คำถามติดแท็ก relative-risk

สรุปโดยย่อ เหตุใดจึงเป็นเรื่องธรรมดามากขึ้นที่จะใช้การถดถอยโลจิสติก (ด้วยอัตราต่อรอง) ในการศึกษาหมู่ที่มีผลลัพธ์เป็นเลขฐานสองเมื่อเทียบกับการถดถอยแบบปัวซอง (โดยมีความเสี่ยงสัมพัทธ์) พื้นหลัง ในระดับปริญญาตรีและระดับบัณฑิตศึกษาสถิติและหลักสูตรระบาดวิทยาในประสบการณ์ของฉันสอนโดยทั่วไปว่าการถดถอยโลจิสติกควรใช้สำหรับการสร้างแบบจำลองข้อมูลที่มีผลลัพธ์แบบไบนารีโดยมีการประเมินความเสี่ยงที่รายงานว่าเป็นอัตราต่อรอง อย่างไรก็ตามการถดถอยของปัวซอง (และที่เกี่ยวข้อง: กึ่งปัวซอง, ทวินามลบ ฯลฯ ) ยังสามารถใช้ในการสร้างแบบจำลองข้อมูลด้วยผลลัพธ์ไบนารีและด้วยวิธีการที่เหมาะสม (เช่นตัวประมาณความแปรปรวนแซนวิชที่แข็งแกร่ง) ให้การประเมินความเสี่ยง เช่น, Greenland S. , การประมาณแบบจำลองตามความเสี่ยงสัมพัทธ์และมาตรการทางระบาดวิทยาอื่น ๆ ในการศึกษาผลลัพธ์ทั่วไปและในกรณีศึกษาการควบคุม , Am J Epidemiol 2004 15 ส.ค. ; 160 (4): 301-5 Zou G. , วิธีการถดถอยแบบปัวซองเพื่อแก้ไขการศึกษาในอนาคตด้วยข้อมูลไบนารี , Am J Epidemiol 2004 1 เม.ย. ; 159 (7): 702-6 Zou …

42 logistic  poisson-distribution  epidemiology  odds-ratio  relative-risk 

หลังจากติดตั้ง coxmodel เป็นไปได้ที่จะคาดการณ์และดึงความเสี่ยงสัมพัทธ์ของข้อมูลใหม่ สิ่งที่ฉันไม่เข้าใจคือวิธีคำนวณความเสี่ยงสัมพัทธ์สำหรับบุคคลและสิ่งที่สัมพันธ์กับ (เช่นค่าเฉลี่ยของประชากร) คำแนะนำใด ๆ สำหรับทรัพยากรที่จะช่วยให้เข้าใจ (ฉันไม่ได้ก้าวหน้ามากในการวิเคราะห์การเอาชีวิตรอด

17 predictive-models  relative-risk  cox-model 

วันก่อนฉันได้ปรึกษากับนักระบาดวิทยา เธอเป็นแพทยศาสตรบัณฑิตที่มีการศึกษาด้านสาธารณสุขในสาขาระบาดวิทยาและมีความเข้าใจทางสถิติเป็นอย่างมาก เธอให้คำปรึกษาเพื่อนร่วมงานวิจัยและผู้อยู่อาศัยของเธอและช่วยเหลือพวกเขาเกี่ยวกับปัญหาทางสถิติ เธอเข้าใจการทดสอบสมมติฐานค่อนข้างดี เธอมีปัญหาโดยทั่วไปในการเปรียบเทียบสองกลุ่มเพื่อดูว่ามีความแตกต่างในเรื่องนั้นหรือไม่ที่เกี่ยวข้องกับการเกิดภาวะหัวใจล้มเหลว (CHF) เธอทดสอบความแตกต่างของค่าเฉลี่ยในสัดส่วนของอาสาสมัครที่ได้รับ CHF ค่า p คือ 0.08 จากนั้นเธอก็ตัดสินใจที่จะดูความเสี่ยงสัมพัทธ์และรับค่า p-0.027 ดังนั้นเธอจึงถามว่าทำไมสิ่งหนึ่งถึงมีความหมาย เมื่อดูที่ช่วงความเชื่อมั่นสองด้าน 95% สำหรับความแตกต่างและอัตราส่วนที่เธอเห็นว่าช่วงความแตกต่างเฉลี่ยมี 0 แต่ขีด จำกัด ความเชื่อมั่นสูงสุดของอัตราส่วนนั้นน้อยกว่า 1 ดังนั้นทำไมเราถึงได้ผลลัพธ์ที่ไม่สอดคล้องกัน คำตอบของฉันในขณะที่ถูกต้องทางเทคนิคไม่เป็นที่น่าพอใจมาก ฉันพูดว่า "นี่เป็นสถิติที่แตกต่างกันและสามารถให้ผลลัพธ์ที่แตกต่างกันได้ค่า p มีทั้งที่มีนัยสำคัญเล็กน้อยซึ่งสามารถเกิดขึ้นได้ง่าย" ฉันคิดว่าต้องมีวิธีที่ดีกว่าในการตอบคำถามนี้ในแง่ของฆราวาสต่อแพทย์เพื่อช่วยให้พวกเขาเข้าใจความแตกต่างระหว่างการทดสอบความเสี่ยงสัมพัทธ์กับความเสี่ยงที่แน่นอน ในการศึกษา epi ปัญหานี้เกิดขึ้นมากเพราะพวกเขามักจะดูเหตุการณ์ที่หายากซึ่งอัตราการเกิดของทั้งสองกลุ่มนั้นน้อยมากและขนาดของกลุ่มตัวอย่างไม่ใหญ่มาก ฉันได้คิดเกี่ยวกับเรื่องนี้เล็กน้อยและมีความคิดบางอย่างที่ฉันจะแบ่งปัน แต่ก่อนอื่นฉันอยากได้ยินว่าคุณจะจัดการกับเรื่องนี้อย่างไร ฉันรู้ว่าพวกคุณหลายคนทำงานหรือให้คำปรึกษาในด้านการแพทย์และอาจต้องเผชิญกับปัญหานี้ คุณจะทำอย่างไร

