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.ロジスティック回帰モデルのオッズ比は、モデルに含まれる要因の効果を解釈するために使用されます。
ロジスティック回帰モデルは、産業界および学術界全体で広く使用されています。 これらは、二値応答 (はい/いいえ、生きる/死ぬ、良い/悪い…) またはレベルの順序が重要な順序応答 (良い/良い/最良、軽度/中程度/重度、など) これらのモデルのオッズ比は、モデルに含まれる要因の効果を解釈するために使用されます。
オッズ比の特性により、交互作用項のオッズ比は計算と解釈がより困難になります。 交互作用項の場合、単一のオッズ比は存在しません。 交互作用に関係する主効果の 1 つのオッズ比を取得するには、もう一方の効果の固定レベルを定義する必要があります。 つまり、効果 A のオッズ比が必要な場合、交互作用項 A*B がモデルに含まれている場合、目的のオッズ比を計算するには B のレベルを固定する必要があります。
での分析JMP違いはありません。 これを説明するために、例を見てみましょう。 以下に示す (シミュレーション) データは 100 人の個人から収集され、性別、年齢、過去 6 か月以内に腰痛を経験したかどうかを測定しました。
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.収集したデータの一部を表示します。
モデルのフィッティング
この単純な例では、応答変数として「痛み」を使用してロジスティック回帰モデルを当てはめることができ、モデルに含まれる効果は「年齢」、「性別」、および「年齢」と「性別」の交互作用項です。 交互作用の項が含まれているのは、年齢が上がると男性と女性の反応が同じでなくなるという考えが存在するためです。 応答レベル「Pain=“Yes”」は、対象のイベントとしてモデル化されます。 このモデルは、JMP で選択してセットアップできます。分析 -> モデルの適合そして、以下の起動ダイアログに示されているように用語を定義します。 応答列「痛み」には公称モデリング タイプがあることに注意してください。 この指定は分析に必要です。
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.ロジスティック回帰モデルの定義。
表示された結果から、「名目ロジスティックフィット」ポップアップメニューから「確率式を保存」を選択します。 この選択により、元のデータ テーブルに新しい列が生成されます。
林[はい] – 線形予測子、または予測ロジット関数
確率[はい] – 応答が「はい」である予測確率
確率[いいえ] – 応答が「いいえ」である予測確率
最も可能性の高い痛み– 予測される反応レベル
Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.確率式を保存します。
オッズ比の取得
数式はこれらの各列に関連付けられます。 カスタマイズされたオッズ比を取得するには、比較設定を定義する新しい行をデータ テーブルに作成します。 ここでは、55 歳の男性と 65 歳の男性、および 60 歳の男性と 60 歳の女性のオッズ比を決定することに関心があります。上記の数式が評価された追加の行を確認するには、以下のデータ テーブルを参照してください。
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.カスタマイズされたオッズ比を計算するための行を追加しました。
ここで、最初のオッズ比は次のように計算されます。
OR = Exp(0.297472046-(-0.292264161)) = 1.8035
このオッズ比 1.8035 は、男性の場合、年齢が 55 歳から 65 歳に上がるにつれて、痛みのオッズが 1.8035 倍増加することを示しています。
対象となる 2 番目のオッズ比は次のように計算されます。
OR = Exp(0.0026039423-(-2.466015867)) = Exp(2.46861981) = 11.8061
このオッズ比 11.8061 は、60 歳男性の痛みのオッズが 60 歳女性の 11.8061 倍高いことを示しています。 オッズ比の詳細については、「このトピックに関する JMP 14 オンライン ドキュメント。
これらの計算は、JMP ソフトウェアを使用してロジスティック回帰モデルのカスタマイズされたオッズ比を取得する方法を示しています。 この方法は相互作用項のみに限定されません。メインエフェクトと一緒に使用できます。 したがって、JMP で指定されているデフォルトのオッズ比は、状況によっては問題ない場合があります。 多くの場合、対象のテストは手動で定義する必要があり、ここで説明する方法では常にこれらの対象のテストを取得します。
こんにちは。ご説明ありがとうございます。質問が 2 つあります。
1) 最初の例では、55 歳の男性と 65 歳の男性の痛みのオッズ比を計算しました。ここでは、1 セットのデータがあります。たとえば、バイオマーカー (連続値) と癌の兆候 (はいまたはいいえ) を含むデータセットがあり、バイオマーカーの値が同じか、カットオフ値 (COV) を下回っているか上回っている観測値が多数ある場合、COV より下または上になる観測値の線形予測結果が多数あります。この場合、上限 COV と下限 COV の値を持つ癌が存在する確率を判定する場合、COV より下または下のすべての値について予測の平均 (LinYes) を計算し、数式を適用して ODD 比を計算する必要がありますか?
2) 状態の確率を計算するためにカテゴリ変数も使用できますか。たとえば、バイオマーカー「A」を連続変数として使用し、他のバイオマーカー「b」および「C」と一緒に適合モデルを適用すると、効果の要約で、バイオマーカー A をカテゴリ変数として割り当て、COV を低くまたは高く変更すると、p 値が減少します。この基準を使用できますか。
どうもありがとう
翻訳:
常に、「カットオフ未満 / カットオフ以上」という 2 つの値を持つバイナリ変数を作成し、それをモデルに含めることができます。そうすると、実際の測定データの情報が失われます。これが、カテゴリ効果と連続効果を比較したときに p 値が異なる理由である可能性があります。
