Odds ratios in a logistic regression model are used to interpret the effect of the factors included in the model.Odds ratios in a logistic regression model are used to interpret the effect of the factors included in the model.Odds ratios in a logistic regression model are used to interpret the effect of the factors included in the model.Odds ratios in a logistic regression model are used to interpret the effect of the factors included in the model.Odds ratios in a logistic regression model are used to interpret the effect of the factors included in the model.Odds ratios in a logistic regression model are used to interpret the effect of the factors included in the model.Les rapports de cotes dans un modèle de régression logistique sont utilisés pour interpréter l'effet des facteurs inclus dans le modèle.
Les modèles de régression logistique sont largement utilisés dans l’industrie et le monde universitaire. Ils sont appropriés lorsqu'on tente de modéliser une réponse binaire (Oui/Non, Vivre/Mourir, Bon/Mauvais…) ou une réponse ordinale où l'ordre des niveaux est important (Bon/Meilleur/Meilleur, Léger/Modéré/Sévère, etc.) Les rapports de cotes dans ces modèles sont utilisés pour interpréter l’effet des facteurs inclus dans le modèle.
Les rapports de cotes pour les termes d'interaction sont plus difficiles à calculer et à interpréter en raison des propriétés du rapport de cotes. Avec un terme d’interaction, il n’existe pas de rapport de cotes unique. Pour obtenir un rapport de cotes pour l’un des principaux effets impliqués dans l’interaction, vous devez définir un niveau fixe pour l’autre effet. Autrement dit, si vous souhaitez un rapport de cotes pour un effet A, lorsque le terme d'interaction A*B est inclus dans le modèle, vous devez fixer le niveau de B pour calculer le rapport de cotes souhaité.
Analyses en JMP ne sont pas différents. Pour le démontrer, regardons un exemple. Les données (simulées) présentées ci-dessous ont été collectées auprès de 100 personnes, mesurant leur sexe, leur âge et si elles ont souffert de douleurs lombaires au cours des six mois précédents.
Partial display of the data collected.Partial display of the data collected.Partial display of the data collected.Partial display of the data collected.Partial display of the data collected.Partial display of the data collected.Affichage partiel des données collectées.
Ajustement du modèle
Dans cet exemple simple, un modèle de régression logistique peut être ajusté avec « Douleur » comme variable de réponse, et les effets inclus dans le modèle sont « Âge », « Sexe » et le terme d'interaction « Âge » par « Sexe ». Le terme d’interaction est inclus parce que l’on croit qu’à mesure que l’âge augmente, les hommes et les femmes ne réagissent pas de la même manière. Le niveau de réponse Pain = « Oui » sera modélisé comme l'événement d'intérêt. Ce modèle peut être configuré dans JMP en sélectionnant Analyser—>Ajuster le modèle et en définissant les termes comme indiqué dans la boîte de dialogue de lancement ci-dessous. Notez que la colonne de réponse « Douleur » a un type de modélisation nominal. Cette désignation est nécessaire à l'analyse.
Defining the Logistic Regression model.Defining the Logistic Regression model.Defining the Logistic Regression model.Defining the Logistic Regression model.Defining the Logistic Regression model.Defining the Logistic Regression model.Définition du modèle de régression logistique.
À partir des résultats affichés, sélectionnez « Enregistrer la formule de probabilité » dans le menu contextuel Nominal Logistic Fit. Cette sélection générera de nouvelles colonnes dans la table de données d'origine :
Lin[Oui] – Le prédicteur linéaire, ou la fonction logit prédite
Prob[Oui] – La probabilité prédite que la réponse soit « Oui »
Prob[Non] – La probabilité prédite que la réponse soit « Non »
Douleur la plus probable – Le niveau prévu de la réponse
Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Sauvegarde de la formule de probabilité.
Obtention des rapports de cotes
Des formules seront associées à chacune de ces colonnes. Afin d'obtenir des rapports de cotes personnalisés, créez de nouvelles lignes dans le tableau de données définissant les paramètres de comparaison. Ici, il est intéressant de déterminer le rapport de cotes des hommes de 55 ans par rapport aux hommes de 65 ans, et des hommes de 60 ans par rapport aux femmes de 60 ans.Consultez le tableau de données ci-dessous pour voir les lignes supplémentaires avec les formules décrites ci-dessus évaluées.
Added rows to compute customized odds ratios.Added rows to compute customized odds ratios.Added rows to compute customized odds ratios.Added rows to compute customized odds ratios.Added rows to compute customized odds ratios.Added rows to compute customized odds ratios.Ajout de lignes pour calculer les rapports de cotes personnalisés.
Maintenant, le premier rapport de cotes est calculé comme suit :
OU = Exp(0,297472046-(-0,292264161)) = 1,8035
Ce rapport de cotes de 1,8035 indique que le risque de douleur augmente d'un facteur de 1,8035 pour les hommes à mesure que l'âge passe de 55 à 65 ans.
Le deuxième rapport de cotes d’intérêt est calculé comme suit :
OU = Exp(0,0026039423-(-2,466015867)) = Exp(2,46861981) = 11,8061
Ce rapport de cotes de 11,8061 indique que le risque de douleur chez les hommes de 60 ans est 11,8061 fois plus élevé que chez les femmes de 60 ans. Pour une description plus détaillée des rapports de cotes, veuillez consulter le Documentation en ligne JMP 14 sur ce sujet .
Ces calculs démontrent une méthode permettant d'obtenir des rapports de cotes personnalisés pour les modèles de régression logistique à l'aide du logiciel JMP. Cette méthode ne se limite pas aux seuls termes d’interaction ; il peut être utilisé avec des effets principaux. Ainsi, les rapports de cotes par défaut donnés dans JMP peuvent convenir dans certaines situations. Dans de nombreux cas, les tests intéressants doivent être définis manuellement, et la méthode décrite ici obtiendra toujours ces tests intéressants.
Bonjour, merci pour votre explication. J'ai deux questions:
1) Dans le premier exemple, vous avez calculé le rapport impair de souffrir de douleur chez un homme de 55 ans par rapport à 65 ans. Ici, vous disposez d'un seul ensemble de données. Si j'ai par exemple un ensemble de données avec un biomarqueur (valeur continue) et une manifestation du cancer (oui ou non), mais que j'ai beaucoup d'observations avec la même valeur pour le biomarqueur ou sont en dessous ou au dessus d'une valeur seuil (COV) I aura de nombreux résultats de prédiction linéaire de mes observations qui seront inférieurs ou supérieurs au COV. Dans ce cas, si je veux déterminer la probabilité de présenter un cancer ayant une valeur de COV supérieure à celle de COV inférieure, dois-je calculer la moyenne de prédiction (LinYes) pour toutes les valeurs inférieures et inférieures à COV et calculer le rapport ODD en appliquant le formule?
2) Puis-je également utiliser des variables catégorielles pour calculer la probabilité d'une condition. Par exemple. lorsque j'utilise le biomarqueur "A" comme variable continue, avec d'autres biomarqueurs "b" et "C" et que j'applique un modèle Fit, dans le résumé des effets, la valeur p diminue si je change le biomarqueur A comme variable catégorielle qui lui est attribuée comme le COV est inférieur ou supérieur. Puis-je utiliser ce critère ?
Merci beaucoup
@Kfuenzal
Vous pouvez toujours créer une variable binaire avec deux valeurs : "en dessous du seuil / au-dessus du seuil" et l'inclure dans le modèle. Ce faisant, vous perdez des informations sur les données réellement mesurées. Cela pourrait être la raison pour laquelle les valeurs p diffèrent entre les effets catégoriels et les effets continus.
