งานวิจัยทางคลินิกที่ตีพิมพ์ เกือบ70%ใช้การวิเคราะห์การถดถอยหรือการหาความสัมพันธ์ในงานวิจัยทางคลินิกเพื่อวิเคราะห์ความสัมพันธ์ระหว่างตัวแปรต่างๆ แต่ที่น่าประหลาดใจคือ มีงานวิจัยจำนวนมากที่ใช้ระเบียบวิธีเหล่านี้ผิดวิธี ซึ่งนำไปสู่ข้อสรุปที่ผิดพลาด การถูกวิจารณ์จากผู้ตรวจทาน และแม้กระทั่งการถูกปฏิเสธตั้งแต่เริ่มต้น งานวิจัยสำคัญที่ตีพิมพ์ในวารสาร The New England Journal of Medicineพบว่า ผู้เขียนทางการแพทย์หลายคนสับสนระหว่างการหาความสัมพันธ์กับการถดถอย บางครั้งใช้แบบหนึ่งเมื่ออีกแบบหนึ่งเหมาะสมกว่า ( Godfrey, 1985 ) การเข้าใจว่าควรใช้การหาความสัมพันธ์หรือการถดถอยเมื่อใด เป็นหนึ่งในการตัดสินใจทางสถิติที่สำคัญที่สุดที่คุณจะทำในอาชีพการวิจัยของคุณ ในคู่มือฉบับนี้ เราจะอธิบายรายละเอียดของทั้งสองวิธีพร้อมตัวอย่างทางคลินิกจริงจาก NEJM, JAMA, The Lancet , PLOS Medicine และCirculationเพื่อให้คุณมีกรอบการตัดสินใจที่ชัดเจนในการเลือกวิธีการที่ถูกต้องในทุกครั้ง
ความสัมพันธ์ในงานวิจัยทางคลินิกคืออะไร?
การวิเคราะห์ความสัมพันธ์เป็นการวัดความแข็งแกร่งและทิศทางของความสัมพันธ์เชิงเส้นระหว่างตัวแปรต่อเนื่องสองตัว โดยจะได้ค่าตัวเลขเพียงค่าเดียว คือสัมประสิทธิ์ความสัมพันธ์ (r)ซึ่งมีค่าตั้งแต่ -1 ถึง +1 จากงานวิจัยที่จัดทำดัชนีใน PubMed โดย Schober, Boer และ Schwarte ( DOI: 10.1213/ANE.0000000000002864 ) สัมประสิทธิ์ความสัมพันธ์มักถูกตีความดังนี้:
| ค่า r | ความแข็งแรง | ตัวอย่างทางคลินิก |
|---|---|---|
| 0.00 - 0.39 | อ่อนแอ | การดื่มกาแฟและความผันผวนของความดันโลหิต |
| 0.40 - 0.69 | ปานกลาง | ดัชนีมวลกายและความดันโลหิตซิสโตลิก |
| 0.70 - 1.00 | แข็งแรง | ค่า FEV1 ที่วัดโดยเครื่องวัดปริมาตรปอดสองเครื่อง |
เพียร์สัน กับ สเปียร์แมน: การเลือกค่าสัมประสิทธิ์สหสัมพันธ์ที่เหมาะสม
การเลือกใช้ระหว่างสัมประสิทธิ์สหสัมพันธ์เพียร์สันและสเปียร์แมนขึ้นอยู่กับลักษณะของข้อมูลของคุณ สัมประสิทธิ์สห สัมพันธ์เพียร์สัน (r)ต้องการให้ตัวแปรทั้งสองเป็นตัวแปรต่อเนื่องและมีการกระจายแบบปกติโดยประมาณ โดยมีความสัมพันธ์เชิงเส้นตรง ในขณะที่สัมประสิทธิ์สหสัมพันธ์ลำดับสเปียร์แมน (ρ)เป็นทางเลือกที่ไม่ใช้พารามิเตอร์ ซึ่งใช้เมื่อข้อมูลเป็นตัวแปรเชิงลำดับ มีค่าผิดปกติ หรือไม่เป็นไปตามการกระจายแบบปกติ Schober และคณะเน้นย้ำว่าการใช้สัมประสิทธิ์ที่ไม่ถูกต้องจะนำไปสู่การประเมินความสัมพันธ์ที่ต่ำเกินไปหรือสูงเกินไป ซึ่งอาจเปลี่ยนแปลงข้อสรุปทางคลินิกของคุณได้อย่างมาก
ข้อสมมติฐานของการวิเคราะห์ความสัมพันธ์
การประยุกต์ใช้ค่าสัมประสิทธิ์สหสัมพันธ์อย่างถูกต้องนั้น จำเป็นต้องปฏิบัติตามข้อสมมติฐานสำคัญหลายประการ ข้อมูลควรมาจากตัวอย่างสุ่ม ตัวแปรทั้งสองควรเป็นตัวแปรต่อเนื่อง (สำหรับค่าสัมประสิทธิ์ของ Pearson) ความสัมพันธ์ควรเป็นแบบเชิงเส้นโดยประมาณ และไม่ควรมีค่าผิดปกติที่มีนัยสำคัญ ข้อมูลแต่ละคู่ต้องเป็นอิสระต่อกัน การละเมิดข้อสมมติฐานเหล่านี้ไม่ได้ทำให้การวิเคราะห์ของคุณไม่ถูกต้องเสมอไป แต่จำเป็นต้องเปลี่ยนไปใช้ค่าสัมประสิทธิ์ของ Spearman หรือทางเลือกอื่นที่มีความน่าเชื่อถือมากกว่า
การวิเคราะห์การถดถอยในงานวิจัยทางคลินิกคืออะไร?
