একটি লজিস্টিক রিগ্রেশন ফলাফলের রিপোর্ট করা

13

আমার নিম্নলিখিত লজিস্টিক রিগ্রেশন আউটপুট রয়েছে:

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)   0.5716     0.1734   3.297 0.000978 ***
R1           -0.4662     0.2183  -2.136 0.032697 *  
R2           -0.5270     0.2590  -2.035 0.041898 *

এটি নিম্নলিখিত উপায়ে রিপোর্ট করা কি উপযুক্ত:

বিটা সহগ, অডস অনুপাত, জালভ্যালু, পি মান। যদি হ্যাঁ, তবে আমি কীভাবে অডস অনুপাত পেতে পারি?

logistic

— উপরে
সূত্র

সম্পর্কিত প্রশ্ন: লগেস্টিক রিগ্রেশন ইন আর (অডস অনুপাত) ।

— ল্যান্ড্রোনি

9

আপনার সারণির জন্য প্রস্তাবিত প্রতিবেদন যুক্তিসঙ্গত বলে মনে হচ্ছে, যদিও জেড-মান এবং পি-মানগুলি অপ্রয়োজনীয়। আমার সাথে পরিচিত অনেক জার্নালগুলি z-value / p- মানটি মোটেও রিপোর্ট করে না এবং কেবলমাত্র পরিসংখ্যানের তাত্পর্য প্রতিবেদন করার জন্য নক্ষত্রগুলি ব্যবহার করে না। আমি কেবলমাত্র বিজোড় অনুপাতের সাথে লজিস্টিক টেবিলগুলিও দেখেছি, যদিও আমি ব্যক্তিগতভাবে কোনও টেবিলে স্থান অনুমতি দিলে লগ প্রতিক্রিয়া এবং প্রতিক্রিয়া অনুপাত উভয়ই পছন্দ করি।

তবে রিপোর্টিং পদ্ধতি সম্পর্কিত বিভিন্ন স্থানের বিভিন্ন গাইড থাকতে পারে, তাই যা প্রত্যাশা করা হয় তা ভিন্ন হতে পারে। আমি যদি কোনও জার্নালে কোনও কাগজ জমা দিই তবে আমি প্রায়শই কেবল দেখতে পাব যে অন্যান্য সাম্প্রতিক কাগজগুলি কীভাবে তাদের টেবিলগুলি তৈরি করেছে এবং সেগুলি কেবল অনুকরণ করে। এটি যদি আপনার নিজস্ব ব্যক্তিগত কাগজ হয় তবে কারও কাছে এটির পর্যালোচনা করা জিজ্ঞাসা করা যুক্তিসঙ্গত অনুরোধ হবে। আমি উপরে উল্লিখিত হিসাবে, কিছু স্থানে স্থানের সীমাবদ্ধতা আপনাকে চূড়ান্তভাবে অপ্রয়োজনীয় তথ্য (যেমন লগের প্রতিক্রিয়া এবং প্রতিকূল উভয় অনুপাত) প্রতিবেদন করতে বাধা দিতে পারে। কিছু জায়গাগুলি আপনাকে পাঠ্যে ফলাফলগুলি পুরোপুরি রিপোর্ট করতে বাধ্য করতে পারে!

অন্যান্য মডেল কী রিপোর্ট করতে সংক্ষিপ্ত করে তা নিয়েও প্রশ্ন রয়েছে। যদিও আমি অনেক জার্নাল ঘন ঘন সিউডো মানের প্রতিবেদন করার সাথে পরিচিত , এখানে সাইটের একটি থ্রেড যা বিভিন্ন পদক্ষেপের দুর্বলতাগুলি নিয়ে আলোচনা করে। আমি ব্যক্তিগতভাবে শ্রেণিবিন্যাসের হারগুলি প্রতিবেদন করা পছন্দ করি তবে আমি আবার সন্দেহ করি যে এটি ঘটনাস্থল অনুসারে পরিবর্তিত হয় (আমি কল্পনা করতে পারি যে কয়েকটি জার্নাল বিশেষত ছদ্ম পদক্ষেপের প্রতিবেদন করার জন্য অনুরোধ করবে )) $R^2$ $R^2$

এর বিজোড় অনুপাত মাত্র রিগ্রেশন সহগ exponentiate পেতে (অর্থাত নিতে যেখানে বেস স্বাভাবিক লগারিদম এবং । আনুমানিক লজিস্টিক রিগ্রেশন সহগ হয়) একটি ভাল অনুমান কোনও পরিসংখ্যানের ভাষায় এটি গণনা করা হয় । $e^{\hat{\beta}}$ $e$ $\hat{\beta}$ exp(coefficient)

