Logística nominal vs GLM con distribución binomial y función logitBuenos días a todos,
Me gustaría recibir una respuesta de usted para no malinterpretar mis resultados.
Necesito realizar un análisis multivariado, evaluando si las variables pueden predecir el resultado del cáncer, por lo que una variable de respuesta binaria (0/1). Con una Y dicotómica y múltiples predictores en mi modelo, primero intenté usar un regresión logística nominal , pero en ese caso obtuve “ inestable “Las estimaciones, por lo tanto, no son confiables; en la misma salida obtuve un prueba de razón de probabilidad significativo para mi variable de interés.
Después de eso, intenté instalar un Modelo GLM con distribución binomial y función logit , seleccionando el Primer ajuste (ya que recibí una advertencia sobre la separación casi completa de datos). De esta manera, OBTENÍ estimaciones y valores p significativos.
Ahora, sé que ajustar un modelo GLM con distribución binomial y función de enlace logit debería ser una regresión logística, ¿me equivoco? No entiendo por qué no tengo los mismos resultados, cuáles son las diferencias y, lo más importante, qué puedo inferir sobre la base de dichos resultados:
- ¿Puedo llamar a ese modelo (el modelo GLM) un Regresión logística ¿O no?
- Vi eso en la tabla de estimaciones de parámetros del modelo GLM. LR ChiCuadrado se muestran, al igual que el LRT, y que Prob>ChiSq es el mismo entre el modelo GLM (antes del ajuste de Firth) y LRT. ¿Cómo debo interpretar las estimaciones de mi modelo GLM, como las de una regresión logística o las de un LRT? ¿No se realiza el ajuste de Firth para la regresión logística?
- En conclusión, ¿qué puedo inferir acerca de tener un resultado significativo únicamente con el modelo GLM?
Muchas gracias por adelantado
Antonio
PD. Ambos modelos podrían no ajustarse bien, pero eso es lo que puedo hacer con el tamaño de mi muestra. Cualquier sugerencia se agradece
Exploración y visualización de datosRe: Logística nominal vs GLM con distribución binomial y función logit¡Muchas gracias!Re: Logística nominal vs GLM con distribución binomial y función logitAcabo de buscar "separación casi completa de datos" y encontré este . Esto explica lo que esto significa y cómo conduce a estimaciones inestables. También cómo ayuda el ajuste Firth.
Adjunto el ejemplo que usan como tabla de datos con los mismos 3 modelos (Logistic, GLM, GLM con Firth) guardados como scripts.
Espero que esto ayude.
filo
Re: Logística nominal vs GLM con distribución binomial y función logitHola,
Antes que nada, algunas aclaraciones sobre mi ejemplo:
- Los modelos 1 y 2 tienen el mismo valor p (y otras estadísticas) para las pruebas de razón de verosimilitud. Hay algunas diferencias en los informes de JMP, pero son esencialmente el mismo modelo. La regresión logística y el GLM con distribución binomial y enlace logit son equivalentes. La regresión logística es un caso especial de GLM.
- Tú poder Llame al modelo 3 regresión logística con ajuste de Firth.
- Modelo 3 no es tienen los mismos valores p y estadísticas que los otros modelos. Al utilizar el ajuste de Firth, las estimaciones se ajustan (¡no es sorpresa!).
No soy un experto en Firth Ajuste. De hecho, no entiendo realmente cómo funciona.
Para que puedas informar los resultados de tu versión del modelo 3. Se puede decir que es una regresión logística con ajuste de Firth. Puede informar los valores p para respaldar la prueba de hipótesis de la forma habitual. Pero probablemente también deberíamos decir que sin el ajuste de Firth el modelo era inestable.
Nuevamente, no me es posible decir por qué el modelo es inestable. Pero puedo decir que debería ser una preocupación.
Nunca recomendaría simplemente informar los valores p de los modelos como evidencia concluyente. JMP es un entorno de exploración visual. Antes de ajustar modelos estadísticos, siempre utilizo gráficos para comprobar la calidad de los datos y dar sentido a los comportamientos de los datos. En este caso, una exploración visual de los datos podría ayudarle a comprender por qué algunos modelos son inestables.
Re: Logística nominal vs GLM con distribución binomial y función logitHola,
¡Gracias por la amable respuesta y perdón por las capturas de pantalla en italiano!
Sí, noté que las pruebas de probabilidad de efectos son las mismas entre los modelos 1 y 2. También noté que los valores p para las estimaciones de parámetros en el modelo 2 son exactamente los mismos antes del ajuste de Firth.
Después del ajuste (puedo hacer eso solo desde el modelo 2), tengo estimaciones bastante confiables o comprensibles, lo que no tengo en el modelo 1, donde las estimaciones y los valores p son poco comprensibles. Pero en el modelo 3 todavía obtenemos los mismos valores p para las estimaciones de los parámetros y las pruebas de relación de probabilidad de efecto. Así que no entiendo qué se puede decir sobre las estimaciones de los parámetros en el modelo 2 o 3 si hay una p significativa, ni si el modelo 2 puede denominarse regresión logística ajustada por Firth.
En cuanto a la inestabilidad, supongo que obtengo estimaciones inestables porque tengo pocos controles en comparación con los casos, ¿será así? Eso es algo que no puedo corregir en este momento.
Entonces mi última pregunta es: ¿qué puedo afirmar, basándome en el resultado del modelo 3?
realmente te lo agradezco,
Antonio
Re: Logística nominal vs GLM con distribución binomial y función logitHola,
En primer lugar, me preocuparía que las estimaciones fueran inestables. Deberías trabajar un poco para explorar por qué es así. Es difícil para mí entenderlo solo con capturas de pantalla (y no soy bueno en otros idiomas además del inglés 
).
Adjunté una versión del conjunto de datos de Diabetes con scripts guardados para modelos de respuesta binaria usando:
- Regresión logística,
- GLM (binomial con enlace Logit),
- y GLM con ajuste de polarización de Firth.
Puede ver que las pruebas de relación de probabilidad de efectos para los modelos 1 y 2 son las mismas. El ajuste de sesgo de Firth cambia las estadísticas como era de esperar.
Puede encontrar esto en la documentación de ayuda de JMP:
Estimaciones ajustadas por el sesgo de Firth
Especifica que se utiliza el método ajustado por sesgo de Firth para ajustar el modelo. Se ha demostrado que este método basado en máxima verosimilitud produce mejores estimaciones y pruebas que los modelos basados en máxima verosimilitud que no utilizan corrección de sesgo. Además, los MLE con corrección de sesgo mejoran los problemas de separación que tienden a ocurrir en los modelos de tipo logístico. Para obtener más información sobre el problema de separación en la regresión logística, consulte Firth (1993) y Heinze y Schemper (2002).
Espero que esto ayude,
filo