การวิเคราะห์การถดถอยนั้นก้าวไปไกลกว่าการหาความสัมพันธ์โดยการสร้างแบบจำลองความสัมพันธ์เชิงทำนายระหว่างตัวแปรตาม (ผลลัพธ์) และตัวแปรอิสระหนึ่งตัวหรือมากกว่า (ตัวทำนาย) ดังที่ Vetter และ Schober อธิบายไว้ใน บทความ สอนการใช้ยาชาและยาแก้ปวด ( DOI: 10.1213/ANE.0000000000003424 ) การถดถอยจะสร้างสมการที่วัดปริมาณการเปลี่ยนแปลงของผลลัพธ์ต่อการเปลี่ยนแปลงหนึ่งหน่วยของตัวทำนาย ซึ่งเป็นความแตกต่างที่สำคัญจากการหาความสัมพันธ์ซึ่งบอกเพียงว่ามีความสัมพันธ์อยู่หรือไม่และมีความแข็งแกร่งเพียงใด
สมการการถดถอยเชิงเส้นทั่วไปคือ:
โดยที่ Y = ผลลัพธ์, β₀ = ค่าคงที่, β₁…βₙ = สัมประสิทธิ์, X₁…Xₙ = ตัวแปรทำนาย, ε = ค่าความคลาดเคลื่อน
ประเภทของการวิเคราะห์การถดถอยในการวิจัยทางคลินิก
ประเภทของการวิเคราะห์การถดถอยที่คุณเลือกนั้นขึ้นอยู่กับตัวแปรผลลัพธ์ เป็นหลัก ต่อไปนี้คือ 4 ประเภทที่ใช้กันทั่วไปในการศึกษาทางคลินิก:
| ประเภท | ตัวแปรผลลัพธ์ | การวัดผล | กรณีการใช้งานทางคลินิก |
|---|---|---|---|
| วัดเชิงเส้น | ค่าคงที่ (เช่น ความดันโลหิต ระยะเวลาการพักรักษาตัวในโรงพยาบาล) | สัมประสิทธิ์ β, R² | การทำนายระยะเวลาการพักรักษาตัวในห้องไอซียูจากความรุนแรงของการบาดเจ็บ |
| ” ตัวแทนขายระวางสินค้า และไปรษณีย์ภัณฑ์ (Authorized Cargo Sales Agent)” | ไบนารี (ใช่/ไม่ใช่, มีชีวิตอยู่/เสียชีวิต) | อัตราส่วนความเสี่ยง (OR), ช่วงความเชื่อมั่น 95% | การทำนายความเสี่ยงต่อการเสียชีวิตจากตัวแปรทางคลินิก |
| ค็อกซ์ (ความเสี่ยงตามสัดส่วน) | ระยะเวลาจนถึงเหตุการณ์ (การรอดชีวิต) | อัตราส่วนความเสี่ยง (HR) | การวิเคราะห์อัตราการรอดชีวิตจากมะเร็งโดยแบ่งตามกลุ่มการรักษา |
| ปลา | นับข้อมูล (จำนวนเหตุการณ์ต่อช่วงเวลา) | อัตราส่วนอัตราการเกิดเหตุการณ์ (IRR) | การสร้างแบบจำลองจำนวนผู้ป่วยที่กลับเข้ารับการรักษาในโรงพยาบาลซ้ำ |
สำหรับนักวิจัยที่ทำงานกับข้อมูลเชิงสังเกตและปัจจัยรบกวนที่อาจเกิดขึ้น คู่มือฉบับละเอียดของเราเกี่ยวกับการจับคู่คะแนนความโน้มเอียงในการวิจัยทางการแพทย์ครอบคลุมเทคนิคขั้นสูงสำหรับการจัดการกับอคติในการเลือกควบคู่ไปกับการวิเคราะห์การถดถอย
การวิเคราะห์การถดถอยและการวิเคราะห์ความสัมพันธ์ในงานวิจัยทางคลินิก: ความแตกต่างที่สำคัญ
แม้ว่าทั้งสองวิธีจะตรวจสอบความสัมพันธ์ระหว่างตัวแปร แต่การวิเคราะห์การถดถอยและการหาความสัมพันธ์ในงานวิจัยทางคลินิก นั้น มีจุดประสงค์ที่แตกต่างกันอย่างสิ้นเชิง บทความคลาสสิกโดย Guyatt และคณะในวารสาร Canadian Medical Association Journal (PMID: 7859197 ) อธิบายว่า การหาความสัมพันธ์เป็นการวัดว่าตัวแปรสองตัวเคลื่อนไหวไปพร้อมกันหรือไม่ ในขณะที่การวิเคราะห์การถดถอยเป็นการวัดว่า ตัวแปรหนึ่งทำนายอีกตัวแปรหนึ่ง ได้อย่างไรและมากน้อยเพียงใดนี่คือความแตกต่างที่สำคัญ:
