如何調整協變量我有一個包含兩個隊列的數據集。 它們在單變量分析中存在結果差異（住院時間、連續變量）。 然而，它們在基線特徵上並不相似（具有不同的疾病嚴重程度（連續）、年齡（連續）和診斷（分類變量）。
如何根據年齡、疾病嚴重程度和診斷調整結果變量？
回复：如何調整協變量我不知道JMP或其他軟件中的傾向匹配。 也許另一位社區成員可以提供幫助。
回复：如何調整協變量我認為這就解釋了這一點。 我對結果很滿意
希望最後一個問題
與對病例和對照進行傾向匹配相比，該策略有何不同？
我在其他討論帖子中讀到傾向匹配在 JMP 中是不可能的，我必須在 SPSS 或 R 上進行...... 那是對的嗎？
回复：如何調整協變量一個合適的模型會讓一切變得不同！ 選擇由研究人員自行決定，但應以先驗知識、理論基礎、與替代模型的客觀比較以及模型假設的評估為指導。
參數估計值用於線性組合以確定分佈參數。 它們本身可能很難解釋。 您可以單擊頂部的紅色三角形，然後選擇探查器 > 探查器。 您可以更改因子水平並查看預測響應的變化。
關於不合身，我還有另一個想法。 我沒有看到過度分散的測試，這是一種常見的情況。 泊松分佈只有一個參數。 它是分佈的均值和方差。 計數的真實分佈通常表現出大於平均值的方差。 當您為過度離散檢驗和區間以及 Firth 偏差調整估計選擇廣義線性模型時，您應該會找到復選框。 我建議選擇這兩個選項。
否則，您可能會考慮添加潛在相互作用和非線性效應的項。
回复：如何調整協變量謝謝。 我同意最好在公共論壇上進行討論，以便其他可能受益的研究人員。 在互聯網上分享真實數據仍然感到不舒服。
這很有趣，也讓我大開眼界，因為我意識到，僅使用不同的模型進行比較，結果就會有多大差異。 即使使用廣義線性模型，如果我選擇正態分佈與泊松分佈，也會產生影響。 這導致了模型依賴性和研究人員自由裁量權的因素。
儘管差異很大，但參數估計值非常低。 因此，病例的 LOS 比對照多 0.05 天……這在臨床上不存在相關差異
最讓我困擾的是，在這個模型中，甚至性別對住院時間也有顯著影響，P 值 < 0.001，參數估計值為 0.05。 僅就性別與停留時間的雙變量比較而言，
沒有差異（並且沒有臨床原因說明為什麼應該有差異）
我需要包含一個關於該模型與標準最小二乘回歸相比的合理性的聲明。 以及泊松分佈。
關於缺乏擬合，我認為這是預料之中的，因為會有更多的變量可能會混淆我們尚未測量或無法測量的兩組。
另一個問題是模型中的變量並不完全獨立。 疾病嚴重程度評分已包含診斷類別。回复：如何調整協變量塔
回复：如何調整協變量首先，我要解釋一下，我們更希望所有的交流都在討論區進行，而不是在私人消息中。 為什麼？ 因為社區中可能有類似疑問或問題的其他成員被剝奪了部分或全部解決方案。 我了解有時問題的性質或數據涉及隱私問題，無法公開發布。
根據您的消息，回歸結果令人鼓舞！ 可以給我看殘差圖嗎？ 該圖將有助於回答有關一個或多個影響估計和檢驗的有影響力的觀察結果的問題。 該圖還有助於評估擬合優度。
偏差測試也非常重要。 該測試是為了不適合。 您的模型存在偏差，無法提供準確的預測。 它通常表明您缺少重要變量，或者更有可能缺少解決非線性效應的項。 您可以考慮添加交叉項（例如，性別*年齡）或冪（例如，年齡*年齡）。
回复：如何調整協變量謝謝
我把分析的片段發給你了
回复：如何調整協變量我同意泊鬆對數線性回歸模型對於天數來說是合理的。 更好的模型將顯示出更大的意義。 能分享一下JMP的回歸結果嗎？ 有些信息是估計值。 剩下的就是關於模型的質量。 所有信息都有助於評估模型的有效性。
