আরওসি বক্ররেখা বিশ্লেষণে কোভেরিয়েটগুলির জন্য সামঞ্জস্য করা

এই প্রশ্নটি পারস্পরিক সম্পর্কযুক্ত স্কেলের উপস্থিতিতে একটি বাইনারি শেষের অবস্থানের পূর্বাভাস দেওয়ার জন্য বহু-মাত্রিক স্ক্রিনিংয়ের প্রশ্নাবলীতে কাট-অফ স্কোরগুলি অনুমান করার বিষয়ে।

আমাকে মাপদণ্ডের স্কেল (ব্যক্তিত্বের বৈশিষ্ট্য) এর প্রতিটি মাত্রায় কাট-অফ স্কোরগুলি তৈরি করার সময় সংশ্লিষ্ট সাবস্কোরগুলির নিয়ন্ত্রণের আগ্রহ সম্পর্কে জিজ্ঞাসা করা হয়েছিল যা মদ্যপানের স্ক্রিনিংয়ের জন্য ব্যবহৃত হতে পারে। অর্থাত্, এই বিশেষ ক্ষেত্রে, ব্যক্তি বাহ্যিক covariates (ভবিষ্যদ্বাণীকারী) - যা covariate- সমন্বিত আরওসি বক্ররেখার অধীনে (আংশিক) অঞ্চল বাড়ে, উদাহরণস্বরূপ (1-2) - কিন্তু মূলত অন্যান্য স্কোর উপর সামঞ্জস্য করতে আগ্রহী ছিল না একই প্রশ্নোত্তর থেকে কারণ তারা একে অপরের সাথে সম্পর্ক স্থাপন করে (উদাহরণস্বরূপ "সংবেদনশীলতা সন্ধানের সাথে" আবেগপ্রবণতা))। এটি একটি জিএলএম তৈরির পরিমাণ যা বাম দিকে আগ্রহের স্কোর (যার জন্য আমরা কাট অফ চাই) এবং একই প্রশ্নাবলীর সাহায্যে অন্য স্কোরকে অন্তর্ভুক্ত করে, অন্যদিকে ডানদিকে ফলটি পান করার অবস্থা হতে পারে।

স্পষ্ট করার জন্য (প্রতি @robin অনুরোধ), ধরুন আমাদের কাছে স্কোর রয়েছে, বলুন (যেমন, উদ্বেগ, ইমালসিভিটি, স্নায়ুবাদ, সংবেদনশীলতা সন্ধান), এবং আমরা একটি কাট-অফ ভ্যালু (যেমন "পজিটিভ কেস" সন্ধান করতে চাই যদি , অন্যথায় "নেতিবাচক কেস" অন্যথায়)। আমরা সাধারণত অন্যান্য ঝুঁকির জন্য যেমন লিঙ্গ বা বয়সের জন্য যেমন কাটা-অফ (আরওসি বক্ররেখা বিশ্লেষণ ব্যবহার করে) তৈরি করি adjust এখন, এসএস যেহেতু এসএম আইএমপির সাথে সম্পর্কযুক্ত হিসাবে পরিচিত, তাই লিঙ্গ, বয়স এবং সংবেদনশীলতা অনুসন্ধান (এসএস) সম্পর্কে ইমপালসিভিটি (আইএমপি) সামঞ্জস্য করার বিষয়ে কী বলা যায়? অন্য কথায়, আমাদের আইএমপি-র জন্য একটি কাট-অফ মান থাকবে যেখানে বয়স, লিঙ্গ এবং উদ্বেগের স্তরের প্রভাব সরিয়ে দেওয়া হবে। $j=4$ $x_j$ $t_j$ $x_j>t_j$