ความแตกต่างที่สำคัญคือแนวคิดเรื่องทิศทางในการหาความสัมพันธ์ ตัวแปรสามารถสลับกันได้ กล่าวคือ การหาความสัมพันธ์ระหว่างดัชนีมวลกาย (BMI) กับความดันโลหิตจะได้ค่า r เท่ากับการหาความสัมพันธ์ระหว่างความดันโลหิตกับดัชนีมวลกาย ในการวิเคราะห์การถดถอย ตัวแปรไม่สามารถสลับกันได้ คุณต้องระบุว่าตัวแปรใดเป็นตัวทำนาย (ตัวแปรอิสระ) และตัวแปรใดเป็นผลลัพธ์ (ตัวแปรตาม) ความแตกต่างนี้มีความสำคัญอย่างยิ่งในการวิจัยทางคลินิก ซึ่งเป้าหมายมักเป็นการระบุปัจจัยเสี่ยงที่สามารถปรับเปลี่ยนได้ซึ่งสามารถทำนายผลลัพธ์ของผู้ป่วยได้
ควรใช้การวิเคราะห์ความสัมพันธ์ในงานวิจัยทางคลินิกเมื่อใด
การหาความสัมพันธ์เป็นตัวเลือกที่เหมาะสมเมื่อเป้าหมายการวิจัยของคุณเป็นการสำรวจโดยเฉพาะในสถานการณ์เหล่านี้:
1. การตรวจสอบว่าตัวแปรสองตัวมีความสัมพันธ์เชิงเส้นหรือไม่หากคุณต้องการทราบเพียงว่าระดับ HbA1c มีความสัมพันธ์กับค่าระดับน้ำตาลในเลือดขณะอดอาหารหรือไม่ การหาค่าสัมประสิทธิ์สหสัมพันธ์ของ Pearson จะให้คำตอบที่กระชับและเข้าใจง่าย
2. การสร้างสมมติฐานในช่วงเริ่มต้นของการศึกษา เมทริกซ์ความสัมพันธ์จะช่วยระบุว่าตัวแปรใดสมควรได้รับการตรวจสอบเพิ่มเติมผ่านการสร้างแบบจำลองการถดถอย
3. ไม่มีตัวแปรใดที่ระบุได้อย่างชัดเจนว่าเป็น “ผลลัพธ์”เมื่อคุณศึกษาความสัมพันธ์ระหว่างตัวบ่งชี้ทางชีวภาพสองตัว (เช่น CRP และ IL-6) ตัวแปรใดตัวแปรหนึ่งไม่ได้เป็นสาเหตุโดยตรงของอีกตัวแปรหนึ่ง ดังนั้นการหาค่าสหสัมพันธ์จึงเป็นตัวเลือกที่เหมาะสม
ควรใช้การวิเคราะห์การถดถอยในงานวิจัยทางคลินิกเมื่อใด
การวิเคราะห์การถดถอยเป็นตัวเลือกที่เหมาะสมเมื่อเป้าหมายการวิจัยของคุณคือการทำนาย การอธิบาย หรือต้องการปรับแก้ตัวแปรแทรกซ้อน :
1. คุณต้องการทำนายผลลัพธ์อัลกอริทึมการทำนายโรคหลอดเลือดหัวใจตีบของงานวิจัย Framingham Heart Study ซึ่งเป็นหนึ่งในแบบจำลองที่ถูกอ้างอิงมากที่สุดในวงการแพทย์ ใช้การถดถอยโลจิสติกส์ร่วมกับตัวแปรทำนายเชิงหมวดหมู่ (ความดันโลหิต คอเลสเตอรอล เบาหวาน การสูบบุหรี่) เพื่อประเมินความเสี่ยงต่อโรคหลอดเลือดหัวใจตีบใน 10 ปี ( Wilson et al., 1998, Circulation ) ซึ่งเป็นไปไม่ได้เลยหากใช้เพียงความสัมพันธ์เชิงสถิติเพียงอย่างเดียว
2. คุณต้องปรับแก้ผลกระทบจากตัวแปรแทรกซ้อนการวิเคราะห์การถดถอยแบบหลายตัวแปรช่วยให้คุณสามารถตรวจสอบความสัมพันธ์ระหว่างปัจจัยเสี่ยงและผลลัพธ์ ในขณะที่ควบคุมตัวแปรแทรกซ้อนต่างๆ เช่น อายุ เพศ โรคประจำตัว และตัวแปรอื่นๆ นี่เป็นวิธีการมาตรฐานในการวิจัยทางคลินิกเชิงสังเกต
3. คุณต้องการเปรียบเทียบกลุ่มหลังจากปรับค่าแล้วการทดลอง SuPPoRT (Hezelgrave et al., 2024, PLOS Medicine ; DOI ) ใช้การถดถอยแบบไบนารีเพื่อเปรียบเทียบการแทรกแซงสามวิธีในการป้องกันการคลอดก่อนกำหนด โดยปรับค่าตามอายุครรภ์ ดัชนีมวลกาย และปัจจัยเสี่ยงก่อนหน้า
