des variables continues - la plupart du temps j'utilise des modèles pour un résultat binaire (vivant / mort).
Bon nombre de mes variables continues ne sont pas normalement distribuées, c'est pourquoi j'approche habituellement le test par modèle d'ajustement (Y = résultat, effets du modèle - poids, logistique nominale). La distribution de la variable primaire - poids: 
Le résultat du modèle logistique ressemble à ceci:
Ce n'est pas vraiment un bon modèle et j'ai essayé différentes transformations, mais la distribution de mes variables est souvent chronologique ou logarithmique.
Donc, pour une meilleure compréhension par le public, je retourne la réponse et les variables autour de: Ajuster Y par X (Y: Poids, X: résultat) et faire un test de Wilcoxon non paramétrique - me donnant un résultat significatif (p <0,05), tandis que ma la régression logistique avec un mauvais test d'ajustement montre une tendance mais pas de signification (p = 0,09).
Alors quoi faire?
La réponse est clairement le résultat (Y), donc devrais-je m'en tenir à ce test même lorsque le test de manque d'ajustement est positif. De nombreux lecteurs ne sont pas habitués à la régression logistique et préfèrent plutôt les graphiques quantiles, mais cela nécessiterait que le résultat soit pondéré (Y).
Quel test serait légitime à utiliser?
Puis-je surmonter le manque d’ajustement dans la régression logistique?
Quelle valeur p puis-je utiliser à la fin? - existe-t-il un moyen de définir un OU pour les résultats de tests non paramétriques?
Merci beaucoup, Marc
Re: Question générale sur les statistiques - Régression logistique nominale contre WilcoxonPremièrement, je dirais: oubliez tout des techniques statistiques et de la façon dont vous pourriez les utiliser. J'ai une question très fondamentale: quel est le but de votre analyse? Qu'essayez-vous de faire? Que voudriez-vous savoir? En partant de ces questions, vous dirigerez ensuite la bonne analyse et ce que vous devez faire (le cas échéant) avec des variables non normales. Notez que dans de nombreux cas, la normalité n'est pas vraiment requise.
Re: Question générale sur les statistiques - Régression logistique nominale contre WilcoxonLa question est toujours de savoir si certains prédicteurs sont liés à un résultat donné (la plupart dans mon domaine - décès / vivant). Dans une telle analyse rétrospective de données, nous avons généralement de nombreuses variables cliniques et démographiques potentielles, qui sont liées à un certain résultat (décès / vivant). Le poids dans cet exemple était l'une des variables à titre d'exemple.
Re: Question générale sur les statistiques - Régression logistique nominale contre Wilcoxon"Lié" pourrait signifier beaucoup de choses. Vous pouvez simplement regarder une valeur de corrélation et dire que la corrélation est élevée, de sorte que les variables sont liées. Je pense que vous cherchez vraiment à voir ce qui CAUSE votre résultat. Cela implique une approche de modélisation comme vous avez commencé. Outcome est un Y. Tout le reste est un X. Je recommanderais d'examiner simultanément toutes les entrées possibles afin d'éviter que certaines relations n'apparaissent pas en raison de corrélations entre les entrées ou que certaines relations apparaissent, mais qu'elles soient causées par une variable cachée.
En ce qui concerne la normalité, ce n'est PAS une exigence pour vos variables d'entrée. Transformer des entrées très asymétriques peut toutefois aider la modélisation, dans certains cas. L'exemple que vous montrez, je ne m'occuperais pas du poids, mais il y a un très grand pic au début (près de 2) qui peut poser problème. Vous pouvez essayer de prendre le journal des poids et l'utiliser comme entrée pour voir si cela change vos résultats.
Vous pouvez également essayer l'analyse discriminante (AD), similaire à la régression logistique. Cela répond à la question: puis-je trouver un hyperplan multivarié qui sépare au mieux les données en deux valeurs de résultat. Il s'agirait de la technique appropriée plutôt que de l'ANOVA Oneway et gère plusieurs facteurs possibles simultanément. La DA peut être plus puissante que la régression logistique, mais repose davantage sur la distribution normale des données. C'est peut-être un autre outil que vous pouvez essayer, mais en raison de la non-normalité, j'essayerais de transformer d'abord avant DA.
