タグ付けされた質問 「odds-ratio」

簡単な要約 ポアソン回帰（相対リスク）に対して、ロジスティック回帰（オッズ比）がバイナリ結果のコホート研究で使用されるのはなぜ一般的ですか？ バックグラウンド 私の経験では、学部生および大学院生の統計学および疫学コースは、一般に、リスク推定値をオッズ比として報告するバイナリ結果のデータのモデリングにロジスティック回帰を使用する必要があることを教えています。 ただし、ポアソン回帰（および関連：準ポアソン、負の二項分布など）を使用して、バイナリ結果のデータをモデル化することもでき、適切な方法（堅牢なサンドイッチ分散推定量など）を使用して、有効なリスク推定値と信頼レベルを提供します。例えば、 Greenland S.、一般的な結果の研究および症例対照研究における相対リスクおよび他の疫学的測定のモデルベースの推定、Am J Epidemiol。2004 8月15日; 160（4）：301-5。 Zou G.、バイナリデータを使用した前向き研究への修正ポアソン回帰アプローチ、Am J Epidemiol。2004 4月1日; 159（7）：702-6。 Zou GYおよびDonner A.、相関バイナリデータを使用したプロスペクティブ研究への修正ポアソン回帰モデルの拡張、Stat Methods Med Res。2011 11月8日。 ポアソン回帰から、相対リスクを報告することができます。これは、特に頻繁な結果、特に統計に強いバックグラウンドを持たない個人にとって、オッズ比と比較して解釈しやすいと主張する人もいます。Zhang J.とYu KF、相対的なリスクは？一般的な結果のコホート研究におけるオッズ比を修正する方法、JAMA。1998年11月18日; 280（19）：1690-1。 医学文献を読むと、二値アウトカムのコホート研究の中で、ポアソン回帰の相対リスクよりもロジスティック回帰のオッズ比を報告するのがはるかに一般的であると思われます。 ご質問 バイナリ結果のコホート研究の場合： ポアソン回帰の相対リスクではなく、ロジスティック回帰のオッズ比を報告する正当な理由はありますか？ そうでない場合、医学文献の相対リスクを伴うポアソン回帰の頻度は、主に科学者、臨床医、統計学者、および疫学者の間の方法論と実践の間の遅れに起因する可能性がありますか？ 中間統計と疫学のコースには、バイナリ結果のポアソン回帰の詳細な議論を含めるべきですか？ 学生や同僚に、適切な場合にロジスティック回帰よりもポアソン回帰を考慮するように勧めるべきですか？

42 logistic  poisson-distribution  epidemiology  odds-ratio  relative-risk 

でロジスティック回帰分析を試みていRます。STATAを使用してこの資料をカバーするコースに参加しました。で機能を複製するのは非常に難しいと感じていますR。この分野で成熟していますか？ドキュメントやガイダンスはほとんど入手できないようです。オッズ比出力を生成すると、インストールを必要とするように思わepicalc及び/またはepitools私は仕事に行くことができますいずれも、および/または他の人を、古いまたはマニュアルに欠けています。glmロジスティック回帰を使用してきました。どんな提案も歓迎します。 これを本当の質問にした方がいいです。ロジスティック回帰を実行してオッズ比を生成するにはどうすればよいRですか？ 単変量解析のために私がやったことは次のとおりです。 x = glm(Outcome ~ Age, family=binomial(link="logit")) 多変量の場合： y = glm(Outcome ~ Age + B + C, family=binomial(link="logit")) 私は、見てきましたx、y、summary(x)とsummary(y)。 x$coefficients価値はありますか？

40 r  logistic  odds-ratio 

治療を受けた後、結果変数が治癒するロジスティック回帰を構築しました（Curevs. No Cure）。この研究のすべての患者は治療を受けました。糖尿病にかかっていることがこの結果に関連しているかどうかを確認したいです。 Rでは、ロジスティック回帰の出力は次のようになります。 Call: glm(formula = Cure ~ Diabetes, family = binomial(link = "logit"), data = All_patients) ... Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 1.2735 0.1306 9.749 <2e-16 *** Diabetes -0.5597 0.2813 -1.990 0.0466 * ... Null deviance: 456.55 on 415 degrees of freedom Residual deviance: 452.75 …