4. ผลลัพธ์ของคุณเป็นข้อมูลแบบไบนารี เวลาที่เกิดเหตุการณ์ หรือข้อมูลนับจำนวนการหาความสัมพันธ์ไม่สามารถจัดการกับผลลัพธ์ประเภทเหล่านี้ได้ คุณต้องใช้การถดถอยโลจิสติก การถดถอยค็อกซ์ หรือการถดถอยปัวซง ตามลำดับ
6 ข้อผิดพลาดทั่วไปเมื่อเลือกใช้ระหว่างการวิเคราะห์การถดถอยและการวิเคราะห์ความสัมพันธ์
การหลีกเลี่ยงข้อผิดพลาดเหล่านี้จะช่วยเสริมความแข็งแกร่งให้กับต้นฉบับของคุณและลดความเสี่ยงที่จะถูกวิจารณ์จากผู้ตรวจทานด้านสถิติ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการหลีกเลี่ยงปัญหาทางสถิติที่นำไปสู่การถูกปฏิเสธ โปรดดูบทความของเราเกี่ยวกับอัตราการปฏิเสธของวารสารในแต่ละสาขา
| ผิดพลาด | ทำไมมันถึงผิด | แนวทางที่ถูกต้อง |
|---|---|---|
| โดยถือว่าความสัมพันธ์เท่ากับสาเหตุ | ค่า r ที่สูงแสดงให้เห็นเพียงความสัมพันธ์ ไม่ใช่ความสัมพันธ์แบบเหตุและผล | ใช้การวิเคราะห์การถดถอยโดยปรับค่าตัวแปรแทรกซ้อน และพิจารณาวิธีการอนุมานเชิงสาเหตุ |
| การใช้ค่าสหสัมพันธ์เพื่อเปรียบเทียบวิธีการ | สองวิธีอาจมีความสัมพันธ์กันอย่างสมบูรณ์ แต่ในขณะเดียวกันก็อาจมีความขัดแย้งกันอย่างเป็นระบบ | ใช้การวิเคราะห์ความสอดคล้องแบบ Bland-Altman |
| ใช้เพียงค่า p โดยไม่คำนึงถึงขนาดของผลกระทบ | ตัวอย่างขนาดใหญ่สามารถทำให้ความสัมพันธ์เล็กน้อยกลายเป็น "มีนัยสำคัญ" ได้ | รายงานค่า r² หรือ R² และช่วงความเชื่อมั่นควบคู่ไปกับค่า p |
| การทำการวิเคราะห์การถดถอยโดยไม่ตรวจสอบสมมติฐาน | การละเมิดข้อสมมติฐานจะทำให้ได้ค่าสัมประสิทธิ์ที่ไม่น่าเชื่อถือ | ตรวจสอบกราฟแสดงค่าความคลาดเคลื่อน ความเป็นปกติ และค่าความสัมพันธ์ร่วมหลายตัวแปร (VIF) |
| การละเลยตัวแปรแทรกซ้อนในการศึกษาเชิงสังเกต | ค่าสหสัมพันธ์ที่ยังไม่ได้ปรับแก้ อาจเกิดจากตัวแปรแทรกซ้อนเพียงอย่างเดียว | ใช้การวิเคราะห์การถดถอยแบบหลายตัวแปรเพื่อปรับแก้ตัวแปรแทรกซ้อน |
| การใช้การถดถอยเชิงเส้นสำหรับผลลัพธ์แบบไบนารี | ความน่าจะเป็นที่คาดการณ์ไว้อาจอยู่นอกช่วง 0–1 | ใช้การวิเคราะห์การถดถอยโลจิสติกสำหรับผลลัพธ์แบบใช่/ไม่ใช่ |
ตัวอย่างจากโลกแห่งความเป็นจริงจากวารสารทางการแพทย์ชั้นนำ
การได้เห็นว่านักวิจัยชั้นนำนำวิธีการเหล่านี้ไปใช้ในทางปฏิบัติอย่างไร คือวิธีที่ดีที่สุดในการทำความเข้าใจความแตกต่างนี้ ตัวอย่างด้านล่างนี้เป็นตัวอย่างจากสิ่งพิมพ์ที่มีผลกระทบสูงซึ่งค้นหาได้จาก PubMed
ตัวอย่างที่ 1: การศึกษาโรคหัวใจ Framingham — การวิเคราะห์การถดถอยเชิงลอจิสติก (การไหลเวียนโลหิต)
วิลสันและคณะ (1998) ได้พัฒนาอัลกอริทึมพื้นฐานในการทำนายโรคหลอดเลือดหัวใจโดยใช้การถดถอยโลจิสติกส์โดยใช้หมวดหมู่ความดันโลหิต JNC-V และหมวดหมู่คอเลสเตอรอล NCEP เป็นตัวทำนาย ติดตามผู้ชาย 2,489 คนและผู้หญิง 2,856 คนเป็นเวลา 12 ปี พวกเขาสร้างสมการทำนายเฉพาะเพศที่ประมาณความเสี่ยงต่อโรคหลอดเลือดหัวใจใน 10 ปี การศึกษานี้ไม่สามารถทำได้ด้วยความสัมพันธ์เพียงอย่างเดียว — จำเป็นต้องใช้การถดถอยเพื่อสร้างแบบจำลองการมีส่วนร่วมที่เป็นอิสระของแต่ละปัจจัยเสี่ยงในขณะที่ควบคุมปัจจัยอื่นๆ ( DOI: 10.1161/01.cir.97.18.1837 )
