एक लॉजिस्टिक रिग्रेशन के रिपोर्टिंग परिणाम

Question

मेरे पास निम्नलिखित लॉजिस्टिक रिग्रेशन आउटपुट है:

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 *  

क्या इस तरह से इसकी रिपोर्ट करना उचित है:

बीटा गुणांक, विषम अनुपात, Zvalue, P मान। यदि हाँ, तो मैं ऑड्स अनुपात कैसे प्राप्त कर सकता हूँ?

Comments

संबंधित प्रश्न: आर (लॉड्स अनुपात) में लॉजिस्टिक रिग्रेशन ।

— लैंड्रोनी

Answer 1

तालिका के लिए आपकी सुझाई गई रिपोर्टिंग उचित प्रतीत होती है, हालाँकि z- मान और पी-मान निरर्थक हैं। मैं जिन पत्रिकाओं से परिचित हूं, वे ज़ेड-वैल्यू / पी-वैल्यू की बिल्कुल भी रिपोर्ट नहीं करते हैं और केवल सांख्यिकीय महत्व की रिपोर्ट करने के लिए तारांकन का उपयोग करते हैं। मैंने लॉजिस्टिक टेबल को केवल विषम अनुपात की रिपोर्ट के साथ देखा है, हालांकि मैं व्यक्तिगत रूप से लॉग ऑड और ऑड्स अनुपात दोनों को पसंद करता हूं अगर किसी टेबल में स्थान की अनुमति मिलती है।

लेकिन विभिन्न स्थानों में रिपोर्टिंग प्रक्रियाओं के रूप में अलग-अलग मार्गदर्शक हो सकते हैं, इसलिए उम्मीद की जा सकती है कि अलग-अलग हो सकते हैं। अगर मैं एक पत्रिका को एक पेपर प्रस्तुत कर रहा हूं तो मैं अक्सर सिर्फ यह देखूंगा कि हाल ही में अन्य कागजात ने अपनी तालिका कैसे बनाई है और उन की नकल करें। यदि यह आपका अपना निजी पेपर है, तो किसी से भी यह पूछना एक उचित अनुरोध होगा। जैसा कि मैंने ऊपर उल्लेख किया है, कुछ स्थानों में अंतरिक्ष की कमी आपको अंततः अनावश्यक जानकारी (जैसे कि लॉग ऑड और ऑड्स अनुपात) की रिपोर्टिंग से रोक सकती है। कुछ स्थान आपको पाठ में परिणाम पूरी तरह से रिपोर्ट करने के लिए मजबूर कर सकते हैं!

$R^2$$R^2$

$e^{\hat{\beta}}$$e$$\hat{\beta}$exp(coefficient)

नोट के रूप में भी, हालांकि यह वर्तमान स्वीकृत उत्तर है, लेजोन और फ्रैंक हरेल दोनों बहुत उपयोगी सलाह देते हैं। जबकि मैं आम तौर पर हमेशा कहीं न कहीं सूचित किए गए प्रश्न के आंकड़े चाहता हूं, अन्य उपायों के बारे में अन्य जवाब सलाह मॉडल में अन्य अनुमानित प्रभावों के सापेक्ष प्रभाव के आकार का आकलन करने के लिए उपयोगी तरीके हैं। सापेक्षिक प्रभाव आकारों की जांच करने के लिए ग्राफिकल प्रक्रियाएँ भी उपयोगी होती हैं, और इन दो पत्रों को उदाहरण के रूप में रेखांकन में बदलकर ( कस्तेलेक और लियोनी, 2007 ; गेलमैन एट अल।, 2002 ) देखें।

Comments

Kastellec और Leoni, 2007 लिंक को तोड़ दिया गया है, लेकिन यहां कोड के साथ एक ही पेपर से एक उदाहरण है।

— ACNB

Answer 2

इस प्रश्न का उत्तर आपकी अनुशासनात्मक पृष्ठभूमि पर निर्भर हो सकता है।

यहाँ कुछ सामान्य विचार दिए गए हैं।

लॉजिस्टिक रिग्रेशन में बीटा की सीधे व्याख्या करना काफी कठिन है। इस प्रकार, उन्हें स्पष्ट रूप से रिपोर्ट करना बहुत सीमित उपयोग का है। आपको अनुपात या यहां तक ​​कि सीमांत प्रभावों के लिए छड़ी करनी चाहिए। चर x का सीमांत प्रभाव इस संभावना का व्युत्पन्न है कि आपके आश्रित चर 1 के बराबर हैं, x के संबंध में। परिणामों को प्रस्तुत करने का यह तरीका अर्थशास्त्रियों के बीच बहुत लोकप्रिय है। व्यक्तिगत रूप से मेरा मानना ​​है कि बाधाओं के अनुपात की तुलना में सीमांत प्रभाव अधिक आसानी से (लेकिन न केवल उनके द्वारा ...) समझा जाता है।

एक और दिलचस्प संभावना ग्राफिकल डिस्प्ले का उपयोग करना है। एक जगह जहां आपको इस दृष्टिकोण के कुछ चित्र मिलेंगे, वह है गेलमैन और हिल की पुस्तक । मुझे सीमांत प्रभावों की रिपोर्टिंग से यह और भी बेहतर लगता है।

