Editverse gratis kalkulator
Kalkulator for logistisk regresjon
Modeller et ja/nei-utfall fra én eller flere prediktorer – med justerte oddsforhold, et skogplott og den reproduserbare R-kommandoen. Les en fullstendig tolkningsveiledning nedenfor. Validert mot R 4.3.3.
Med enkle ord
Logistisk regresjon predikerer et binært utfall – sykdom eller ingen sykdom, overlevelse eller ikke – fra én eller flere forklarende variabler. I stedet for å tilpasse en rett linje, modellerer den log-oddsen for utfallet, noe som holder hver predikerte sannsynlighet rimelig mellom 0 og 1.
Hver prediktor produserer en koeffisient som, når den er eksponentisert, blir en justert oddsratio : endringen i oddsen for utfallet for en endring på én enhet i den prediktoren, der de andre holdes faste. En oddsratio over 1 betyr at faktoren øker oddsen; under 1 betyr at den senker den. Skogplottet viser hvert oddsratio med konfidensintervallet på et raskt blikk.
Når skal man bruke logistisk regresjon
Bruk den når utfallet er binært og du vil estimere effekten av flere prediktorer samtidig, og justere hver for de andre. Det er standardverktøyet for risikofaktoranalyse i kohort- og kasuskontrollstudier, og de tilpassede sannsynlighetene kan brukes til en ROC-analyse for å bedømme hvor godt modellen diskriminerer.
Rapporter hver justerte oddsratio med 95 % konfidensintervall i stedet for den rå koeffisienten, og angi hvilke variabler som var i modellen. For et kontinuerlig utfall, bruk multippel lineær regresjon i stedet. Følg tommelfingerregelen for hendelser per variabel: omtrent ti utfallshendelser per prediktor holder estimatene stabile. Er du usikker på hvilken modell som passer utfallet ditt? Vår interaktive testvelger kan hjelpe.
Forventet: én rad per post, y(0/1), x1, x2, …
Slipp en CSV-fil her eller klikk for å velge. Analysert i nettleseren din: ingenting lastes opp.
Forventet: én rad per 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 = koeffisient(m), confint(m)))Bruksanvisning
Når den skal brukes. Modeller et binært utfall og få justerte oddsforhold for hver prediktor.
Antagelser. Utfallet er binært; log-odds er lineære i prediktorene; observasjoner uavhengige.
Vanlige feil. Tommelfingerregel: minst ~10 hendelser per prediktor for å unngå ustabile estimater.
Utarbeidet eksempel
Klikk på Last inn eksempeldata ovenfor, og deretter på Kjør analyse for å se et fullstendig utarbeidet resultat med figur, formel og tolkning for denne testen.
Referanser
- Hosmer DW, Lemeshow S, Sturdivant RX. Anvendt logistisk regresjon. 3. utg. 2013.
Arbeidet eksempler
Eksempel 1 – En enkelt binær prediktor
Modellering av 30-dagers dødelighet på en røykeindikator gir en koeffisient som eksponentierer til en oddsratio på for eksempel 1.8 – røykere har 1.8 ganger oddsen for utfallet. 95 % konfidensintervallet viser om dette estimatet er presist nok til å være overbevisende.
Eksempel 2 – Justering for konfunderende faktorer
Ved å legge til alder og komorbiditet i modellen får man oddsratioen for røyking justert for disse faktorene. Hvis den justerte oddsratioen krymper mot 1, ble noe av den grove assosiasjonen forklart av konfunderende faktorer. Skogplottet viser alle justerte oddsratioer samlet.
Forutsetninger å sjekke
Uavhengige observasjoner og et binært utfall. Hver post er ett uavhengig subjekt med et ja/nei-utfall. Klyngede eller repeterte data trenger en blandet modell eller GEE-modell.
Linearitet i logit for kontinuerlige prediktorer. Kontinuerlige variabler bør forholde seg lineært til log-oddsene; sjekk med splines eller kategorisering hvis du er i tvil.
Nok hendelser per prediktor. En vanlig retningslinje er minst omtrent ti utfallshendelser per prediktor; færre risikoer ustabile, overtilpassede estimater.
Vanlige feil
Tolkning av oddsforhold som risikoforhold
Når utfallet er felles, overdriver oddsratioen den relative risikoen. Vær tydelig på at modellen rapporterer oddsratioer, ikke relative risikoer.
Overtilpasning med for mange prediktorer
Å stappe mange variabler inn i en modell med få hendelser gir brede intervaller og upålitelige estimater. Respekter retningslinjene for hendelser per variabel.
Ignorerer modelltilpasning og diskriminering
En modell kan produsere oddsratioer, men likevel passe dårlig. Rapporter kalibrering og diskriminering (for eksempel arealet under ROC-kurven ).
Rapportering av koeffisienter i stedet for oddsforhold
Rå log-odds-koeffisienter er vanskelige å tolke. Eksponentier dem til oddsforhold og presenter 95 % konfidensintervallet.
Ofte Stilte Spørsmål
Hva betyr en justert oddsratio?
Det er oddsforholdet for én prediktor mens de andre variablene i modellen holdes konstante, og isolerer prediktorens uavhengige assosiasjon.
Hvor mange prediktorer kan jeg inkludere?
Som en tommelfingerregel bør du bruke omtrent én prediktor per ti utfallshendelser for å unngå overtilpasning. Med flere prediktorer enn datastøtte blir estimatene ustabile.
Når bør jeg bruke lineær regresjon i stedet?
Bruk lineær regresjon for et kontinuerlig utfall. Logistisk regresjon er for binære utfall.
Samsvarer resultatet med SPSS, R og Stata?
Ja. Kalkulatoren tilpasser modellen med maksimal sannsynlighet slik som glm() i R og viser den nøyaktige R-kommandoen slik at du kan reprodusere den.
Relaterte kalkulatorer
Referanser
- Stoltzfus JC. Logistisk regresjon: en kort innføring. Akademisk akuttmedisin. 2011;18(10):1099–1104. PMID 21996075.
- Brand R, Keirse MJ. Bruk av logistisk regresjon i perinatal epidemiologi: en introduksjon for kliniske forskere. Del 1: grunnleggende konsepter. Pediatrisk Perinat Epidemiol. 1990;4(1):22–38. PMID 2320497.
- Hosmer DW, Lemeshow S, Sturdivant RX. Anvendt logistisk regresjon. 3. utg. Hoboken, NJ: Wiley; 2013.
Trenger du å få utført denne analysen for manuskriptet ditt?
Våre biostatistikere med doktorgrad bygger logistiske regresjonsmodeller, rapporterer justerte oddsforhold med konfidensintervaller og leverer publikasjonsklare skogplott med reproduserbar R-utdata.