ตัวอย่างที่ 2: วิธี Bland-Altman — เหตุใดการหาความสัมพันธ์จึงล้มเหลว (Lancet)
ใน บทความที่ตีพิมพ์ในวารสาร Lancet ปี 1986 แบลนด์และอัลท์แมนได้แสดงให้เห็นว่าค่าสัมประสิทธิ์สหสัมพันธ์นั้นอาจทำให้เข้าใจผิดได้เมื่อเปรียบเทียบวิธีการวัดทางคลินิกสองวิธี เครื่องวัดความดันโลหิตสองเครื่องอาจแสดงค่า r = 0.95 แต่ยังคงมีความแตกต่างกันโดยเฉลี่ย 15 มิลลิเมตรปรอท ซึ่งเป็นความแตกต่างที่ไม่สามารถยอมรับได้ในทางคลินิก และถูกซ่อนไว้โดยค่าสัมประสิทธิ์สหสัมพันธ์ วิธีการวิเคราะห์ขอบเขตความสอดคล้อง (limits-of-agreement analysis) ที่พวกเขาเสนอจึงกลายเป็นมาตรฐานที่ได้รับการยอมรับ สำหรับรายละเอียดเพิ่มเติม โปรดดูคู่มือภาพประกอบการวิเคราะห์แบบแบลนด์-อัลท์แมน ของเรา
ตัวอย่างที่ 3: การทดลอง SuPPoRT — การถดถอยแบบไบนารีในการทดลองแบบสุ่ม (PLOS Medicine)
Hezelgrave et al. (2024) ใช้การวิเคราะห์การถดถอยแบบไบนารีเพื่อเปรียบเทียบการเย็บปากมดลูก การใส่ห่วงพยุงปากมดลูก และการใช้โปรเจสเตอโรนทางช่องคลอดในการป้องกันการคลอดก่อนกำหนดในสตรี 386 รายที่มีปากมดลูกสั้น กรอบการวิเคราะห์การถดถอยช่วยให้สามารถประมาณความแตกต่างของความเสี่ยงระหว่างกลุ่มการรักษาได้โดยตรง (เช่น การเย็บปากมดลูกเทียบกับโปรเจสเตอโรน: RD 6.2%, 95% CI: −5.0 ถึง 17.0) ในขณะที่ปรับค่าตัวแปรลดความแปรปรวน การหาความสัมพันธ์แบบง่ายๆ จะไม่มีความหมายในบริบทนี้ — คำถามวิจัยต้องการวิธีการวิเคราะห์การถดถอย ( DOI: 10.1371/journal.pmed.1004427 )
ตัวอย่างที่ 4: Schober และคณะ — การสอนความสัมพันธ์ (การระงับความรู้สึกและความเจ็บปวด)
Schober, Boer และ Schwarte (2018) ได้ตีพิมพ์บทความแนะนำที่อ้างอิงกันอย่างกว้างขวาง โดยเฉพาะอย่างยิ่งคำแนะนำสำหรับแพทย์เกี่ยวกับการใช้ค่าสัมประสิทธิ์สหสัมพันธ์ของ Pearson เทียบกับ Spearman อย่างเหมาะสม พวกเขาเน้นย้ำว่าค่าสัมประสิทธิ์สหสัมพันธ์แต่ละค่ามีข้อสมมติเฉพาะ และการละเมิดข้อสมมติเหล่านั้นจะทำให้ได้ผลลัพธ์ที่ผิดพลาด บทความนี้เป็นสิ่งจำเป็นสำหรับการอ่านสำหรับทุกคนที่เริ่มต้นการศึกษาทางคลินิกที่เกี่ยวข้องกับสหสัมพันธ์ ( DOI: 10.1213/ANE.0000000000002864 )
ขั้นตอนทีละขั้น: วิธีเลือกใช้ระหว่างการวิเคราะห์การถดถอยและการวิเคราะห์ความสัมพันธ์
ปฏิบัติตามกรอบการตัดสินใจนี้ทุกครั้งที่คุณวิเคราะห์ความสัมพันธ์ระหว่างตัวแปรต่างๆ แนวทางนี้สอดคล้องกับแนวทางที่เผยแพร่ในบทความที่เกี่ยวข้องโดย Schober et al. และ Vetter & Schober ในวารสารAnesthesia & Analgesia
ขั้นตอนที่ 1: กำหนดคำถามวิจัยของคุณคุณกำลังสำรวจว่ามีความสัมพันธ์กันอยู่หรือไม่ (→ การหาความสัมพันธ์เชิงสหสัมพันธ์) หรือกำลังทำนาย/อธิบายผลลัพธ์ (→ การวิเคราะห์การถดถอย)?
