সাম্প্রতিক একটি কাগজে নর্টন এট আল। (2018) [ 1 ] এটি উল্লেখ করুন
বৈষম্য অনুপাতের প্রাক্কলনের পরিসংখ্যানগুলির ফলাফল হিসাবে পরিসংখ্যানগত মডেলগুলির পৃথক পৃথক ব্যাখ্যাযোগ্য ভেরিয়েবল থাকে যখন একই স্টাডি থেকে ভিন্ন ভিন্ন অনুপাতের সাথে তুলনা করা যায় না কারণ প্রতিটি মডেলের একটি পৃথক নির্বিচারে স্কেলিং ফ্যাক্টর থাকে। তেমনি একটি গবেষণা থেকে বৈষম্যের অনুপাতের মাত্রা অন্য গবেষণার বৈষম্যের অনুপাতের মাত্রার সাথে তুলনা করা যায় না, কারণ বিভিন্ন নমুনা এবং বিভিন্ন মডেলের স্পেসিফিকেশনগুলিতে বিভিন্ন স্বেচ্ছাসেবী স্কেলিং উপাদান থাকবে। আরও জড়িত বিষয় হ'ল একাধিক স্টাডিতে প্রদত্ত সমিতির প্রতিকূলতার অনুপাতের মাত্রাকে মেটা-বিশ্লেষণে সংশ্লেষ করা যায় না।
একটি ছোট সিমুলেশন এটি চিত্রিত করে (আর কোডটি প্রশ্নের নীচে রয়েছে)। ধরুন আসল মডেলটি হল:
res_1 res_2 res_3 res_4
1.679768 1.776200 2.002157 2.004077
আমার প্রশ্নগুলো:
- যদি অজস্র অনুপাতটি মূলত অধ্যয়ন এবং মডেলগুলিতে অপ্রয়োজনীয় হয় তবে আমরা কীভাবে বাইনারি ফলাফলের জন্য বিভিন্ন গবেষণার ফলাফলগুলিকে একত্রিত করতে পারি?
- কি অগণিত মেটা-বিশ্লেষণ যে সম্পর্কে বলা যেতে পারে না বিভিন্ন গবেষণা থেকে মতভেদ অনুপাত মেশা যেখানে প্রতিটি অধ্যয়ন সম্ভবত covariates একটি ভিন্ন সেট স্থায়ী? এগুলি কি মূলত অকেজো?
তথ্যসূত্র
[1]: নর্টন ইসি, ডাউড বিই, ম্যাকিয়েজেউস্কি এমএল (2018): অডস অনুপাত - বর্তমানের সেরা অনুশীলন এবং ব্যবহার। জামা 320 (1): 84-85।
[2]: নর্টন ইসি, ডাউড বিই (2017): লগ ওডস এবং লজিট মডেলগুলির ব্যাখ্যা। স্বাস্থ্য সেবা রেস। 53 (2): 859-878।
[3]: হার্নান এমএ, ক্লেটন ডি, কেইডিং এন (২০১১): সিম্পসনের প্যারাডক্সটি মোড়ক ছাড়াই। ইন্ট জে এপিডেমিওল 40: 780-785।
প্রকাশ
প্রশ্ন (রাঃ কোড সহ) একটি প্রশ্ন ব্যবহারকারী দ্বারা যাকে জাহির এর একটি পরিবর্তিত সংস্করণ timdisher উপর datamethods ।
আর কোড
set.seed(142857)
n_sims <- 1000 # number of simulations
out <- data.frame(
treat_1 = rep(NA, n_sims)
, treat_2 = rep(NA, n_sims)
, treat_3 = rep(NA, n_sims)
, treat_4 = rep(NA, n_sims)
)
n <- 1000 # number of observations in each simulation
coef_sim <- "x1" # Coefficient of interest
# Coefficients (log-odds)
b0 <- 1
b1 <- log(2)
b2 <- log(2.5)
b3 <- log(3)
b4 <- 0
for(i in 1:n_sims){
x1 <- rbinom(n, 1, 0.5)
x2 <- rnorm(n)
x3 <- rnorm(n)
x4 <- rnorm(n)
z <- b0 + b1*x1 + b2*x2 + b3*x3 + b4*x4
pr <- 1/(1 + exp(-z))
y <- rbinom(n, 1, pr)
df <- data.frame(y = y, x1 = x1, x2 = x2, x3 = x3, x4 = x4)
model1 <- glm(y ~ x1, data = df, family = "binomial")
model2 <- glm(y ~ x1 + x2, data = df, family = "binomial")
model3 <- glm(y ~ x1 + x2 + x3, data = df, family = "binomial")
model4 <- glm(y ~ x1 + x2 + x3 + x4, data = df, family = "binomial")
out$treat_1[i] <- model1$coefficients[coef_sim]
out$treat_2[i] <- model2$coefficients[coef_sim]
out$treat_3[i] <- model3$coefficients[coef_sim]
out$treat_4[i] <- model4$coefficients[coef_sim]
}
# Coefficients
colMeans(out)
exp(colMeans(out)) # Odds ratios