ओड्स रेशियो कैसे प्राप्त करें, इस सवाल के बारे में, यहाँ आप इसे R में कैसे कर सकते हैं:

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

Comments

क्या आपके पास टेबल (या गेलमैन और हिल में विशिष्ट पृष्ठ संदर्भों) में सीमांत प्रभाव के अनुमानों को बदलने का कोई उदाहरण है

— एंडी डब्ल्यू

गेलमैन और हिल वास्तव में सीमांत प्रभावों का उपयोग नहीं करते हैं, बल्कि ग्राफ़, जो कि अनुमानित संभावनाओं पर आधारित हैं। अध्याय पाँच पर एक नज़र डालें, पृष्ठ 79 पर शुरू।

Answer 3

यह केवल विशेष मामलों में है जहां गुणांक और उनके विरोधी-लॉग (अंतर अनुपात) अच्छे सारांश हैं। यह तब होता है जब रिश्ते रैखिक होते हैं और एक भविष्यवक्ता के साथ एक गुणांक जुड़ा होता है, और जब एक-इकाई परिवर्तन ऑड्स अनुपात की गणना के लिए एक अच्छा आधार होता है (अधिक आयु के लिए ठीक है, तो सफेद रक्त की गिनती के लिए इतना अधिक नहीं है 500-100,000)। सामान्य तौर पर, अंतर-चतुर्थक-सीमा बाधाओं अनुपात जैसी चीजें उपयोगी होती हैं। मेरे पास http://biostat.mc.vanderbilt.edu/wiki/pub/Main/RmS/rms.pdf पर इस बारे में अधिक विवरण है और R rmsपैकेज यह सब स्वचालित रूप से करता है (nonlinear शब्दों और इंटरैक्शन को संभालते हुए, एक्स की गणना चतुर्थक) आदि।)।

Answer 4

यह आपके दर्शकों और अनुशासन पर निर्भर करता है। नीचे दिए गए उत्तर सामान्य रूप से महामारी विज्ञान पत्रिकाओं के लिए, और कुछ हद तक चिकित्सा पत्रिकाओं के लिए किया जाता है।

कुंद होने के लिए, हम पी-वैल्यूज़ की परवाह नहीं करते हैं। गंभीरता से, हम नहीं करते। महामारी विज्ञान आपको तब तक उन्हें रिपोर्ट नहीं करने देगा जब तक आपके पास वास्तव में, वास्तव में दबाने की आवश्यकता नहीं है, और क्षेत्र ने अनिवार्य रूप से सूट का पालन किया है।

हम प्रश्न के आधार पर, बीटा अनुमानों की भी परवाह नहीं कर सकते हैं। यदि आपकी रिपोर्ट कुछ अधिक कार्यप्रणाली या सिमुलेशन उन्मुख है, तो मैं शायद बीटा अनुमान और मानक त्रुटि की रिपोर्ट करूंगा। यदि आप आबादी में अनुमानित प्रभाव की रिपोर्ट करने की कोशिश कर रहे हैं, तो मैं ऑड्स रेशियो और 95% कॉन्फिडेंस इंटरवल के साथ रहना चाहूंगा। यह आपके अनुमान का मांस है, और उस क्षेत्र के पाठकों की क्या तलाश होगी।

उत्तर यह दिया गया है कि बाधाओं को कैसे प्राप्त किया जा सकता है, लेकिन OR & 95% CI के लिए:

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

Comments

जवाब के लिए धन्यवाद! क्या मैं पूछ सकता हूं कि गणना में 1.96 का क्या मतलब है?

— 23

कोई समस्या नहीं :) 95% आत्मविश्वास अंतराल वह अवधि है जो आपके बीटा अनुमान के सामान्य वितरण के 2.5 वें प्रतिशत से 97.5 वें प्रतिशत तक लगभग कवर होनी चाहिए। उन बिंदुओं में से प्रत्येक माध्य (इस मामले में, बीटा) से लगभग 1.96 मानक विचलन है।

— फोमाइट

हां, लेकिन क्या मुझे प्रत्येक बीटा गुणांक के लिए ऐसा करना चाहिए? 1.96 भी बदलता है? यह भी द्विपद डेटा है यह अभी भी सामान्य वितरण पर आधारित है?

— अपबाव

हां - प्रत्येक बीटा गुणांक के लिए, आप एक अनुपात अनुपात और 95% विश्वास सीमा प्राप्त कर सकते हैं। जब तक आप विश्वास अंतराल (90%, 99%, आदि) के लिए एक अलग प्रतिशतक की गणना नहीं करना चाहते, तब तक 1.96 नहीं बदलेगा, लेकिन जैसा कि 95% मानक है, ऐसा करने की कोई आवश्यकता नहीं है। और जब तक आप लॉग स्केल पर काम कर रहे हैं, तब तक लॉजिस्टिक रिग्रेशन मॉडल के पैरामीटर सामान्य रूप से वितरित किए जाते हैं। एक बार जब आप उन्हें दर्शाते हैं, तो यह सच होना बंद हो जाता है।

— फोमाइट