เครื่องคิดเลขฟรีของ Editverse
เครื่องคำนวณการถดถอยโลจิสติกส์
สร้างแบบจำลองผลลัพธ์ใช่/ไม่ใช่จากตัวแปรทำนายหนึ่งตัวหรือมากกว่า — ด้วยอัตราส่วนความน่าจะเป็นที่ปรับแล้ว แผนภาพฟอเรสต์ และคำสั่ง R ที่ทำซ้ำได้ อ่านคู่มือการตีความฉบับเต็มด้านล่าง ตรวจสอบความถูกต้องกับ R 4.3.3 แล้ว
ในคำง่ายๆ
การถดถอย โลจิสติกส์ทำนายผลลัพธ์แบบไบนารี — เป็นโรคหรือไม่เป็นโรค รอดชีวิตหรือไม่ — จากตัวแปรอธิบายหนึ่งตัวหรือมากกว่านั้น แทนที่จะใช้เส้นตรงในการหาค่าที่เหมาะสม มันจะสร้างแบบจำลองลอการิทึมของอัตราต่อรองของผลลัพธ์ ซึ่งทำให้ค่าความน่าจะเป็นที่ทำนายได้ทั้งหมดอยู่ระหว่าง 0 ถึง 1 อย่างสมเหตุสมผล
ตัวแปรทำนายแต่ละตัวจะสร้างค่าสัมประสิทธิ์ ซึ่งเมื่อนำไปยกกำลังแล้วจะกลายเป็นอัตราส่วนความน่าจะเป็นที่ปรับแล้ว (adjusted odds ratio ) นั่นคือ การเปลี่ยนแปลงของความน่าจะเป็นของผลลัพธ์สำหรับการเปลี่ยนแปลงหนึ่งหน่วยในตัวแปรทำนายนั้น โดยคงตัวแปรอื่นๆ ไว้คงที่ อัตราส่วนความน่าจะเป็นที่มากกว่า 1 หมายความว่าปัจจัยนั้นเพิ่มความน่าจะเป็น ในขณะที่อัตราส่วนความน่าจะเป็นที่ต่ำกว่า 1 หมายความว่าปัจจัยนั้นลดความน่าจะเป็น แผนภาพฟอเรสต์แสดงอัตราส่วนความน่าจะเป็นแต่ละตัวพร้อมช่วงความเชื่อมั่นให้เห็นได้อย่างชัดเจน
ควรใช้การถดถอยโลจิสติกส์เมื่อใด
ใช้เมื่อผลลัพธ์เป็นแบบไบนารีและคุณต้องการประมาณผลกระทบของตัวแปรทำนายหลายตัวพร้อมกัน โดยปรับแต่ละตัวให้เข้ากับตัวแปรอื่นๆ เป็นเครื่องมือมาตรฐานสำหรับการวิเคราะห์ปัจจัยเสี่ยงในงานวิจัยแบบกลุ่มตัวอย่างและแบบกรณีศึกษาเปรียบเทียบ และความน่าจะเป็นที่ได้จากการประมาณค่าสามารถนำไปใช้ในการวิเคราะห์ ROCเพื่อประเมินว่าแบบจำลองมีความสามารถในการจำแนกได้ดีเพียงใด
รายงานค่าอัตราส่วนความน่าจะเป็นที่ปรับแล้ว พร้อม ช่วงความเชื่อมั่น 95% แทนที่จะใช้ค่าสัมประสิทธิ์ดิบ และระบุว่าตัวแปรใดบ้างที่อยู่ในแบบจำลอง สำหรับผลลัพธ์แบบต่อเนื่อง ให้ใช้การถดถอยเชิงเส้นหลายตัวแปรแทน สังเกตกฎทั่วไปเกี่ยวกับจำนวนเหตุการณ์ต่อตัวแปร: เหตุการณ์ผลลัพธ์ประมาณสิบเหตุการณ์ต่อตัวทำนายจะทำให้ค่าประมาณมีความเสถียร ไม่แน่ใจว่าแบบจำลองใดเหมาะสมกับผลลัพธ์ของคุณ? ตัวเลือกการทดสอบแบบโต้ตอบ ของเรา สามารถช่วยได้
คาดหวัง: หนึ่งแถวต่อระเบียน, y(0/1), x1, x2, …
วางไฟล์ CSV ที่นี่ หรือคลิกเพื่อเลือก ระบบจะประมวลผลในเบราว์เซอร์ของคุณ: ไม่มีการอัปโหลดใดๆ เกิดขึ้น
คาดหวัง: หนึ่งแถวต่อระเบียน, 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)))คู่มือผู้ใช้
