タグ付けされた質問 「relative-risk」

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 

coxmodelを近似した後、予測を行い、新しいデータの相対的なリスクを取得することができます。私が理解していないのは、個人の相対リスクがどのように計算され、それが何に関連するのか（つまり、人口の平均）ですか？理解を助けるためのリソースに関する推奨事項（サバイバル分析はあまり進歩していないので、単純であるほど良いですか？）

17 predictive-models  relative-risk  cox-model 

先日、疫学者と相談しました。彼女は疫学の公衆衛生学の学位を持つMDであり、統計に精通しています。彼女は研究フェローと居住者を指導し、統計上の問題について支援します。彼女は仮説検定をよく理解しています。彼女は、うっ血性心不全（CHF）の発症に関連するリスクに違いがあるかどうかを確認するために、2つのグループを比較するという典型的な問題を抱えていました。彼女は、CHFを獲得した被験者の割合の平均差をテストしました。p値は0.08でした。その後、彼女は相対リスクを調べることにし、p値0.027を得ました。そこで彼女は、なぜ一方が重要で、もう一方が重要でないのかと尋ねました。差と比率の95％の両側信頼区間を見ると、平均差間隔には0が含まれていたが、比率の信頼限界の上限は1未満であることがわかりました。技術的には正しいが、私の答えはあまり満足のいくものではなかった。「これらは異なる統計であり、異なる結果をもたらす可能性があります。p値はどちらもわずかに有意な領域にあります。これは簡単に起こります。」相対リスクと絶対リスクのテストの違いを理解するのを助けるために、医師に素人の言葉でこれに答えるより良い方法がなければならないと思います。エピスタディでは、両方のグループの発生率が非常に小さく、サンプルサイズがそれほど大きくないまれなイベントをよく見ているため、この問題が頻繁に発生します。私はこれについて少し考えてきましたが、いくつかのアイデアを共有します。しかし、最初に私はあなたの何人かがこれをどのように扱うか聞きたいです。皆さんの多くが医療分野で働いたり相談したりしており、おそらくこの問題に直面していることを知っています。あなたならどうしますか？

12 relative-risk  absolute-risk  rare-events 

注：法的な理由で以前の質問を削除する必要があったため、この質問は再投稿です。 SASのPROC MIXED をR lmeのnlmeパッケージの関数と比較していると、やや紛らわしい違いを見つけました。より具体的には、異なるテストの自由度はとの間PROC MIXEDで異なり、lmeなぜだろうと思いました。 次のデータセットから開始します（以下のRコード）。 ind：測定が行われる個人を示す因子 fac：測定が行われる臓器 trt：治療を示す因子 y：連続応答変数 アイデアは、次の単純なモデルを構築することです： y ~ trt + (ind)：indランダムな要因として y ~ trt + (fac(ind))：facにネストされたindランダムな要因として、 最後のモデルでは特異性が生じることに注意してください。とのyすべての組み合わせに対しての値は1つだけです。indfac 最初のモデル SASでは、次のモデルを作成します。 PROC MIXED data=Data; CLASS ind fac trt; MODEL y = trt /s; RANDOM ind /s; run; チュートリアルによると、使用しているRの同じモデルnlmeは次のようになります。 > require(nlme) > options(contrasts=c(factor="contr.SAS",ordered="contr.poly")) > m2<-lme(y~trt,random=~1|ind,data=Data) 両方のモデルは、係数とそのSEに対して同じ推定値を与えますがtrt、の効果に対してF検定を実行する場合、異なる自由度を使用します。 SAS …

12 r  mixed-model  sas  degrees-of-freedom  pdf  unbiased-estimator  distance-functions  functional-data-analysis  hellinger  time-series  outliers  c++  relative-risk  absolute-risk  rare-events  regression  t-test  multiple-regression  survival  teaching  multiple-regression  regression  self-study  t-distribution  machine-learning  recommender-system  self-study  binomial  standard-deviation  data-visualization  r  predictive-models  pearson-r  spearman-rho  r  regression  modeling  r  categorical-data  data-visualization  ggplot2  many-categories  machine-learning  cross-validation  weka  microarray  variance  sampling  monte-carlo  regression  cross-validation  model-selection  feature-selection  elastic-net  distance-functions  information-theory  r  regression  mixed-model  random-effects-model  fixed-effects-model  dataset  data-mining 