ขั้นตอนที่ 2: ระบุตัวแปรของคุณมีตัวแปรตาม (ผลลัพธ์) ที่ชัดเจนหรือไม่? ถ้ามี → การวิเคราะห์ถดถอย ถ้าไม่มีตัวแปรใดเป็น "สาเหตุ" อย่างชัดเจน → การวิเคราะห์สหสัมพันธ์
ขั้นตอนที่ 3: กำหนดประเภทของผลลัพธ์ผลลัพธ์ต่อเนื่อง → การถดถอยเชิงเส้น ผลลัพธ์แบบไบนารี → การถดถอยโลจิสติก ผลลัพธ์แบบเวลาถึงเหตุการณ์ → การถดถอยค็อกซ์ ผลลัพธ์แบบนับจำนวน → การถดถอยปัวซง
ขั้นตอนที่ 4: ประเมินจำนวนตัวแปรทำนายตัวแปรทำนายเดียว → การถดถอยเชิงเส้นอย่างง่าย (หรือสหสัมพันธ์) ตัวแปรทำนายหลายตัวหรือตัวแปรแทรกซ้อน → การถดถอยเชิงเส้นหลายตัวแปร
ขั้นตอนที่ 5: ตรวจสอบสมมติฐานของคุณสำหรับความสัมพันธ์เชิงสหสัมพันธ์: ตรวจสอบความเป็นเส้นตรง ความเป็นปกติ และความเป็นอิสระ สำหรับการวิเคราะห์การถดถอย: ตรวจสอบเพิ่มเติมเกี่ยวกับการกระจายของค่าตกค้าง ความสัมพันธ์ร่วมหลายตัวแปร และความแปรปรวนคงที่
ขั้นตอนที่ 6: คำนวณขนาดตัวอย่างของคุณทั้งสองวิธีต้องการกำลังการทดสอบที่เพียงพอ โดยคร่าวๆ แล้ว การหาความสัมพันธ์ต้องการอย่างน้อย 30 คู่เพื่อให้ได้ความแม่นยำที่เหมาะสม ในขณะที่การวิเคราะห์การถดถอยต้องการประมาณ 10-20 ตัวอย่างต่อตัวแปรทำนาย
การเปรียบเทียบซอฟต์แวร์: การคำนวณค่าสหสัมพันธ์และค่าถดถอยในทางปฏิบัติ
ต่อไปนี้เป็นข้อมูลอ้างอิงโดยย่อสำหรับการวิเคราะห์ข้อมูลเหล่านี้ในโปรแกรมซอฟต์แวร์ทางสถิติที่นิยมใช้มากที่สุดในการวิจัยทางคลินิก:
| ซอฟต์แวร์ | คำสั่งความสัมพันธ์ | คำสั่งถดถอย |
|---|---|---|
| R | cor.test(x, y, method="pearson") | lm(y ~ x1 + x2, data) |
| SPSS | วิเคราะห์ → หาความสัมพันธ์ → วิเคราะห์แบบสองตัวแปร | วิเคราะห์ → การถดถอย → เชิงเส้น |
| เคย | pwcorr x y, sig | regress y x1 x2 |
| ปริซึม GraphPad | การวิเคราะห์ XY → ความสัมพันธ์ | การวิเคราะห์ XY → การถดถอยเชิงเส้น |
สำหรับนักศึกษาแพทย์และนักวิจัยรุ่นใหม่ที่ชื่นชอบเครื่องมือแบบสเปรดชีต เรายังมีเทมเพลต Google Sheets ฟรีสำหรับใช้ในการวิเคราะห์ทางสถิติขั้นพื้นฐาน อีกด้วย
ความสัมพันธ์ระหว่างการวิเคราะห์การถดถอยและการวิเคราะห์สหสัมพันธ์ในเครื่องมือทางสถิติที่กว้างขึ้น
การหาความสัมพันธ์และการวิเคราะห์การถดถอยเป็นเพียงสองเครื่องมือในคลังเครื่องมือทางสถิติของนักวิจัยทางคลินิก การเข้าใจว่าเครื่องมือเหล่านี้เหมาะสมกับบริบทใดจะช่วยให้คุณเลือกวิธีการที่ถูกต้องตั้งแต่เริ่มต้น นี่คือความสัมพันธ์ของเครื่องมือเหล่านี้กับเทคนิคทั่วไปอื่นๆ:
การทดสอบ t-testใช้เปรียบเทียบค่าเฉลี่ยระหว่างสองกลุ่ม ไม่ได้ใช้ในการสร้างแบบจำลองความสัมพันธ์เชิงทำนาย หากคุณต้องการเปรียบเทียบกลุ่มทดลองกับกลุ่มควบคุมสำหรับผลลัพธ์แบบต่อเนื่อง โปรดดูคู่มือการทดสอบ t-test ของเรา พร้อม ตัวอย่างในโลกแห่งความเป็นจริง
