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.Los odds ratios en un modelo de regresión logística se utilizan para interpretar el efecto de los factores incluidos en el modelo.
Los modelos de regresión logística se utilizan ampliamente en la industria y el mundo académico. Son apropiados cuando se intenta modelar una respuesta binaria (Sí/No, Vivir/Morir, Bueno/Malo...) o una respuesta ordinal donde el orden de los niveles es importante (Bueno/Mejor/Óptimo, Leve/Moderado/Severo, etc.) Los odds ratios en estos modelos se utilizan para interpretar el efecto de los factores incluidos en el modelo.
Los odds ratios para los términos de interacción son más difíciles de calcular e interpretar debido a las propiedades del odds ratio. Con un término de interacción, no existe una única razón de probabilidades. Para obtener un odds ratio para uno de los principales efectos involucrados en la interacción, debe definir un nivel fijo del otro efecto. Es decir, si desea un odds ratio para un efecto A, cuando el término de interacción A*B se incluye en el modelo, debe fijar el nivel de B para calcular el odds ratio deseado.
Análisis en JMP no son diferentes. Para demostrarlo, veamos un ejemplo. Los datos (simulados) que se muestran a continuación se recopilaron de 100 personas, midiendo su sexo, edad y si habían experimentado dolor lumbar en los seis meses anteriores.
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.Visualización parcial de los datos recogidos.
Ajuste del modelo
En este ejemplo simple, se puede ajustar un modelo de regresión logística con "Dolor" como variable de respuesta, y los efectos incluidos en el modelo son "Edad", "Género" y el término de interacción "Edad" por "Género". Se incluye el término interacción porque existe la creencia de que a medida que aumenta la edad, hombres y mujeres no responden igual. El nivel de respuesta Pain=”Yes” se modelará como el evento de interés. Este modelo se puede configurar en JMP seleccionando Analizar—>Ajustar modelo y definir los términos como se muestra en el cuadro de diálogo de inicio a continuación. Tenga en cuenta que la columna de respuesta "Dolor" tiene un tipo de modelado nominal. Esta designación es necesaria para el análisis.
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.Definición del modelo de Regresión Logística.
De los resultados mostrados, seleccione "Guardar fórmula de probabilidad" en el menú emergente Ajuste logístico nominal. Esta selección generará nuevas columnas en la tabla de datos original:
Lin[Sí] – El predictor lineal o la función logit predicha
Problema[Sí] – La probabilidad prevista de que la respuesta sea “Sí”
Problema[No] – La probabilidad prevista de que la respuesta sea “No”
Dolor más probable – El nivel previsto de la respuesta.
Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Guardar la fórmula de probabilidad.
Obtención de los odds ratios
Las fórmulas se asociarán con cada una de estas columnas. Para obtener odds ratios personalizados, cree nuevas filas en la tabla de datos que definan la configuración de comparación. En este caso, existe interés en determinar el odds ratio de hombres de 55 años frente a hombres de 65 años, y de hombres de 60 años frente a mujeres de 60 años.Consulte la tabla de datos a continuación para ver las filas adicionales con las fórmulas descritas anteriormente evaluadas.
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.Se agregaron filas para calcular los índices de probabilidades personalizados.
Ahora, el primer odds ratio se calcula como:
O = Exp(0,297472046-(-0,292264161)) = 1,8035
Este odds ratio de 1,8035 indica que las probabilidades de dolor aumentan en un factor de 1,8035 para los hombres a medida que la edad aumenta de 55 a 65 años.
La segunda razón de probabilidades de interés se calcula como:
O = Exp(0,0026039423-(-2,466015867)) = Exp(2,46861981) = 11,8061
Este odds ratio de 11,8061 indica que las probabilidades de dolor para los hombres de 60 años son 11,8061 veces mayores que para las mujeres de 60 años. Para obtener una descripción más detallada de los odds ratios, consulte la Documentación en línea de JMP 14 sobre este tema .
Estos cálculos demuestran un método para obtener odds ratios personalizados para modelos de regresión logística utilizando el software JMP. Este método no se limita únicamente a términos de interacción; se puede utilizar con efectos principales. Por lo tanto, los odds ratios predeterminados proporcionados en JMP pueden estar bien en algunas situaciones. En muchos casos, las pruebas de interés deben definirse manualmente y el método descrito aquí siempre obtendrá estas pruebas de interés.
Hola, gracias por tu explicación. Tengo dos preguntas:
1) En el primer ejemplo, calculaste la proporción impar de sufrir dolor en un hombre de 55 años frente a un hombre de 65. Aquí tienes un único conjunto de datos. Si tengo, por ejemplo, un conjunto de datos con un biomarcador (valor continuo) y manifestación de cáncer (sí o no), pero tengo muchas observaciones con el mismo valor para el biomarcador o están por debajo o por encima de un valor de corte (COV). Tendré muchos resultados de predicción lineal de mis observaciones que estarán por debajo o por encima del COV. En este caso, si quiero determinar la probabilidad de presentar cáncer con un valor de COV superior versus inferior de COV, debo calcular el promedio de predicción (LinYes) para todos los valores inferiores e inferiores a COV y calcular la relación ODD aplicando el ¿fórmula?
2) ¿Puedo utilizar también variables categóricas para calcular la probabilidad de una condición? Por ejemplo. cuando uso el biomarcador "A" como variable continua, junto con otros biomarcadores "b" y "C" y aplico un modelo Fit, en el resumen de efectos, el valor p disminuye si cambio el biomarcador A como variable categórica asignada como menor o mayor el COV. ¿Puedo utilizar este criterio?
Muchas gracias
@Kfuenzal
Siempre puedes crear una variable binaria con dos valores: "por debajo del límite/por encima del límite" e incluirla en el modelo. Al hacerlo, se pierde información de los datos medidos reales. Esa podría ser la razón por la que los valores p difieren cuando se analizan los efectos categóricos frente a los efectos continuos.
