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.I rapporti odd in un modello di regressione logistica vengono utilizzati per interpretare l'effetto dei fattori inclusi nel modello.
I modelli di regressione logistica sono ampiamente utilizzati nell’industria e nel mondo accademico. Sono appropriati quando si tenta di modellare una risposta binaria (Sì/No, Vivi/Muori, Buono/Cattivo...) o una risposta ordinale in cui l'ordinamento dei livelli è importante (Buono/Migliore/Migliore, Lieve/Moderato/Grave, ecc.) I rapporti odd in questi modelli vengono utilizzati per interpretare l'effetto dei fattori inclusi nel modello.
I rapporti odd per i termini di interazione sono più difficili da calcolare e interpretare a causa delle proprietà del rapporto odd. Con un termine di interazione, non esiste un unico rapporto di probabilità. Per ottenere un rapporto di probabilità per uno degli effetti principali coinvolti nell'interazione, è necessario definire un livello fisso dell'altro effetto. Cioè, se si desidera un rapporto odd per un effetto A, quando il termine di interazione A*B è incluso nel modello, è necessario fissare il livello di B per calcolare il rapporto odd desiderato.
Analisi dentro JMP non sono diversi. Per dimostrarlo, guardiamo un esempio. I dati (simulati) mostrati di seguito sono stati raccolti da 100 individui, misurandone il sesso, l'età e se hanno sofferto di lombalgia nei sei mesi precedenti.
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.Visualizzazione parziale dei dati raccolti.
Adattamento del modello
In questo semplice esempio, un modello di regressione logistica può essere adattato con "Dolore" come variabile di risposta e gli effetti inclusi nel modello sono "Età", "Sesso" e il termine di interazione "Età" per "Sesso". Il termine interazione è stato incluso perché esiste la convinzione che con l'aumentare dell'età, maschi e femmine non rispondono allo stesso modo. Il livello di risposta Pain="Yes" sarà modellato come l'evento di interesse. Questo modello può essere impostato in JMP selezionando Analizza—>Adatta modello e definendo i termini come mostrato nella finestra di dialogo di avvio di seguito. Tieni presente che la colonna di risposta "Dolore" ha un tipo di modellazione nominale. Questa designazione è necessaria per l'analisi.
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.Definizione del modello di regressione logistica.
Dai risultati mostrati, seleziona "Salva formula di probabilità" dal menu a comparsa Adattamento logistico nominale. Questa selezione genererà nuove colonne nella tabella dati originale:
Lin[Sì] – Il predittore lineare, o la funzione logit prevista
Problema[Sì] – La probabilità prevista che la risposta sia “Sì”
Problema[No] – La probabilità prevista che la risposta sia “No”
Molto probabilmente dolore – Il livello previsto della risposta
Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Salvare la formula della probabilità.
Ottenere i rapporti di probabilità
Le formule verranno associate a ciascuna di queste colonne. Per ottenere rapporti di probabilità personalizzati, crea nuove righe nella tabella dati definendo le impostazioni di confronto. Qui, c'è interesse nel determinare l'odds ratio tra maschi di 55 anni rispetto a maschi di 65 anni e maschi di 60 anni rispetto a femmine di 60 anni.Consulta la tabella dei dati di seguito per vedere le righe aggiuntive con le formule sopra descritte valutate.
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.Aggiunte righe per calcolare i rapporti di probabilità personalizzati.
Ora, il primo rapporto odd viene calcolato come:
OR = Esp(0,297472046-(-0,292264161)) = 1,8035
Questo rapporto di probabilità di 1,8035 indica che le probabilità di dolore aumentano di un fattore di 1,8035 per i maschi all’aumentare dell’età da 55 a 65 anni.
Il secondo rapporto odd di interesse viene calcolato come:
OR = Esp(0,0026039423-(-2,466015867)) = Esp(2,46861981) = 11,8061
Questo rapporto di probabilità di 11,8061 indica che le probabilità di dolore per i maschi di 60 anni sono 11,8061 volte superiori rispetto alle donne di 60 anni. Per una descrizione più dettagliata dei rapporti di probabilità, consultare il Documentazione in linea di JMP 14 su questo argomento .
Questi calcoli dimostrano un metodo per ottenere rapporti odd personalizzati per modelli di regressione logistica utilizzando il software JMP. Questo metodo non si limita ai soli termini di interazione; può essere utilizzato con gli effetti principali. Pertanto, i rapporti di probabilità predefiniti forniti in JMP potrebbero andare bene in alcune situazioni. In molti casi, i test di interesse devono essere definiti manualmente e il metodo qui descritto consentirà sempre di ottenere questi test di interesse.
Ciao, grazie per la tua spiegazione. Ho due domande:
1) Nel primo esempio hai calcolato il rapporto dispari tra la sofferenza del dolore in un uomo di 55 anni rispetto a un uomo di 65 anni. Qui hai un unico insieme di dati. Se ho ad esempio un set di dati con un biomarcatore (valore continuo) e una manifestazione del cancro (sì o no), ma ho molte osservazioni con lo stesso valore per il biomarcatore o sono al di sotto o al di sopra di un valore limite (COV) I avrò molti risultati di previsione lineare delle mie osservazioni che saranno inferiori o superiori a de COV. In questo caso, se voglio determinare la probabilità di presentare un cancro avente un valore COV superiore rispetto a COV inferiore, dovrei calcolare la media di previsione (LinYes) per tutti i valori inferiori e inferiori a COV e calcolare il rapporto ODD applicando il formula?
2) Posso utilizzare anche variabili categoriali per calcolare la probabilità di una condizione. Per esempio. quando utilizzo il biomarcatore "A" come variabile continua, insieme ad altri biomarcatori "b" e "C" e applico un modello Fit, nel riepilogo degli effetti, il valore p diminuisce se cambio il biomarcatore A come variabile categoriale assegnatagli come inferiore o superiore al COV. Posso utilizzare questo criterio?
Grazie mille
@Kfuenzal
Puoi sempre creare una variabile binaria con due valori: "sotto il limite / sopra il limite" e includerla nel modello. In questo modo si perdono informazioni sui dati effettivamente misurati. Questo potrebbe essere il motivo per cui i valori p differiscono quando si considerano gli effetti categoriali rispetto agli effetti continui.