การจับคู่คะแนนความโน้มเอียง (Propensity Score Matching: PSM)เป็นทางเลือกแทนการปรับแก้ตัวแปรแทรกซ้อนโดยใช้การถดถอยในงานวิจัยเชิงสังเกตบทแนะนำ PSM แบบทีละขั้นตอน ของเรา จะอธิบายว่าเมื่อใดจึงควรเลือกใช้ PSM แทนการถดถอยแบบหลายตัวแปร
การวิเคราะห์เมตาเรเกรสชันเป็นการขยายการวิเคราะห์เรเกรสชันไปสู่ข้อมูลที่รวบรวมจากงานวิจัยเชิงระบบ ทำให้สามารถตรวจสอบได้ว่าตัวแปรในระดับการศึกษาแต่ละเรื่องมีอิทธิพลต่อผลลัพธ์ของการรักษาอย่างไร สำหรับนักวิจัยที่ทำการทบทวนวรรณกรรมเชิงระบบ คู่มือของเราเกี่ยวกับการเปรียบเทียบการทบทวนวรรณกรรมเชิงระบบกับการวิเคราะห์เมตาและขั้นตอนแผนผังการไหลของ PRISMAจะเป็นกรอบพื้นฐานที่สำคัญ
Editverse ช่วยคุณในการวิเคราะห์ทางสถิติได้อย่างไร
การเลือกใช้ระหว่างการวิเคราะห์การถดถอยและการวิเคราะห์ความสัมพันธ์ รวมถึงการนำวิธีใดวิธีหนึ่งไปใช้อย่างถูกต้องนั้น จำเป็นต้องอาศัยความเชี่ยวชาญทางสถิติ ซึ่งนักวิจัยทางคลินิกหลายคนอาจขาด Editverse ให้การสนับสนุนอย่างมืออาชีพในทุกขั้นตอนของการวิจัยของคุณ
การทบทวนวรรณกรรมอย่างครบถ้วน + การวิเคราะห์เมตา
เริ่มต้นที่ $ 1,800
การทบทวนอย่างเป็นระบบแบบสมบูรณ์พร้อมการวิเคราะห์ทางสถิติ
สรุป: รายการตรวจสอบสรุปโดยย่อ
การเลือกใช้ระหว่างการวิเคราะห์การถดถอยและการวิเคราะห์ความสัมพันธ์ในการวิจัยทางคลินิกนั้นขึ้นอยู่กับคำถามวิจัย ตัวแปร และสิ่งที่คุณต้องการจากการวิเคราะห์ ต่อไปนี้คือรายการตรวจสอบฉบับย่อของคุณ:
✅ ใช้การหาค่าสหสัมพันธ์เมื่อต้องการสำรวจความสัมพันธ์ระหว่างตัวแปรต่อเนื่องสองตัว โดยไม่มีการกำหนดทิศทางของผลกระทบ ไม่จำเป็นต้องปรับค่าตัวแปรแทรกซ้อน และไม่มีเป้าหมายในการทำนาย
✅ ใช้การวิเคราะห์การถดถอยเมื่อทำนายผลลัพธ์ ปรับแก้ตัวแปรแทรกซ้อน สร้างแบบจำลองข้อมูลไบนารีหรือข้อมูลเวลาถึงเหตุการณ์ หรือหาปริมาณว่าตัวทำนายเปลี่ยนแปลงผลลัพธ์ไปมากน้อยเพียงใด
✅ ตรวจสอบข้อสมมติฐานก่อนทำการวิเคราะห์ทุกครั้ง และรายงานขนาดผลกระทบพร้อมช่วงความเชื่อมั่น ไม่ใช่แค่ค่า p เท่านั้น
✅ อย่าสับสนระหว่างความสัมพันธ์กับสาเหตุและอย่าใช้ความสัมพันธ์ในการศึกษาเปรียบเทียบวิธีการ
การเลือกใช้วิธีการทางสถิติที่ถูกต้องเป็นหนึ่งในขั้นตอนที่สำคัญที่สุดในการรับประกันว่าต้นฉบับของคุณจะได้รับการยอมรับ แทนที่จะถูกปฏิเสธ หากคุณต้องการคำแนะนำจากผู้เชี่ยวชาญเกี่ยวกับการออกแบบทางสถิติสำหรับการศึกษาของคุณโปรดติดต่อทีมชีวสถิติของเราเพื่อขอรับคำปรึกษาฟรี
ต้องการผู้เชี่ยวชาญด้านการวิเคราะห์ทางสถิติสำหรับการวิจัยของคุณหรือไม่?