কাট-অফটি যথাসম্ভব সহজ থাকতে হবে তা বাদে আমার প্রতিক্রিয়া ছিল

কোভেরিয়েটগুলি সম্পর্কে, আমি ভবিষ্যদ্বাণীমূলক পারফরম্যান্সটি বৃদ্ধি পায় কিনা তা দেখার জন্য, কোনও সমন্বয় ছাড়াই এবং ছাড়াই এইউসিগুলি অনুমান করার পরামর্শ দেব। এখানে, আপনার সমবায়ীরা একই পরিমাপের উপকরণ থেকে সংজ্ঞায়িত অন্যান্য সাবস্কোরগুলি এবং আমি কখনও এ জাতীয় পরিস্থিতির মুখোমুখি হইনি (সাধারণত, আমি বয়স বা জেন্ডার মতো পরিচিত ঝুঁকির সাথে সামঞ্জস্য করি)। [...] এছাড়াও, যেহেতু আপনি প্রগনস্টিক ইস্যুগুলিতে আগ্রহী (অর্থাত্ প্রশ্নাবলীর স্ক্রিনিং কার্যকারিতা), আপনি ইতিবাচক ভবিষ্যদ্বাণীমূলক মান (পিপিভি, সঠিক ধরণের শ্রেণিবদ্ধ পরীক্ষিত ফলাফলের রোগীদের সম্ভাবনা) অনুমান করতে আগ্রহীও হতে পারেন আপনি আপনার প্রশ্নাবলীর উপর সাবস্কোরগুলির উপর নির্ভর করে বিষয়গুলিকে "ধনাত্মক" বা "নেতিবাচক" হিসাবে শ্রেণিবদ্ধ করতে সক্ষম হবেন। নোট, তবে,

সম্ভব হলে প্রাসঙ্গিক কাগজগুলির লিঙ্ক সহ, এই বিশেষ পরিস্থিতি সম্পর্কে আপনার আরও কি আরও গভীর ধারণা রয়েছে?

তথ্যসূত্র

জেনেস, এইচ এবং পেপে, এমএস (২০০৮)। ডায়াগনস্টিক, স্ক্রিনিং, বা প্রাগনস্টিক চিহ্নিতকারীদের স্টাডিতে কোভেরিয়েটদের জন্য সামঞ্জস্য করা: একটি নতুন সেটিংয়ে একটি পুরানো ধারণা । আমেরিকান জার্নাল অফ এপিডেমিওলজি , 168 (1): 89-97।
জেনেস, এইচ এবং পেপে, এমএস (২০০৮)। আরওসি বিশ্লেষণে কোভেরিয়েটসকে একত্রিত করা । ইউডাব্লু বায়োস্ট্যাটাস্টিক্স ওয়ার্কিং পেপার সিরিজ , পেপার 322।

epidemiology roc

— chl
সূত্র

আমি কোনও বিশেষজ্ঞ নই, তবে "একটি পরিমাপের স্কেলের প্রতিটি মাত্রায় কাট-অফ স্কোরগুলি তৈরি করার সময়" কিছুটা রহস্যজনক বলে আমি বাক্যটি "সম্পর্কিত সাবস্কোরগুলির জন্য নিয়ন্ত্রণকারী" পেয়েছি। আপনি কি আমাকে আরও একটি ব্যাখ্যা ব্যাখ্যা করতে পারেন (নইলে প্রশ্নটি বুঝতে আমার অসুবিধা হয়েছিল)?

— রবিন গিরার্ড

j = 4

$j=4$

t_{j}

$t_j$

x_{j} > t_{j}

$x_j>t_j$

যদি সমাপ্তির লক্ষ্যটি জরিপ প্রশ্নের উত্তর [সম্পর্কিত)] বাইনারি মানের পূর্বাভাস দেওয়া হয়, তবে এটি অনেকটা স্ট্যান্ডার্ড বাইনারি শ্রেণিবদ্ধকরণ সমস্যার মতো মনে হয়। এভাবে চিন্তা করা কি উপযুক্ত হবে? বা "কাট অফ মান" (যা আমি কিছুই জানি না) নিয়ে আসা খুব গুরুত্বপূর্ণ?

— ডেভিডআর

@ ডেভিডআর ওয়েল, ধারণাটি হ'ল কাট-অফ ভ্যালু (পড়া, "একটি নির্দিষ্ট মানের উপরে ঝুঁকির বিষয়") সিদ্ধান্ত নেওয়া, যা একটি পরিসংখ্যানগত দৃষ্টিভঙ্গি থেকে প্রচুর সতর্কতা নিয়ে আসে তবে বেশিরভাগ চিকিত্সকরা কাজ করতে পছন্দ করেন বা পছন্দ করেন এই পথে. (আপনার মন্তব্যটি আগে লক্ষ্য না করার জন্য দুঃখিত!)

