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.로지스틱 회귀 모델의 승산비는 모델에 포함된 요인의 효과를 해석하는 데 사용됩니다.
로지스틱 회귀 모델은 산업계와 학계 전반에 걸쳐 널리 사용됩니다. 이는 이항 응답(예/아니요, 라이브/죽음, 좋음/나쁨...) 또는 수준 순서가 중요한 순서형 응답(좋음/더 좋음/최고, 약함/보통/심함, 등) 이러한 모델의 승산비는 모델에 포함된 요인의 효과를 해석하는 데 사용됩니다.
상호 작용 항에 대한 승산비는 승산비의 속성으로 인해 계산하고 해석하기가 더 어렵습니다. 상호 작용 항에는 단일 승산비가 없습니다. 상호 작용과 관련된 주 효과 중 하나에 대한 승산비를 얻으려면 다른 효과의 고정 수준을 정의해야 합니다. 즉, 효과 A에 대한 승산비를 원하는 경우 상호작용 항 A*B가 모델에 포함될 때 B의 수준을 고정하여 원하는 승산비를 계산해야 합니다.
분석 JMP 다르지 않습니다. 설명하기 위해 예를 살펴보겠습니다. 아래에 표시된 (시뮬레이션) 데이터는 100명의 개인으로부터 수집되었으며 성별, 연령 및 지난 6개월 동안 요통을 경험했는지 여부를 측정했습니다.
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.수집된 데이터의 부분 표시.
모델 피팅
이 간단한 예에서 로지스틱 회귀 모델은 "통증"을 반응 변수로 사용하여 적합할 수 있으며 모델에 포함된 효과는 "연령", "성별" 및 "성별" 상호 작용 항에 의한 "연령"입니다. 연령이 증가함에 따라 남성과 여성이 동일하게 반응하지 않는다는 믿음이 존재하기 때문에 상호작용 항이 포함되었습니다. 응답 수준 Pain=”Yes”가 관심 이벤트로 모델링됩니다. 이 모델은 다음을 선택하여 JMP에서 설정할 수 있습니다. 분석 -> 적합 모델 아래 실행 대화 상자에 표시된 대로 용어를 정의합니다. 응답 열 "고통"에는 명목형 모델링 유형이 있습니다. 이 지정은 분석에 필요합니다.
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.로지스틱 회귀 모델 정의.
표시된 결과의 명목형 로지스틱 적합 팝업 메뉴에서 "확률 공식 저장"을 선택하십시오. 이렇게 선택하면 원본 데이터 테이블에 새 열이 생성됩니다.
린[예] – 선형 예측 변수 또는 예측 로짓 함수
문제[예] – 응답이 “예”일 것으로 예상되는 확률
문제[아니요] – 응답이 "아니요"일 것으로 예상되는 확률
가장 가능성이 높은 통증 – 예상되는 응답 수준
Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.확률 공식을 저장합니다.
승산비 구하기
수식은 이러한 각 열과 연결됩니다. 맞춤형 승산비를 얻으려면 비교 설정을 정의하는 데이터 테이블에 새 행을 만듭니다. 여기서는 55세 남성과 65세 남성, 60세 남성과 60세 여성의 교차비를 결정하는 데 관심이 있습니다.위에 설명된 수식이 평가된 추가 행을 보려면 아래 데이터 표를 참조하세요.
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.맞춤형 승산비를 계산하기 위해 행을 추가했습니다.
이제 첫 번째 승산비는 다음과 같이 계산됩니다.
OR = Exp(0.297472046-(-0.292264161)) = 1.8035
이 승산비는 1.8035로 남성의 경우 연령이 55세에서 65세로 증가함에 따라 통증 확률이 1.8035배 증가한다는 것을 나타냅니다.
두 번째 관심 승산비는 다음과 같이 계산됩니다.
OR = Exp(0.0026039423-(-2.466015867)) = Exp(2.46861981) = 11.8061
이 승산비 11.8061은 60세 남성의 통증 확률이 60세 여성의 통증 확률보다 11.8061배 높다는 것을 나타냅니다. 승산비에 대한 자세한 설명을 보려면 다음을 검토하세요. 이 주제에 대한 JMP 14 온라인 문서 .
이러한 계산은 JMP 소프트웨어를 사용하여 로지스틱 회귀 모델에 대한 맞춤형 승산비를 얻는 방법을 보여줍니다. 이 방법은 상호작용 용어에만 국한되지 않습니다. 주요 효과와 함께 사용할 수 있습니다. 따라서 JMP에 제공된 기본 승산비는 어떤 상황에서는 괜찮을 수도 있습니다. 대부분의 경우 관심 있는 테스트를 직접 정의해야 하며 여기에 설명된 방법을 사용하면 항상 관심 있는 테스트를 얻을 수 있습니다.
안녕하세요, 설명해 주셔서 감사합니다. 두 가지 질문이 있습니다.
1) 첫 번째 예에서는 55세 남성과 65세 남성이 겪는 고통의 홀수비를 계산했습니다. 여기에는 단일 데이터 세트가 있습니다. 예를 들어 바이오마커(연속 값) 및 암 발현(예 또는 아님)이 포함된 데이터세트가 있지만 I 바이오마커에 대해 동일한 값을 갖는 많은 관찰값이 있거나 컷오프 값(COV)보다 낮거나 높은 경우 I COV 미만 또는 상위에 해당하는 내 관찰에 대한 선형 예측 결과가 많이 있을 것입니다. 이 경우 COV가 높거나 낮을 때 암이 나타날 확률을 결정하려면 COV 미만 및 미만의 모든 값에 대한 예측 평균(LinYes)을 계산하고 다음을 적용하여 ODD 비율을 계산해야 합니다. 공식?
2) 조건의 확률을 계산하기 위해 범주형 변수도 사용할 수 있습니까? 예를 들어. 바이오마커 "A"를 다른 바이오마커 "b" 및 "C"와 함께 연속 변수로 사용하고 Fit 모델을 적용하면 효과 요약에서 바이오마커 A를 할당된 범주형 변수로 변경하면 p 값이 감소합니다. COV가 낮거나 높을수록. 이 기준을 사용할 수 있나요?
매우 감사합니다
@쿠푸엔잘
언제든지 "컷오프 이하/컷오프 이상"이라는 두 가지 값을 사용하여 이진 변수를 생성하고 이를 모델에 포함할 수 있습니다. 그렇게 하면 실제 측정된 데이터의 정보가 손실됩니다. 이는 범주형 효과와 연속 효과를 볼 때 p-값이 다른 이유일 수 있습니다.
