Editverse Gratis Lommeregner
Logistisk regressionsberegner
Modellér et ja/nej-resultat ud fra en eller flere prædiktorer — med justerede odds ratioer, et skovplot og den reproducerbare R-kommando. Læs en komplet fortolkningsvejledning nedenfor. Valideret mod R 4.3.3.
Med simple ord
Logistisk regression forudsiger et binært udfald - sygdom eller ingen sygdom, overlevelse eller ej - ud fra en eller flere forklarende variabler. I stedet for at tilpasse en lige linje modellerer den log-oddsene for udfaldet, hvilket holder enhver forudsagt sandsynlighed rimeligt mellem 0 og 1.
Hver prædiktor producerer en koefficient, der, når den er eksponentificeret, bliver en justeret odds ratio : ændringen i odds for resultatet for en ændring på én enhed i den pågældende prædiktor, hvor de andre holdes faste. En odds ratio over 1 betyder, at faktoren øger oddsene; under 1 betyder, at den sænker dem. Skovplottet viser hvert odds ratio med dets konfidensinterval på et øjeblik.
Hvornår skal man bruge logistisk regression
Brug det, når resultatet er binært , og du vil estimere effekten af flere prædiktorer på én gang, og justere hver enkelt for de andre. Det er standardværktøjet til risikofaktoranalyse i kohorte- og case-control-studier, og de tilpassede sandsynligheder kan bruges til en ROC-analyse for at bedømme, hvor godt modellen diskriminerer.
Rapporter hver justeret odds ratio med dens 95% konfidensinterval i stedet for den rå koefficient, og angiv hvilke variabler der var i modellen. For et kontinuerligt resultat skal du i stedet bruge multipel lineær regression . Overhold tommelfingerreglen for begivenheder pr. variabel: cirka ti udfaldshændelser pr. prædiktor holder estimaterne stabile. Er du ikke sikker på, hvilken model der passer til dit resultat? Vores interaktive testvælger kan hjælpe.
Forventet: én række pr. post, y(0/1), x1, x2, …
Slip en CSV-fil her, eller klik for at vælge. Analyseret i din browser: intet uploades.
Forventet: én række pr. post, y(0/1), x1, x2, …
df <- read.csv(text = "y,x1 {logit_csv}") m <- glm(y ~ ., data = df, family = binomial) summary(m); exp(cbind(OR = coef(m), confint(m)))brugervejledning
Hvornår skal det bruges? Modellér et binært udfald og opnå justerede odds ratioer for hver prædiktor.
Antagelser. Resultatet er binært; log-odds er lineære i prædiktorerne; observationer er uafhængige.
Almindelige fejl. Tommelfingerregel: mindst ~10 hændelser pr. prædiktor for at undgå ustabile estimater.
Udarbejdet eksempel
Klik på Indlæs eksempeldata ovenfor, og derefter på Kør analyse for at se et fuldt udarbejdet resultat med figur, formel og fortolkning af denne test.
Referencer
- Hosmer DW, Lemeshow S, Sturdivant RX. Anvendt logistisk regression. 3. udg. 2013.
Udarbejdede eksempler
Eksempel 1 — En enkelt binær prædiktor
Modellering af 30-dages dødelighed på en rygeindikator giver en koefficient, der eksponentieler til en odds ratio på f.eks. 1.8 - rygere har 1.8 gange oddsene for udfaldet. 95%-konfidensintervallet viser, om dette estimat er præcist nok til at være overbevisende.
Eksempel 2 — Justering for konfunderende faktorer
Ved at tilføje alder og komorbiditet til modellen får man odds ratioen for rygning justeret for disse faktorer. Hvis den justerede odds ratio krymper mod 1, kan noget af den rå sammenhæng forklares af konfounderfaktorerne. Forest-plottet viser alle justerede odds ratioer samlet.
Antagelser, der skal kontrolleres
Uafhængige observationer og et binært udfald. Hver registrering er ét uafhængigt subjekt med et ja/nej-udfald. Grupperede eller gentagne data kræver en blandet model eller en GEE-model.
Linearitet i logit for kontinuerlige prædiktorer. Kontinuerlige variabler bør relatere sig lineært til log-odds; tjek med splines eller kategorisering, hvis du er i tvivl.
Nok hændelser pr. prædiktor. En almindelig retningslinje er mindst omkring ti udfaldshændelser pr. prædiktor; færre risici ustabile, overtilpassede estimater.
Almindelige fejl
Fortolkning af odds ratioer som risiko ratioer
Når udfaldet er fælles, overdriver odds ratioen den relative risiko. Vær tydelig med, at modellen rapporterer odds ratioer, ikke relative risici.
Overfitting med for mange prædiktorer
At proppe mange variabler ind i en model med få hændelser giver brede intervaller og upålidelige estimater. Respekter retningslinjen for hændelser pr. variabel.
Ignorering af modeltilpasning og diskrimination
En model kan producere odds ratioer, men alligevel passe dårligt. Rapportér kalibrering og diskrimination (for eksempel arealet under ROC-kurven ).
Rapportering af koefficienter i stedet for odds ratioer
Rå log-odds koefficienter er vanskelige at fortolke. Eksponentier dem til odds ratioer og præsenter 95% konfidensintervallet.
Ofte stillede spørgsmål
Hvad betyder en justeret odds ratio?
Det er odds ratioen for én prædiktor, mens de andre variabler i modellen holdes konstante, hvilket isolerer den pågældende prædiktors uafhængige association.
Hvor mange prædiktorer kan jeg inkludere?
Som en tommelfingerregel bør du bruge omtrent én prædiktor pr. ti udfaldshændelser for at undgå overtilpasning. Med flere prædiktorer end dataunderstøttelse bliver estimaterne ustabile.
Hvornår skal jeg i stedet bruge lineær regression?
Brug lineær regression til et kontinuerligt udfald. Logistisk regression er til binære udfald.
Stemmer resultatet overens med SPSS, R og Stata?
Ja. Lommeregneren tilpasser modellen ved hjælp af maximum likelihood ligesom glm() i R og viser den nøjagtige R-kommando, så du kan reproducere den.
Relaterede lommeregnere
Referencer
- Stoltzfus JC. Logistisk regression: en kort introduktion. Acad Emerg Med. 2011;18(10):1099–1104. PMID 21996075.
- Brand R, Keirse MJ. Brug af logistisk regression i perinatal epidemiologi: en introduktion for kliniske forskere. Del 1: grundlæggende begreber. Pædiatrisk Perinat Epidemiol. 1990;4(1):22–38. PMID 2320497.
- Hosmer DW, Lemeshow S, Sturdivant RX. Anvendt logistisk regression. 3. udg. Hoboken, NJ: Wiley; 2013.
Har du brug for at få udført denne analyse til dit manuskript?
Vores ph.d.-biostatistikere opbygger dine logistiske regressionsmodeller, rapporterer justerede odds ratioer med konfidensintervaller og leverer publikationsklare skovplots med reproducerbart R-output.