回复：如何調整協變量我的一位同事建議在人格中使用廣義線性模型，並選擇具有對數鏈接的泊松分佈來比較患者的住院時間數據。 停留時間以天為單位..所以它是一種計數數據，它是天數
這個模型產生了非常顯著的差異，這讓我非常懷疑它的有效性。 幾乎每個變量的 P 值都小於 0.0001。 當我使用默認的標準最小二乘模型時，隨著我在模型中添加更多變量，案例和控制之間的顯著差異很快消失，但使用廣義線性模型時，它仍然非常顯著。
回复：如何調整協變量我傾向於同意您的結論，但前提是分析表明您的數據滿足模型和回歸假設。 這似乎是一項重要的研究。 在研究設計和研究中收集的數據分析時應小心謹慎。 這個分析不是簡單的t檢驗，t檢驗也沒有那麼簡單。
是否可以分享有關該研究的更多信息。 例如，重複擬合模型的設置，但確保重點 = 效果槓桿。 您可以附上一張預測的實際圖片和一組槓桿圖嗎？ 另外，預測圖的殘差還是標準化殘差圖？ 這些圖對於評估您的分析是否正確有很大幫助，然後您就可以自信地得出結論。
回复：如何調整協變量抱歉，我是一名臨床醫生，而不是統計學家。 不幸的是，我工作的地方沒有統計學家，所以我必須自己弄清楚。
我會再試一次
我有病例和對照的回顧性數據（是否需要升級護理）。 當我通過非參數 Wilcoxon 檢驗使用 Fit Y by X 時，這兩組的結果、住院時間有顯著差異。 （病例的停留時間較長）
然而，兩組並不相似，對照組的病情嚴重程度遠高於病例。
由於病情嚴重程度或以上的患者預計住院時間也會更長，因此應該預期，當我將病情嚴重程度納入模型時，兩組之間的住院時間差異會變得更加顯著。
然而，當我使用擬合模型時，使用 ICU 住院時間作為 Y，以及模型效果中疾病嚴重程度評分和病例/對照的分類變量。 我得到以下參數估計值
截距 3.99 ，概率 >t < 0.0001
PIM 3 -0.17, 0.0039
病例/對照 -0.22 0.514
我據此假設，在模型中包含疾病嚴重程度的情況下，病例/對照之間在住院時間方面沒有顯著差異。
回复：如何調整協變量你沒有道理。 ”在病例和對照之間的結果變量（ICU住院時間、住院時間和呼吸機天數）的單變量比較中，存在非常顯著的差異（P值<0.0001）。 年齡組和疾病嚴重程度評分確實存在差異“不是單變量比較。 另外，為什麼您期望沒有差異？
除了回歸模型的假設問題之外，對差異（例如，對照組疾病評分較高）進行建模應該沒有困難。 事實上，差異越大，效果越顯著，參數估計也越重要。
我不知道你所說的“調整”是什麼意思。
我不知道你說的是什麼意思“回歸模型沒有考慮負號。”
回复：如何調整協變量謝謝。 這是最合乎邏輯的做法。
然而，我並不完全確定我得到的結果是正確的。
在病例和對照之間的結果變量（ICU住院時間、住院時間和呼吸機天數）的單變量比較中，存在非常顯著的差異（P值<0.0001）。 年齡組和疾病嚴重程度評分確實存在差異
對照組的疾病嚴重程度評分高於病例（對照組的平均評分為 2.5，而病例的平均評分為 -4.5）。這意味著對照組的住院時間應該更長。 當我調整疾病嚴重程度評分時，差異會更加明顯。
我假設回歸模型沒有考慮負號（病情較輕的患者得分為負數.. 當他們病情加重時，分數變得更加積極）
回复：如何調整協變量將協變量作為附加預測變量包含在多元回歸模型中。
選擇分析 > 擬合模型。 選擇響應數據列並單擊 Y。 選擇預測變量/因子和協變量數據列，然後單擊添加。現在單擊運行。 使用效果測試來確定每個術語的重要性。 使用參數估計來確定每個術語的重要性。 單擊紅色小三角並選擇因子刻畫 > 刻畫器以了解每個預測變量和協變量的變化對響應的貢獻。
有關更多詳細信息和示例，請參閱“幫助”>“書籍”>“擬合線性模型”。