ควรใช้เมื่อใด:สร้างแบบจำลองผลลัพธ์แบบไบนารีและคำนวณอัตราส่วนความน่าจะเป็นที่ปรับแล้วสำหรับตัวแปรทำนายแต่ละตัว
ข้อสมมติฐานผลลัพธ์เป็นแบบไบนารี (มีทั้งผลลัพธ์เป็นค่าลบและค่าบวก); อัตราส่วนลอการิทึมของอัตราต่อรองเป็นแบบเชิงเส้นตามตัวแปรทำนาย; การสังเกตการณ์เป็นอิสระต่อกัน
ข้อผิดพลาดที่พบบ่อย หลักการทั่วไป : ควรมีเหตุการณ์อย่างน้อย ~10 เหตุการณ์ต่อตัวแปรทำนาย เพื่อหลีกเลี่ยงการประมาณค่าที่ไม่เสถียร
ตัวอย่างการทำงาน
คลิกที่ " โหลดข้อมูลตัวอย่าง"ด้านบน จากนั้นคลิก "เรียกใช้การวิเคราะห์"เพื่อดูผลลัพธ์ที่สมบูรณ์พร้อมรูปภาพ สูตร และคำอธิบายสำหรับการทดสอบนี้
อ้างอิง
- Hosmer DW, Lemeshow S, Sturdivant RX. การวิเคราะห์การถดถอยโลจิสติกประยุกต์ ฉบับที่ 3 ปี 2013
ตัวอย่างผลงาน
ตัวอย่างที่ 1 — ตัวทำนายไบนารีเดี่ยว
การสร้างแบบจำลองอัตราการเสียชีวิตภายใน 30 วันโดยใช้ตัวบ่งชี้การสูบบุหรี่จะให้ค่าสัมประสิทธิ์ที่ยกกำลังแล้วได้อัตราส่วนความน่าจะเป็น เช่น 1.8 ซึ่งหมายความว่าผู้สูบบุหรี่มีโอกาสเกิดเหตุการณ์ดังกล่าวมากกว่า 1.8 เท่า ช่วงความเชื่อมั่น 95% จะแสดงให้เห็นว่าค่าประมาณนั้นมีความแม่นยำเพียงพอที่จะน่าเชื่อถือหรือไม่
ตัวอย่างที่ 2 — การปรับแก้ตัวแปรแทรกซ้อน
การเพิ่มอายุและภาวะร่วมทางโรคเข้าไปในแบบจำลองจะทำให้ได้อัตราส่วนความเสี่ยงของการสูบบุหรี่ที่ปรับตามปัจจัยเหล่านั้นแล้ว หากอัตราส่วนความเสี่ยงที่ปรับแล้วลดลงเข้าใกล้ 1 แสดงว่าความสัมพันธ์แบบดิบๆ บางส่วนได้รับการอธิบายโดยตัวแปรแทรกซ้อนแล้ว แผนภาพฟอเรสต์แสดงอัตราส่วนความเสี่ยงที่ปรับแล้วทั้งหมดรวมกัน
ข้อสมมติฐานที่ต้องตรวจสอบ
การสังเกตที่เป็นอิสระและผลลัพธ์แบบไบนารีแต่ละบันทึกคือบุคคลอิสระหนึ่งคนที่มีผลลัพธ์ใช่/ไม่ใช่ ข้อมูลแบบกลุ่มหรือข้อมูลซ้ำซ้อนจำเป็นต้องใช้แบบจำลองแบบผสมหรือแบบ GEE
ความเป็นเส้นตรงในฟังก์ชัน logit สำหรับตัวแปรทำนายแบบต่อเนื่องตัวแปรต่อเนื่องควรมีความสัมพันธ์เชิงเส้นกับค่า log-odds ตรวจสอบด้วย splines หรือการจัดหมวดหมู่หากไม่แน่ใจ
ควรมีเหตุการณ์ผลลัพธ์มากพอต่อตัวแปรทำนายหนึ่งตัว โดยทั่วไปแล้วควรมีเหตุการณ์ผลลัพธ์อย่างน้อยประมาณสิบเหตุการณ์ต่อตัวแปรทำนายหนึ่งตัว ยิ่งมีเหตุการณ์ผลลัพธ์น้อยเท่าไหร่ ก็ยิ่งเสี่ยงต่อการประมาณค่าที่ไม่เสถียรและซับซ้อนมากขึ้นเท่านั้น
ข้อผิดพลาดทั่วไป
การตีความอัตราส่วนความน่าจะเป็นเป็นอัตราส่วนความเสี่ยง
เมื่อผลลัพธ์เกิดขึ้นบ่อย อัตราส่วนความน่าจะเป็นจะประเมินความเสี่ยงสัมพัทธ์สูงเกินไป โปรดระบุให้ชัดเจนว่าแบบจำลองรายงานอัตราส่วนความน่าจะเป็น ไม่ใช่ความเสี่ยงสัมพัทธ์