37 r  hypothesis-testing  logistic  generalized-linear-model  odds-ratio 

私はロジスティック回帰を使用するのはやや新しいですが、次の値の解釈が同じだと思ったのに矛盾があるため、少し混乱しています。 指数化されたベータ値 ベータ値を使用した結果の予測確率。 これは私が使用しているモデルの簡易版です。栄養不足と保険は両方ともバイナリであり、富は連続しています。 Under.Nutrition ~ insurance + wealth 私の（実際の）モデルは、保険のために.8の指数化されたベータ値を返します。 「被保険者の栄養不足の確率は、保険のない個人の栄養不足の確率の0.8倍です。」 ただし、0と1の値を保険変数と富の平均値に入れることで個人の確率の差を計算すると、栄養不足の差はわずか.04です。次のように計算されます。 Probability Undernourished = exp(β0 + β1*Insurance + β2*Wealth) / (1+exp(β0 + β1*Insurance + β2*wealth)) これらの値が異なる理由と、（特に2番目の値について）より良い解釈が何かを誰かが説明できれば、本当に感謝しています。 さらなる明確化の編集 私が理解するように、無保険の人（B1は保険に相当する）の栄養不足の可能性は次のとおりです。 Prob(Unins) = exp(β0 + β1*0 + β2*Wealth) / (1+exp(β0 + β1*0+ β2*wealth)) 被保険者の栄養不足の可能性は次のとおりです。 Prob(Ins)= exp(β0 + β1*1 + β2*Wealth) / (1+exp(β0 …

29 regression  logistic  interpretation  prediction  odds-ratio 

私は論文でロジスティック回帰の使用を理解しようとして苦労してきました。ここで利用可能な論文は、白内障手術中の合併症の確率を予測するためにロジスティック回帰を使用しています。 私を混乱させているのは、以下のように説明されているベースラインにオッズ比1を割り当てるモデルを示していることです。 リスクプロファイルがすべてのリスクインジケータの参照グループに含まれていた患者（つまり、表1のすべてについて調整されたOR = 1.00）は、「ベースラインリスクプロファイル」を持っていると見なされ、ロジスティック回帰モデルは「ベースライン予測確率」を示しますPCRまたはVLまたは両方= 0.736％の場合。 そのため、0.00736の確率は1のオッズ比で表されます。確率からオッズ比への変換に基づいて：、これは1： 。 0.00741=0.00736o=p1−po=p1−po=\frac{p}{1-p}0.00741=0.007361−0.007360.00741=0.007361−0.007360.00741=\frac{0.00736}{1-0.00736} さらに複雑になります。ベースラインとは異なる値を持つ複数の共変量を表す複合オッズ比を使用して、予測リスクを計算します。 ...表1の合成ORは1.28 X 1.58 X 2.99 X 2.46 X 1.45 X 1.60 = 34.5であり、図1のグラフから、このORはPCRまたはVLまたはその両方の予測確率に対応することがわかります約20％ 論文が例として示している値に到達する唯一の方法は、ベースラインの確率に次のような複合オッズを掛けることです： 。0.2025=(34.50 × 0.00736)1 + (34.50 × 0.00736)0.2025=(34.50 × 0.00736)1 + (34.50 × 0.00736)0.2025=\frac{(34.50\ \times\ 0.00736)}{1\ +\ (34.50\ \times\ 0.00736)} ここで何が起こっているのでしょうか？0.5ではないベースライン確率にオッズ比1を割り当てるためのロジックは何ですか？私が上で思いついた更新式は、論文の例にふさわしい確率を考え出しますが、これは私が期待するオッズ比の直接的な乗算ではありません。それは何ですか？

20 logistic  odds-ratio 

バイナリの結果変数{0,1}と予測変数{0,1}があります。私の考えでは、他の変数を含めてオッズ比を計算しない限り、ロジスティックを行うのは理にかなっていません。 1つのバイナリ予測子では、確率の計算はオッズ比に対して十分ではないでしょうか？