ロジスティック回帰を使用して調整オッズ比を推定する方法に類似した、調整リスク比の推定に興味があります。一部の文献（例：this）は、Huber-White標準誤差でポアソン回帰を使用することが、これを行うためのモデルベースの方法であることを示しています 連続共変量の調整がこれにどのように影響するかについては、文献を見つけていません。次の簡単なシミュレーションは、この問題がそれほど単純ではないことを示しています。 arr <- function(BLR,RR,p,n,nr,ce) { B = rep(0,nr) for(i in 1:nr){ b <- runif(n)<p x <- rnorm(n) pr <- exp( log(BLR) + log(RR)*b + ce*x) y <- runif(n)<pr model <- glm(y ~ b + x, family=poisson) B[i] <- coef(model)[2] } return( mean( exp(B), na.rm=TRUE ) ) } set.seed(1234) arr(.3, …

9 r  references  biostatistics  poisson-regression  relative-risk 

私はメタ分析とメタ回帰手法（metaforViechtbauer のRパッケージを使用）に精通していますが、最近、簡単に解決できない問題に遭遇しました。母親から胎児へと進行する可能性のある病気があり、それはすでに何度も研究されているとしましょう。母子は出生直後にウイルスの検査を受けた。胎児は母親以外からウイルスを取得する可能性があるため、次のようなクロス集計を期待します。 | neg kid | pos kid mother neg | A | C=0 -----------|---------|-------- mother pos | B | D 明らかにオッズ比（OR）を使用すると、0で除算されるのでエラーが発生します。相対リスクについても同じです。 A/(A+B)0/(0+D)A/(A+B)0/(0+D)\frac{A/(A+B)}{0/(0+D)} 今、研究者たちは、子供の感染が母親の感染に関連しているかどうかの（無意味な）仮説を検証したいと考えています（非常に明白なようです）。私は仮説を再定式化して、意味のある何かを考え出そうとしていますが、実際には何かを見つけることができません。 物事を複雑にするために、ネガティブな母親を持つ一部の子供たちは、おそらく最初の週の感染のために、ポジティブです。したがって、私はC = 0の研究をいくつかしか持っていません。 このようなパターンに従って、さまざまな研究のデータを統計的に要約する方法に関するアイデアは誰でも知っています。科学論文へのリンクも大歓迎です。

9 meta-analysis  odds-ratio  relative-risk 

質問として、オッズ比(p1/q1)/(p2/q2)から相対リスクへの変換は(p1/(p1+q1))/(p2/(p2+q2))かなり簡単にできるので、これを行う前に注意する必要があることはあるのでしょうか。 ケースコントロール研究をしている場合、この種の研究からの相対的なリスクがわからないため、変換を行うべきではないことは明らかですが、他に考慮すべきことはありますか？ ありがとう。

9 epidemiology  relative-risk  odds 

バイナリ固定因子予測子が1つだけのバイナリロジスティック回帰があります。私がカイ二乗法またはフィッシャーの正確確率検定としてそれを行わない理由は、ランダムな要因もいくつかあるためです（個人ごとに複数のデータポイントがあり、個人はグループに属していますが、係数や有意性は気にしません）これらの確率変数の場合）。R glmerでこれを行います。 予測因子の係数と関連する信頼区間をオッズ比ではなくリスク比として表現できるようにしたいと思います。これは（おそらくあなたではなく私の聴衆にとって）リスク比がはるかに理解しやすいためです。ここでのリスク比は、予測子が0ではなく1の場合に、結果が0ではなく1になる確率の相対的な増加です。 オッズ比は、exp（）を使用して係数と関連するCIから取得するのは簡単です。オッズ比をリスク比に変換するには、「RR = OR /（1 – p +（px OR））を使用できます。ここで、pはコントロールグループのリスクです」（出典：http：//www.r- bloggers.com/how-to-convert-odds-ratios-to-relative-risks/）。しかし、コントロールグループのリスクが必要です。これは、私の場合、予測子が0の場合に結果が1になる可能性を意味します。モデルの切片係数は、実際にはこのチャンスのオッズであると考えているので、これを取得するには、prob = odds /（odds + 1）を使用します。リスク比率の中心的な見積もりが行く限り、私はこれについてはかなり遠いところにいます。ただし、切片係数にも独自のCIが関連付けられているため、心配なのは関連する信頼区間です。切片の中央推定値を使用する必要がありますか、それとも保守的であるために、切片CIの制限を使用して相対リスクCIを最も広くする必要がありますか？それとも私は間違った木を完全に吠えていますか？

8 r  logistic  generalized-linear-model  odds-ratio  relative-risk