— চিএল

উত্তর:

আপনি যেভাবে বিশ্লেষণটি কল্পনা করেছেন তা আসলে এটি নয় যে আমি আপনাকে এটি সম্পর্কে চিন্তাভাবনা শুরু করার পরামর্শ দেব। সবার আগে এটি দেখানো সহজ যে যদি কাটঅফগুলি অবশ্যই ব্যবহার করতে হয় তবে পৃথক বৈশিষ্ট্যগুলিতে নয় বরং সামগ্রিক পূর্বাভাসের সম্ভাবনার উপরই কাটঅফ প্রয়োগ করা হয় না। একক covariate জন্য সর্বোত্তম কাট অফ অন্যান্য covariates সমস্ত স্তরের উপর নির্ভর করে; এটি ধ্রুবক হতে পারে না। দ্বিতীয়ত, আরওসি কার্ভগুলি কোনও পৃথক বিষয়ের জন্য সর্বোচ্চ সিদ্ধান্ত গ্রহণের লক্ষ্য পূরণে কোনও ভূমিকা রাখে না ।

পারস্পরিক সম্পর্কযুক্ত স্কেলগুলি পরিচালনা করতে অনেকগুলি ডেটা হ্রাস কৌশল রয়েছে যা সহায়তা করতে পারে। এর মধ্যে একটি হ'ল একটি আনুষ্ঠানিক রিডানডেন্সি বিশ্লেষণ যেখানে প্রতিটি ভবিষ্যদ্বাণীকারী অন্য সমস্ত ভবিষ্যদ্বাণীকের কাছ থেকে পরিবর্তিতভাবে অন-লাইনভাবে ভবিষ্যদ্বাণী করা হয়। এটি redunআর Hmiscপ্যাকেজে ফাংশনে প্রয়োগ করা হয় । পরিবর্তনীয় ক্লাস্টারিং, প্রধান উপাদান বিশ্লেষণ এবং ফ্যাক্টর বিশ্লেষণ অন্যান্য সম্ভাবনা। তবে বিশ্লেষণের মূল অংশটি আমার দৃষ্টিতে একটি ভাল সম্ভাব্যতা মডেল (যেমন, বাইনারি লজিস্টিক মডেল) তৈরি করা উচিত be

— ফ্র্যাঙ্ক হ্যারেল
সূত্র

পৃথক বনাম গ্রুপ সিদ্ধান্ত সম্পর্কে গুরুত্বপূর্ণ পার্থক্যের জন্য +1। আপনার উত্তরটি এখানে দেওয়া বা মেডস্ট্যাটস মেইলিং-তালিকায় আপনার অন্য একটি প্রতিক্রিয়া দেওয়া উচিত, আমি আপনার প্রতিক্রিয়াটি অনুমান করেছিলাম । ডায়াগনস্টিক ঝুঁকি মডেলগুলির উপর ভিত্তি করে ডায়াগনস্টিক ইউটিলিটির সরাসরি ব্যবস্থা সম্পর্কে আপনার বক্তব্যটি আমি এই বিষয়ে বিশেষ করে আলোকিত করে দেখতে পেয়েছি ।

— chl

ডায়াগনস্টিক ঝুঁকি মডেলগুলির উপর ভিত্তি করে ডায়াগনস্টিক ইউটিলিটির সরাসরি পদক্ষেপের বিষয়ে আলাপ এখন এখানে পাওয়া যাবে kc.vanderbilt.edu/quant/Seminar/HarrellPLiveMay12.pdf

— এপিফঙ্কি

জেনেসের বিষয়টি, কোভারিয়েট সমন্বিত আরওসি বক্ররেখার পেপে নিবন্ধটি অনুমান করা আরওসি বক্র মানগুলির আরও নমনীয় ব্যাখ্যার অনুমতি দিচ্ছে। এটি সুদের জনসংখ্যার নির্দিষ্ট গোষ্ঠীর মধ্যে আরওসি রেখাচিত্রগুলি সরীকরণের একটি পদ্ধতি। অনুমানিত সত্য পজিটিভ ভগ্নাংশ (টিপিএফ; একক সংবেদনশীলতা) এবং সত্য নেতিবাচক ভগ্নাংশ (টিএনএফ; একক স্পেসিফিকেশন) হিসাবে ব্যাখ্যা করা হয় "রোগের অবস্থা প্রদত্ত সঠিক স্ক্রিনিং ফলাফলের সম্ভাবনা একই ব্যক্তির মধ্যে ওয়াই / এন হয় [অ্যাডজাস্টেড ভেরিয়েবল তালিকা] "। এক নজরে, মনে হচ্ছে আপনি যা করার চেষ্টা করছেন তা আপনার প্যানেলে আরও চিহ্নিতকারীকে যুক্ত করে ডায়াগনস্টিক পরীক্ষাটি উন্নত করা।