การเกิดภาวะโอเวอร์ฟิตติ้ง (Overfitting) จากการใช้ตัวแปรทำนายมากเกินไป
การใส่ตัวแปรจำนวนมากเข้าไปในแบบจำลองที่มีเหตุการณ์น้อย จะทำให้ช่วงความเชื่อมั่นกว้างและค่าประมาณไม่น่าเชื่อถือ ควรปฏิบัติตามหลักเกณฑ์จำนวนเหตุการณ์ต่อตัวแปร
ละเลยความเหมาะสมของแบบจำลองและการจำแนกประเภท
แบบจำลองอาจสร้างอัตราส่วนความน่าจะเป็นได้ แต่ความเหมาะสมอาจไม่ดีนัก ควรรายงานค่าการสอบเทียบและการจำแนก (เช่น พื้นที่ใต้เส้นโค้ง ROC )
รายงานค่าสัมประสิทธิ์แทนอัตราส่วนความน่าจะเป็น
ค่าสัมประสิทธิ์ลอการิทึมของอัตราต่อรองแบบดิบนั้นตีความได้ยาก จึงควรแปลงเป็นอัตราส่วนอัตราต่อรองและแสดงช่วงความเชื่อมั่น 95%
คำถามที่พบบ่อย (FAQs)
อัตราส่วนความน่าจะเป็นที่ปรับแล้วหมายความว่าอย่างไร?
เป็นการหาอัตราส่วนความน่าจะเป็นของตัวทำนายตัวหนึ่ง โดยคงตัวแปรอื่นๆ ในแบบจำลองให้คงที่ เพื่อแยกความสัมพันธ์ที่เป็นอิสระของตัวทำนายนั้นออกมา
ฉันสามารถใส่ตัวแปรทำนายได้กี่ตัว?
โดยทั่วไป ควรใช้ตัวแปรทำนายประมาณหนึ่งตัวต่อเหตุการณ์ผลลัพธ์สิบเหตุการณ์ เพื่อหลีกเลี่ยงการเกิดภาวะโอเวอร์ฟิตติ้ง (overfitting) หากมีตัวแปรทำนายมากกว่าจำนวนข้อมูลที่รองรับได้ การประมาณค่าก็จะไม่เสถียร
ฉันควรใช้การถดถอยเชิงเส้นเมื่อใดแทน?
ใช้การถดถอยเชิงเส้นสำหรับตัวแปรต่อเนื่อง ส่วนการถดถอยโลจิสติกใช้สำหรับตัวแปรไบนารี
ผลลัพธ์ตรงกับ SPSS, R และ Stata หรือไม่?
ใช่แล้ว เครื่องคำนวณนี้จะสร้างแบบจำลองโดยใช้วิธีความน่าจะเป็นสูงสุด เหมือนกับฟังก์ชัน glm() ใน R และแสดงคำสั่ง R ที่ถูกต้องเพื่อให้คุณสามารถทำซ้ำได้
เครื่องคำนวณที่เกี่ยวข้อง
อ้างอิง
- สโตลทซ์ฟัส เจซี. การวิเคราะห์การถดถอยเชิงลอจิสติก: บทนำโดยสังเขป วิชาการแพทย์ฉุกเฉิน. 2011;18(10):1099–1104. PMID 21996075.
- แบรนด์ อาร์, เคียร์ส เอ็มเจ การใช้การถดถอยโลจิสติกในระบาดวิทยาปริกำเนิด: บทนำสำหรับนักวิจัยทางคลินิก ตอนที่ 1: แนวคิดพื้นฐาน กุมารเวชศาสตร์ปริกำเนิดระบาดวิทยา. 1990;4(1):22–38. PMID 2320497.
- ฮอสเมอร์ DW, เลเมโชว์ เอส, สเตอร์ดิแวนท์ อาร์เอ็กซ์ การวิเคราะห์การถดถอยโลจิสติกประยุกต์ ฉบับพิมพ์ครั้งที่ 3 โฮโบเคน รัฐนิวเจอร์ซีย์: ไวลีย์; 2013
ต้องการให้วิเคราะห์ข้อมูลนี้สำหรับต้นฉบับของคุณหรือไม่?
นักสถิติชีวภาพระดับปริญญาเอกของเราจะสร้างแบบจำลองการถดถอยโลจิสติกส์ให้คุณ รายงานอัตราส่วนความน่าจะเป็นที่ปรับแล้วพร้อมช่วงความเชื่อมั่น และส่งมอบแผนภูมิฟอเรสต์ที่พร้อมสำหรับการตีพิมพ์พร้อมเอาต์พุต R ที่ทำซ้ำได้