12 relative-risk  absolute-risk  rare-events 

หมายเหตุ: คำถามนี้เป็นคำถามใหม่เนื่องจากต้องลบคำถามก่อนหน้านี้ด้วยเหตุผลทางกฎหมาย ในขณะที่เปรียบเทียบ PROC MIXED จาก SAS กับฟังก์ชันlmeจากnlmeแพ็คเกจใน R ฉันพบความแตกต่างที่ค่อนข้างสับสน โดยเฉพาะอย่างยิ่งองศาอิสระในการทดสอบที่แตกต่างกันระหว่างPROC MIXEDและlmeและฉันสงสัยว่าทำไม เริ่มจากชุดข้อมูลต่อไปนี้ (รหัส R ระบุด้านล่าง): ind: ปัจจัยบ่งชี้บุคคลที่จะทำการวัด fac: อวัยวะที่ใช้ทำการวัด trt: ปัจจัยบ่งชี้การรักษา y: ตัวแปรตอบสนองต่อเนื่องบางอย่าง ความคิดคือการสร้างแบบจำลองง่ายๆดังต่อไปนี้: y ~ trt + (ind): indเป็นปัจจัยสุ่ม y ~ trt + (fac(ind)): facซ้อนกันindเป็นปัจจัยสุ่ม โปรดทราบว่ารุ่นสุดท้ายที่ควรทำให้เกิดเอกเป็นมีเพียง 1 ค่าของyสำหรับการรวมกันของทุกและindfac แบบจำลองแรก ใน SAS ฉันสร้างโมเดลต่อไปนี้: PROC MIXED data=Data; CLASS ind fac …

12 r  mixed-model  sas  degrees-of-freedom  pdf  unbiased-estimator  distance-functions  functional-data-analysis  hellinger  time-series  outliers  c++  relative-risk  absolute-risk  rare-events  regression  t-test  multiple-regression  survival  teaching  multiple-regression  regression  self-study  t-distribution  machine-learning  recommender-system  self-study  binomial  standard-deviation  data-visualization  r  predictive-models  pearson-r  spearman-rho  r  regression  modeling  r  categorical-data  data-visualization  ggplot2  many-categories  machine-learning  cross-validation  weka  microarray  variance  sampling  monte-carlo  regression  cross-validation  model-selection  feature-selection  elastic-net  distance-functions  information-theory  r  regression  mixed-model  random-effects-model  fixed-effects-model  dataset  data-mining 

ฉันสนใจที่จะประเมินอัตราส่วนความเสี่ยงที่ปรับแล้วซึ่งคล้ายกับวิธีที่เราประมาณการอัตราต่อรองที่ปรับแล้วโดยใช้การถดถอยโลจิสติกส์ วรรณกรรมบางฉบับ (เช่นนี้ ) บ่งชี้ว่าการใช้การถดถอยปัวซองกับข้อผิดพลาดมาตรฐานของฮิเบอร์ - ไวท์เป็นวิธีที่ใช้แบบจำลองในการทำสิ่งนี้ ฉันไม่พบวรรณกรรมเกี่ยวกับวิธีการปรับค่าความแปรปรวนร่วมต่อเนื่องที่มีผลต่อสิ่งนี้ การจำลองอย่างง่ายต่อไปนี้แสดงให้เห็นว่าปัญหานี้ไม่ตรงไปตรงมามาก: arr <- function(BLR,RR,p,n,nr,ce) { B = rep(0,nr) for(i in 1:nr){ b <- runif(n)<p x <- rnorm(n) pr <- exp( log(BLR) + log(RR)*b + ce*x) y <- runif(n)<pr model <- glm(y ~ b + x, family=poisson) B[i] <- coef(model)[2] } return( mean( …

9 r  references  biostatistics  poisson-regression  relative-risk 

ฉันคุ้นเคยกับการวิเคราะห์เมตาและเทคนิคการถดถอยของเมตาดาต้า (โดยใช้แพ็คเกจ R metaforจาก Viechtbauer) แต่เมื่อเร็ว ๆ นี้ฉันพบปัญหาฉันไม่สามารถแก้ไขได้อย่างง่ายดาย สมมติว่าเรามีโรคติดต่อจากแม่สู่ลูกที่ยังไม่เกิดและมีการศึกษามาหลายครั้งแล้ว แม่และเด็กได้รับการทดสอบไวรัสทันทีหลังคลอด ในขณะที่เด็กในครรภ์เป็นไปไม่ได้ที่จะได้รับเชื้อไวรัสชนิดอื่นนอกเหนือจากแม่ | neg kid | pos kid mother neg | A | C=0 -----------|---------|-------- mother pos | B | D เห็นได้ชัดว่าการใช้อัตราต่อรอง (OR) ให้ข้อผิดพลาดเป็นหนึ่งจะถูกหารด้วย 0 เหมือนกันสำหรับความเสี่ยงสัมพัทธ์: A / ( A + B )0 / ( 0 + D )A/(A+B)0/(0+D)\frac{A/(A+B)}{0/(0+D)} ตอนนี้นักวิจัยต้องการทดสอบสมมติฐาน (ไม่รู้สึก) …

9 meta-analysis  odds-ratio  relative-risk