Editverse無料計算機
ロジスティック回帰計算機
1つ以上の予測変数から、はい/いいえの結果をモデル化します。調整オッズ比、フォレストプロット、再現可能なRコマンドが含まれています。詳細な解釈ガイドは以下をご覧ください。R 4.3.3で検証済みです。
簡単な言葉で言うと
ロジスティック回帰は、 1つ以上の説明変数から、病気の有無、生存の有無といった二値的な結果を予測します。直線を当てはめる代わりに、結果の対数オッズをモデル化することで、予測される確率を0から1の間に適切に収めます。
各予測変数は係数を生成し、それを指数化することで調整オッズ比が得られます。これは、他の変数を固定した状態で、その予測変数が1単位変化したときの結果のオッズの変化を表します。オッズ比が1より大きい場合は、その要因がオッズを上昇させ、1より小さい場合は、オッズを低下させます。フォレストプロットは、各オッズ比とその信頼区間を一目で確認できるように設計されています。
ロジスティック回帰はいつ使うべきか
結果が二値であり、複数の予測因子の影響を一度に推定し、それぞれを他の予測因子で調整したい場合に使用します。これは、コホート研究や症例対照研究におけるリスク因子分析の標準的なツールであり、適合確率はROC分析に利用して、モデルの識別能力を評価することができます。
調整オッズ比は、生の係数ではなく、95%信頼区間とともに報告し、モデルに使用した変数を明記してください。連続的な結果変数の場合は、多重線形回帰分析を使用してください。変数あたりのイベント数の目安に注意してください。予測変数1つあたり約10個の結果イベントがあれば、推定値は安定します。どのモデルが結果変数に適しているか分からない場合は、インタラクティブなテストセレクターをご利用ください。
期待される結果: レコードごとに 1 行、y(0/1)、x1、x2、…
ここにCSVファイルをドロップするか、クリックして選択してください。ブラウザで解析されるため、何もアップロードされません。
期待される結果: レコードごとに 1 行、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)))ユーザーガイド
使用タイミング：二値結果をモデル化し、各予測因子について調整済みオッズ比を取得します。
前提条件：結果は二値である。対数オッズは予測変数に対して線形である。観測値は独立である。
よくある間違い。目安としては、不安定な推定値を避けるために、予測変数1つにつき少なくとも10件程度のイベントが必要です。
実例
上記の「サンプルデータを読み込む」をクリックし、「分析を実行」をクリックすると、このテストの図、数式、解釈を含む完全な結果が表示されます。
参考情報
- Hosmer DW、Lemeshow S、Sturdivant RX。応用ロジスティック回帰。第3版。2013年。
実施例
例1 — 単一のバイナリ予測器
喫煙指標に基づいて30日死亡率をモデル化すると、係数が指数関数的に増加し、例えばオッズ比が1.8になる。つまり、喫煙者はそうでない人に比べて死亡する確率が1.8倍高いということである。95%信頼区間は、その推定値が十分な精度を持ち、説得力があるかどうかを示す。
例２ ― 交絡因子の調整
年齢と併存疾患をモデルに追加すると、これらの因子で調整された喫煙のオッズ比が得られます。調整済みオッズ比が1に近づく場合、粗関連の一部が交絡因子によって説明されたことになります。フォレストプロットには、すべての調整済みオッズ比がまとめて表示されます。
確認すべき前提条件
独立した観測値と二値の結果。各レコードは、結果が「はい」または「いいえ」である独立した被験者1人を表します。クラスター化されたデータや繰り返しデータには、混合モデルまたはGEEモデルが必要です。
連続予測変数におけるロジットの線形性。連続変数は対数オッズと線形関係にあるはずです。疑わしい場合は、スプライン曲線またはカテゴリ化を用いて確認してください。
予測変数ごとに十分なイベント数が必要です。一般的な目安としては、予測変数ごとに少なくとも10個の結果イベントが必要です。イベント数が少ないと、不安定な推定値や過学習のリスクが高まります。
よくある間違い
オッズ比をリスク比として解釈する
結果が頻繁に発生する場合、オッズ比は相対リスクを過大評価する傾向があります。モデルが報告するのは相対リスクではなくオッズ比であることを明記してください。
予測変数が多すぎると過学習を起こします。
イベント数が少ないモデルに多くの変数を詰め込むと、信頼できない推定値となるため、信頼区間が広くなります。変数あたりのイベント数の目安を守ってください。
モデルの適合性と識別性を無視する
モデルはオッズ比を算出するものの、適合度が低い場合がある。較正と判別能（例えば、ROC曲線下面積）を報告する。
オッズ比の代わりに係数を報告する
生の対数オッズ係数は解釈が難しい。オッズ比に指数変換し、95%信頼区間を示す。
よくある質問
調整オッズ比とはどういう意味ですか？
これは、モデル内の他の変数を一定に保ちながら、ある予測因子に対するオッズ比を算出することで、その予測因子の独立した関連性を分離するものです。
いくつの予測変数を含めることができますか？
経験則として、過学習を避けるために、結果イベント10件につき予測変数は1つ程度に抑えるのが良いでしょう。データによる裏付けよりも予測変数が多いと、推定値が不安定になります。
線形回帰を使うべきなのはどのような場合ですか？
連続的な結果には線形回帰を用い、二値的な結果にはロジスティック回帰を用います。
結果はSPSS、R、Stataの結果と一致しますか？
はい。この計算機は、R言語のglm()関数と同様に最尤法を用いてモデルを適合させ、再現可能な正確なRコマンドを表示します。
参考情報
- ストルツフス JC。 ロジスティック回帰：簡単な入門編。 アカド・エマーグ・メッド. 2011;18(10):1099–1104. PMID 21996075.
- ブランドR、キースMJ。 周産期疫学におけるロジスティック回帰の利用：臨床研究者のための入門。パート1：基本概念。 小児周産期疫学. 1990;4(1):22–38. PMID 2320497.
- ホズマー DW、レメショー S、スターディバント RX。 応用ロジスティック回帰。 第3版。ニュージャージー州ホーボーケン：ワイリー；2013年。
原稿のためにこの分析が必要ですか？
当社の博士号を持つ生物統計学者が、お客様のロジスティック回帰モデルを構築し、信頼区間付きの調整オッズ比を報告し、再現可能なR出力を含む、論文掲載に適したフォレストプロットを提供します。