18 r  regression  probability  logistic  odds-ratio 

我々は序数応答があるとy:{Bad, Neutral, Good}→{1,2,3}y:{Bad, Neutral, Good}→{1,2,3}y:\{\text{Bad, Neutral, Good}\} \rightarrow \{1,2,3\}と変数の集合X:=[x1,x2,x3]X:=[x1,x2,x3]X:=[x_1,x_2,x_3]我々は考えることを説明するyyy。次に、y（応答）に対してXXX（設計行列）の順序付きロジスティック回帰を行います。yyy 推定係数と仮定x1x1x_1、それが呼び出しβ 1である、順序付けられたロジスティック回帰に- 0.5。e - 0.5 = 0.607のオッズ比（OR）をどのように解釈しますか？β^1β^1\hat{\beta}_1−0.5−0.5-0.5e−0.5=0.607e−0.5=0.607e^{-0.5} = 0.607 私が1つの単位増加のために」と言うか、paribusをceteris、観察のオッズ良いがある0.607観察の倍のオッズ悪い∪ ニュートラルを、とで同じ変更のためのx 1、観察のオッズ中性∪ 良いがある0.607 Badを観察する確率は？x1x1x_1GoodGood\text{Good}0.6070.6070.607Bad∪NeutralBad∪Neutral\text{Bad}\cup \text{Neutral}x1x1x_1Neutral∪GoodNeutral∪Good\text{Neutral} \cup \text{Good}0.6070.6070.607BadBad\text{Bad} 私は教科書やグーグルで負の係数の解釈の例を見つけることができません。

17 logit  odds-ratio  ordered-logit 

caretR のパッケージを介して勾配ブースティングマシンアルゴリズムを試しています。 小さな大学入学データセットを使用して、次のコードを実行しました。 library(caret) ### Load admissions dataset. ### mydata <- read.csv("http://www.ats.ucla.edu/stat/data/binary.csv") ### Create yes/no levels for admission. ### mydata$admit_factor[mydata$admit==0] <- "no" mydata$admit_factor[mydata$admit==1] <- "yes" ### Gradient boosting machine algorithm. ### set.seed(123) fitControl <- trainControl(method = 'cv', number = 5, summaryFunction=defaultSummary) grid <- expand.grid(n.trees = seq(5000,1000000,5000), interaction.depth = 2, shrinkage …

15 machine-learning  caret  boosting  gbm  hypothesis-testing  t-test  panel-data  psychometrics  intraclass-correlation  generalized-linear-model  categorical-data  binomial  model  intercept  causality  cross-correlation  distributions  ranks  p-value  z-test  sign-test  time-series  references  terminology  cross-correlation  definition  probability  distributions  beta-distribution  inverse-gamma  missing-data  paired-comparisons  paired-data  clustered-standard-errors  cluster-sample  time-series  arima  logistic  binary-data  odds-ratio  medicine  hypothesis-testing  wilcoxon-mann-whitney  unsupervised-learning  hierarchical-clustering  neural-networks  train  clustering  k-means  regression  ordinal-data  change-scores  machine-learning  experiment-design  roc  precision-recall  auc  stata  multilevel-analysis  regression  fitting  nonlinear  jmp  r  data-visualization  gam  gamm4  r  lme4-nlme  many-categories  regression  causality  instrumental-variables  endogeneity  controlling-for-a-variable 

95％CI（信頼区間）で「OR」を示す記事がたくさんあります。 記事から、観測されたORのP値を推定したい。そのためには、OR分布に関する仮定が必要です。どのディストリビューションを安全に想定/使用できますか？

13 distributions  odds-ratio 

次の例では > m = matrix(c(3, 6, 5, 6), nrow=2) > m [,1] [,2] [1,] 3 5 [2,] 6 6 > (OR = (3/6)/(5/6)) #1 [1] 0.6 > fisher.test(m) #2 Fisher's Exact Test for Count Data data: m p-value = 0.6699 alternative hypothesis: true odds ratio is not equal to 1 …

13 r  odds-ratio  fishers-exact 

最近の論文でノートンら。（2018）は[ 1 ][1]^{[1]} オッズ比の推定値をもたらす統計モデルの説明変数が異なる場合、各モデルには異なる任意のスケーリング係数があるため、同じスタディの異なるオッズ比は比較できません。異なるサンプルと異なるモデル仕様には異なる任意のスケーリング係数があるため、ある研究のオッズ比の大きさを別の研究のオッズ比の大きさと比較することもできません。さらに、複数の研究における特定の関連性のオッズ比の大きさをメタ分析で合成することはできません。 小さなシミュレーションがこれを示しています（Rコードは質問の下部にあります）。真のモデルは次のようになります： さらに、上記のモデルによって生成された同じデータが、ロジスティック回帰を使用して4人の異なる研究者によって分析されることを想像してください。研究者1には共変量としてのみが含まれ、研究者2にはと両方が含まれます。4人の研究者ののオッズ比の平均シミュレーション推定値は次のとおりです。l o g i t（ y私）= 1 + ログ（2 ）x1 i+ ログ（2.5 ）x2 i+ ログ（3 ）x3 i+ 0 x4 ilog私t（y私）=1+ログ⁡（2）バツ1私+ログ⁡（2.5）バツ2私+ログ⁡（3）バツ3私+0バツ4私 \mathrm{logit}(y_{i})=1 + \log(2)x_{1i} + \log(2.5)x_{2i} + \log(3)x_{3i} + 0x_{4i} バツ1バツ1x_{1}バツ1バツ1x_{1}バツ2バツ2x_{2}バツ1バツ1x_{1} res_1 res_2 res_3 res_4 1.679768 1.776200 2.002157 2.004077 研究者3と4だけが約正しいオッズ比を得るのに対して、研究者1と2はそうではないことは明らかです。これは線形回帰では発生せず、同様のシミュレーションで簡単に表示できます（ここでは示していません）。この問題はよく知られているように思えますが、この結果は私にとって非常に驚くべきものだったことを告白しなければなりません。ヘルナンら。（2011）は、これをバイアスではなく「数学的な奇妙」と呼んでいます。222[ 2 ][2]^{[2]}[ 3 ][3]^{[3]} 私の質問： オッズ比が基本的に研究およびモデル間で比較できない場合、バイナリの結果について異なる研究の結果をどのように組み合わせることができますか？ …