একটি নোট হিসাবে, যদিও এটি বর্তমান গৃহীত উত্তর, লেজহান এবং ফ্র্যাঙ্ক হ্যারেল উভয়ই খুব দরকারী পরামর্শ দেয়। যদিও আমি সর্বদা কোথাও রিপোর্ট করা প্রশ্নের মধ্যে পরিসংখ্যান সর্বদা চাইব, অন্য ব্যবস্থাগুলি সম্পর্কে অন্যান্য উত্তরগুলির পরামর্শ হ'ল মডেলের অন্যান্য অনুমান প্রভাবের তুলনায় প্রভাব আকারগুলি মূল্যায়নের কার্যকর উপায়। গ্রাফিকাল পদ্ধতিগুলি আপেক্ষিক প্রভাবের আকারগুলি পরীক্ষা করতে এবং টেবিলগুলিকে গ্রাফগুলিতে উদাহরণ হিসাবে রূপান্তর করার জন্য এই দুটি কাগজপত্র দেখুন ( ক্যাসটেলিক ও লিওনি, 2007 ; জেলম্যান এট আল।, 2002 )

— অ্যান্ডি ডাব্লু
সূত্র

ক্যাসটেলিক ও লিওনি, 2007 লিঙ্কটি ভেঙে গেছে তবে কোড সহ একই কাগজ থেকে এখানে একটি উদাহরণ।

— ACNB

11

এই প্রশ্নের উত্তর আপনার শৃঙ্খলাবদ্ধ পটভূমির উপর নির্ভর করে।

এখানে কিছু সাধারণ বিবেচনা দেওয়া হল।

বিটা লজিস্টিক রিগ্রেশন ইন সরাসরি ব্যাখ্যা করা বেশ শক্ত। সুতরাং, তাদের স্পষ্টভাবে রিপোর্ট করা কেবলমাত্র খুব সীমিত ব্যবহারের। আপনার পক্ষে প্রতিকূল অনুপাত বা এমনকি প্রান্তিক প্রভাবগুলিতে লেগে থাকা উচিত। ভেরিয়েবল এক্সের প্রান্তিক প্রভাব হ'ল আপনার নির্ভরশীল ভেরিয়েবলগুলি x এর সাথে সমান হওয়ার সম্ভাবনাটির ব্যয় iv ফল উপস্থাপনের এই পদ্ধতিটি অর্থনীতিবিদদের মধ্যে খুব জনপ্রিয়। ব্যক্তিগতভাবে আমি বিশ্বাস করি যে প্রান্তিক প্রভাবগুলি সাধারণ লোকেরা সহজেই বুঝতে পারবেন (তবে কেবল তাদের দ্বারা নয় ...) বৈষম্য অনুপাতের চেয়ে বেশি।

আর একটি আকর্ষণীয় সম্ভাবনা গ্রাফিকাল প্রদর্শনগুলি ব্যবহার করা। এমন একটি জায়গা যেখানে আপনি এই পদ্ধতির কিছু চিত্র দেখতে পাবেন তা হ'ল গেলম্যান অ্যান্ড হিল বই । প্রান্তিক প্রভাবগুলি বলার চেয়েও আমি এটি আরও ভাল বলে মনে করি।

প্রতিকূল অনুপাত কীভাবে পাওয়া যায় সে সম্পর্কে প্রশ্ন সম্পর্কে, আপনি কীভাবে এটি আর এ করতে পারেন তা এখানে:

model <- glm(y ~ x1 + x2, family=binomial("logit"))
oddrat <- exp(coef(model))

— স্কর্চচি - মনিকা পুনরায় স্থাপন করুন
সূত্র

প্রান্তিক প্রভাব অনুমানকে টেবিলগুলিতে পরিণত করার কোনও উদাহরণ আছে (বা গেলম্যান এবং হিলের নির্দিষ্ট পৃষ্ঠাগুলি?)

— অ্যান্ডি ডব্লিউ

1

গেলম্যান এবং হিল প্রকৃতপক্ষে প্রান্তিক প্রভাবগুলি ব্যবহার করে না, বরং চিত্রগুলি, যা পূর্বাভাসের সম্ভাবনার উপর ভিত্তি করে।