ตั้งแต่การหาความสัมพันธ์และการวิเคราะห์การถดถอย ไปจนถึงการสร้างแบบจำลองขั้นสูง นักสถิติชีวภาพของ Editverse จะช่วยคุณเลือกและดำเนินการวิเคราะห์ที่เหมาะสมเพื่อให้ได้ผลลัพธ์ที่พร้อมสำหรับการตีพิมพ์
บริการวิเคราะห์สถิติ
การให้คำปรึกษาเบื้องต้นโดยไม่มีค่าใช้จ่าย
แหล่งข้อมูล Editverse ที่เกี่ยวข้อง
→ คู่มือปี 2025: การเลือกการทดสอบทางสถิติที่เหมาะสม
→ การจับคู่คะแนนความโน้มเอียง: คู่มือฉบับสมบูรณ์ทีละขั้นตอน
→ การทดสอบ T ในการทดลองทางคลินิก: ตัวอย่างในโลกแห่งความเป็นจริง
→ การวิเคราะห์แบบ Bland-Altman: คู่มือภาพประกอบสำหรับการเปรียบเทียบวิธีการ
→ วิธีใช้เครื่องคำนวณขนาดตัวอย่างของ Editverse
→ การทบทวนอย่างเป็นระบบกับการวิเคราะห์แบบเมตา: ความแตกต่างที่สำคัญ
→ คำแนะนำง่ายๆ เกี่ยวกับขั้นตอนผังงาน PRISMA
→ คำอธิบายเกี่ยวกับตัวชี้วัดวารสารและตัวชี้วัดบทความ
→ วิธีการเลือกวารสารสำหรับงานวิจัยของคุณ (2026)
→ การทบทวนอย่างเป็นระบบช่วยเร่งการเติบโตของดัชนี H ได้อย่างไร
อ้างอิง
- โชเบอร์ พี, โบเออร์ ซี, ชวาร์ต แอลเอ ค่าสัมประสิทธิ์สหสัมพันธ์: การใช้และการตีความที่เหมาะสม ยาระงับความรู้สึก. 2018;126(5):1763-1768. ดอย: 10.1213/ANE.0000000000002864
- Vetter TR, Schober P. การถดถอย: ลูกไม้หล่นไม่ไกลต้น ยาระงับความรู้สึก. 2018;127(1):277-283. ดอย: 10.1213/ANE.0000000000003424
- Guyatt G, Walter S, Shannon H, Cook D, Jaeschke R, Heddle N. สถิติพื้นฐานสำหรับแพทย์: 4. ความสัมพันธ์และการถดถอย CMAJ. 1995;152(4):497-504. PMID: 7859197
- Godfrey K. การถดถอยเชิงเส้นอย่างง่ายในการวิจัยทางการแพทย์ N Engl J Med. 1985;313(26):1629-1636. DOI: 10.1056/NEJM198512263132604
- Wilson PW, D'Agostino RB, Levy D, Belanger AM, Silbershatz H, Kannel WB. การทำนายโรคหลอดเลือดหัวใจโดยใช้หมวดหมู่ปัจจัยเสี่ยง การไหลเวียน. 1998;97(18):1837-1847. ดอย: 10.1161/01.cir.97.18.1837
- Bland JM, Altman DG. วิธีทางสถิติสำหรับการประเมินความสอดคล้องระหว่างสองวิธีการวัดทางคลินิก มีดหมอ. 1986;1(8476):307-310. PMID: 2868172
- Hezelgrave NL, Suff N, Seed P และคณะ การเปรียบเทียบการเย็บปากมดลูก การใช้ห่วงพยุงปากมดลูก และการใช้โปรเจสเตอโรนทางช่องคลอดเพื่อป้องกันการคลอดก่อนกำหนด (SuPPoRT) PLoS Med. 2024; 21 (7): e1004427 ดอย: 10.1371/journal.pmed.1004427
- Cui H, Zhang W, Zhang L และคณะ ปัจจัยเสี่ยงต่อมะเร็งต่อมลูกหมาก: การทบทวนแบบครอบคลุม PLoS Med. 2024; 21 (3): e1004362 ดอย: 10.1371/journal.pmed.1004362