12 r  logistic  meta-analysis  odds-ratio  adjustment 

ロジスティック回帰で得られた係数からオッズ比の95％信頼区間を構築する方法を研究しています。したがって、ロジスティック回帰モデルを検討すると、 log(p1−p)=α+βxlog⁡(p1−p)=α+βx \log\left(\frac{p}{1 - p}\right) = \alpha + \beta x \newcommand{\var}{\rm Var} \newcommand{\se}{\rm SE} 制御グループではx = 0、ケースグループではx = 1などです。x=0x=0x = 0x=1x=1x = 1 \ betaの 95％CIを構築するのが最も簡単な方法であることをすでに読んだのでββ\beta、指数関数を適用しました。つまり、 β^±1.96×SE(β^)→exp{β^±1.96×SE(β^)}β^±1.96×SE(β^)→exp⁡{β^±1.96×SE(β^)} \hat{\beta} \pm 1.96\times \se(\hat{\beta}) \rightarrow \exp\{\hat{\beta} \pm 1.96\times \se(\hat{\beta})\} 私の質問は： この手順を正当化する理論的な理由は何ですか？\ mbox {odds ratio} = \ exp \ {\ beta \}を知ってodds ratio=exp{β}odds ratio=exp⁡{β}\mbox{odds …

12 logistic  confidence-interval  odds-ratio  delta-method 

私が理解しているように、ロジスティック回帰からの指数ベータ値は、目的の従属変数に対するその変数のオッズ比です。ただし、値は手動で計算されたオッズ比と一致しません。私のモデルは、他の指標の中でもとりわけ、保険を使用して発育不全（栄養失調の尺度）を予測しています。 // Odds ratio from LR, being done in stata logit stunting insurance age ... etc. or_insurance = exp(beta_value_insurance) // Odds ratio, manually calculated odds_stunted_insured = num_stunted_ins/num_not_stunted_ins odds_stunted_unins = num_stunted_unins/num_not_stunted_unins odds_ratio = odds_stunted_ins/odds_stunted_unins これらの値が異なる理由は何ですか？回帰の他の要素を制御していますか？違いを説明できるようにしたいだけです。

10 regression  logistic  interpretation  odds-ratio 

ロジスティック回帰では、オッズ比2は、予測子が1ユニット増加した場合に、イベントの確率が2倍高いことを意味します。Cox回帰では、ハザード比2は、予測子が1ユニット増加すると、各時点でイベントが2倍の頻度で発生することを意味します。これらは実質的に同じものではありませんか？ ロジスティック回帰のオッズ比から機能的に同じ情報を取得できる場合、Cox回帰を行ってハザード比を取得する利点は何でしょうか。

10 logistic  cox-model  odds-ratio  hazard 

ここのコメントで、@ gungは書きました、 私はそれらが少し（おそらく〜25％）オーバーラップする可能性があり、5％レベルでも重要であると信じています。表示される95％のCIは個々のORに関するものですが、2つのORのテストはそれらの違いに関するものであることを覚えておいてください。ただし、まったくオーバーラップしない場合、それらは明らかに大きく異なります。95％のCIが他のORポイントの推定値とオーバーラップする場合、それらは確実にオーバーラップしません。 上記の声明を引用している人はいますか？レビュー担当者は、2つのオッズ比が互いに大幅に異なるかどうかを計算してほしいと考えています。

9 logistic  confidence-interval  odds-ratio  references