10

এটি কেবলমাত্র বিশেষ ক্ষেত্রে যেখানে সহগ এবং তাদের অ্যান্টি-লগগুলি (প্রতিকূল অনুপাত) ভাল সংক্ষিপ্তসার হয়। এটি যখন সম্পর্কগুলি রৈখিক হয় এবং ভবিষ্যদ্বাণীকের সাথে একটি সহগ যুক্ত হয় এবং যখন এক-ইউনিট পরিবর্তন প্রতিকূলতা অনুপাত গণনা করার জন্য ভাল ভিত্তি হয় (বয়সের জন্য আরও ঠিক আছে, শ্বেত রক্তের গণনার বিস্তৃত পরিমাণ নেই) 500-100,000)। সাধারণত, আন্তঃ কোয়ার্টাইল-রেঞ্জের প্রতিকূল অনুপাতগুলির মতো জিনিসগুলি কার্যকর। আমার এ সম্পর্কে আরও বিস্তারিত রয়েছে http://biostat.mc.vanderbilt.edu/wiki/pub/Main/RmS/rms.pdf এবং আর rmsপ্যাকেজটি স্বয়ংক্রিয়ভাবে এইগুলি করে (এক্সলাইনযুক্ত শর্তাবলী এবং মিথস্ক্রিয়া পরিচালনা করে, এক্স, ইত্যাদি)।

— ফ্র্যাঙ্ক হ্যারেল
সূত্র

5

এটি সম্ভবত আপনার শ্রোতা এবং শৃঙ্খলার উপর নির্ভর করে। নীচের উত্তরটি হ'ল সাধারণত এপিডেমিওলজি জার্নালের জন্য এবং কিছু পরিমাণে মেডিকেল জার্নালের জন্য কী করা হয়।

কথায় কথায় বলতে গেলে, আমরা পি-ভ্যালু সম্পর্কে চিন্তা করি না। গুরুতরভাবে, আমরা না। আপনার যদি সত্যিই সত্যিকারের চাপের প্রয়োজন না হয় এবং ক্ষেত্রটি মূলত মামলাটি অনুসরণ না করে তবে এপিডেমিওলজি আপনাকে সেগুলি জানাতে দেয় না।

আমরা হয়ত বিটা অনুমানের বিষয়ে চিন্তা করি না, প্রশ্নের উপর নির্ভর করে। যদি আপনার প্রতিবেদনটি আরও কিছু পদ্ধতিগত বা সিমুলেশন ভিত্তিক কোনও বিষয়ে থাকে তবে আমি সম্ভবত বিটা অনুমান এবং মান ত্রুটির প্রতিবেদন করব। আপনি যদি জনসংখ্যার অনুমান অনুসারে কোনও প্রভাবের প্রতিবেদন করার চেষ্টা করছেন তবে আমি অডস অনুপাত এবং 95% আত্মবিশ্বাস ব্যবধানের সাথে থাকব। এটিই আপনার অনুমানের মাংস এবং সেই ক্ষেত্রের পাঠকরা কী সন্ধান করবেন।

প্রতিকূল অনুপাত কীভাবে পাওয়া যায় তার জন্য উত্তরগুলি উপরে পোস্ট করা হয়েছে তবে OR বা 95% সিআই এর জন্য:

OR = exp(beta)
95% CI = exp(beta +/- 1.96*std error)

— Fomite
সূত্র

উত্তরের জন্য ধন্যবাদ! আমি জিজ্ঞাসা করতে পারি যে গণনাতে 1.96 কী বোঝায়?

— উপরে

1

সমস্যা নেই :) 95% আত্মবিশ্বাসের ব্যবধানটি এমন স্প্যান যা আপনার বিটা প্রাক্কলনের স্বাভাবিক বিতরণের প্রায় 2.5.5 শতাংশ থেকে 97.5 তম পার্সেন্টাইল পর্যন্ত coverাকা উচিত। এই পয়েন্টগুলির প্রতিটির গড় থেকে প্রায় 1.96 স্ট্যান্ডার্ড বিচ্যুতি (এই ক্ষেত্রে, বিটা)।

— ফোমাইট

হ্যাঁ, তবে প্রতিটি বিটা সহগের জন্য আমার কি এটি করা উচিত? এছাড়াও 1.96 পরিবর্তন হয়? এছাড়াও এটি দ্বিপদী তথ্য এটি এখনও সাধারণ বিতরণের উপর ভিত্তি করে?

— ই

2

হ্যাঁ - প্রতিটি বিটা সহগের জন্য, আপনি একটি বিজোড় অনুপাত এবং 95% আস্থা সীমা অর্জন করতে পারেন। আত্মবিশ্বাসের ব্যবধান (90%, 99%, ইত্যাদি) এর জন্য আপনি যদি আলাদা পারসেন্টাইল গণনা করতে না চান তবে 1.96 টি পরিবর্তন হবে না, তবে 95% স্ট্যান্ডার্ড হওয়ায় এটি করার দরকার নেই। এবং যতক্ষণ আপনি লগ স্কেলে কাজ করছেন, লজিস্টিক রিগ্রেশন মডেল থেকে প্যারামিটারগুলি সাধারণত বিতরণ করা হয়। আপনি একবার তাদের ঘনিষ্ট হয়ে গেলে, এটি সত্য হওয়া বন্ধ করে দেয়।

— ফোমাইট