এই পদ্ধতিগুলি বোঝার জন্য একটি ভাল ব্যাকগ্রাউন্ড হ'ল কক্স আনুপাতিক ঝুঁকিপূর্ণ মডেল সম্পর্কে পড়া এবং "শ্রেণিবদ্ধের জন্য মেডিক্যাল টেস্টের পরিসংখ্যান মূল্যায়ন এবং ..." শীর্ষক পেপের বইটি দেখুন। আপনি স্ক্রিনিংয়ের নির্ভরযোগ্যতা ব্যবস্থাগুলিকে টিকে থাকার সময় হিসাবে উপযুক্ত স্কোরের কথা চিন্তা করে বেঁচে থাকার বক্ররেখার সাথে অনেকগুলি অনুরূপ বৈশিষ্ট্য ভাগ করে নেবেন। কক্স মডেল যেমন বেঁচে থাকা বক্ররেখার স্তরবিন্যাসের অনুমতি দেয়, তেমনি তারা স্তরিত নির্ভরযোগ্যতা ব্যবস্থা দেওয়ার প্রস্তাব দেয়।

আমাদের কাছে যে বিষয়টি গুরুত্বপূর্ণ তা বাইনারি মিশ্র প্রভাবগুলির মডেলটির প্রসঙ্গে ন্যায়সঙ্গত হতে পারে: ধরুন আপনি মিথের আসক্ত হওয়ার ঝুঁকি সম্পর্কে ভবিষ্যদ্বাণী করতে আগ্রহী? এসইএসের এর উপর এর সুস্পষ্ট প্রভাবশালী প্রভাব রয়েছে যে ডায়াগনস্টিক পরীক্ষার মূল্যায়ন করা বোকামি বলে মনে হচ্ছে, যা কোনওভাবে বিন্যাস ছাড়াই ব্যক্তিগত আচরণের উপর ভিত্তি করে হতে পারে। এটি কারণ [কেবলমাত্র এটির সাথে রোল করুন], এমনকি যদি কোনও ধনী ব্যক্তি ম্যানিক এবং হতাশাজনক লক্ষণগুলি দেখায় তবে তারা সম্ভবত কখনও মিথের চেষ্টা করবে না। তবে, একজন দরিদ্র ব্যক্তি এ জাতীয় মানসিক লক্ষণগুলি (এবং উচ্চতর ঝুঁকির স্কোর) সহ অনেক বড় বর্ধিত ঝুঁকি প্রদর্শন করবে। ঝুঁকির অপরিশোধিত বিশ্লেষণটি আপনার ভবিষ্যদ্বাণীমূলক মডেলের খুব খারাপ অভিনয় প্রদর্শন করবে কারণ দুটি গ্রুপে একই পার্থক্য নির্ভরযোগ্য ছিল না। তবে, যদি আপনি স্তরিত হন (ধনী বনাম দরিদ্র),

কোভারিয়েট সামঞ্জস্যের বিষয়টি হ'ল স্বতন্ত্র স্তরের মধ্যে ঝুঁকি মডেলটিতে নিম্ন সম্প্রচার এবং মিথস্ক্রিয়াজনিত কারণে বিভিন্ন গ্রুপকে সমজাতীয় বিবেচনা করা।

— Adamo
সূত্র

(+1) এটি একটি আকর্ষণীয় প্রতিক্রিয়া, আপনাকে অনেক ধন্যবাদ। এই লেখার সময় আমার প্রধান উদ্বেগ ছিল যে কাট অফের মানগুলি কিছুটা "পরস্পরের উপর নির্ভরশীল" হবে। তবে আমি পেপের বইটি পরীক্ষা করব (এর মধ্যে এখানে কিছু হ্যান্ডআউট পেয়েছে )।

— chl

চিকিত্সা পরীক্ষার বিকাশ ও মূল্যায়ন করতে একই ডেটা ব্যবহার করে সমস্যা রয়েছে তবে ঠিক করা সহজ। আপনার কোনও ধরণের ক্রস-বৈধতা বিবেচনা করা উচিত, বা ডেটাটিকে "প্রশিক্ষণ" এবং "বৈধকরণ" সাবসেটগুলিতে ভাগ করা। এটি সাধারণত ডায়াগনস্টিক / প্রগনোস্টিক / ঝুঁকি-পূর্বাভাস মডেল বিকাশের একটি বৈধ পন্থা।

— আদমো