Melaporkan hasil regresi logistik

Saya memiliki output regresi logistik berikut:

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 *  

Apakah pantas melaporkan ini dengan cara berikut:

Koefisien beta, rasio Odds, Nilai Z, Nilai P. Jika ya, bagaimana saya bisa mendapatkan rasio Odds?

Pelaporan yang disarankan untuk tabel tampaknya masuk akal, meskipun nilai z dan nilai p berlebihan. Banyak jurnal yang saya kenal tidak melaporkan nilai z / nilai p sama sekali dan hanya menggunakan tanda bintang untuk melaporkan signifikansi statistik. Saya juga melihat tabel logistik hanya dengan rasio ganjil yang dilaporkan, meskipun saya pribadi lebih suka rasio odds dan odds yang dilaporkan jika ruang memungkinkan dalam sebuah tabel.

Tetapi tempat yang berbeda mungkin memiliki panduan yang berbeda untuk prosedur pelaporan, sehingga apa yang diharapkan dapat bervariasi. Jika saya mengirimkan makalah ke jurnal saya akan sering hanya melihat bagaimana makalah baru-baru ini membuat tabel mereka dan hanya meniru mereka. Jika itu adalah kertas pribadi Anda, bertanya kepada siapa pun dapat meninjau, itu akan menjadi permintaan yang masuk akal. Seperti yang saya sebutkan di atas, batasan ruang di beberapa tempat dapat mencegah Anda melaporkan informasi yang akhirnya berlebihan (seperti odds log dan rasio odds). Beberapa tempat mungkin memaksa Anda untuk melaporkan hasil sepenuhnya dalam teks!

Ada juga pertanyaan tentang ringkasan model apa yang harus dilaporkan. Meskipun banyak jurnal yang saya kenal sering melaporkan nilai pseudo , berikut adalah utas di situs yang membahas kelemahan berbagai langkah. Saya pribadi lebih suka tarif klasifikasi untuk dilaporkan, tetapi sekali lagi saya menduga ini bervariasi berdasarkan tempat (saya bisa membayangkan beberapa jurnal secara khusus akan meminta salah satu langkah R 2 semu untuk dilaporkan).$R^2$$R^2$

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

Juga sebagai catatan, meskipun ini adalah jawaban yang diterima saat ini, lejohn dan Frank Harrell keduanya memberikan saran yang sangat berguna. Sementara saya biasanya selalu ingin statistik dalam pertanyaan yang dilaporkan di suatu tempat, jawaban lain saran tentang langkah-langkah lain adalah cara yang berguna untuk menilai ukuran efek relatif terhadap perkiraan efek lainnya dalam model. Prosedur grafis juga berguna untuk memeriksa ukuran efek relatif, dan lihat dua makalah ini tentang mengubah tabel menjadi grafik sebagai contoh ( Kastellec & Leoni, 2007 ; Gelman et al., 2002 )

Jawaban untuk pertanyaan ini mungkin tergantung pada latar belakang disiplin ilmu Anda.

Berikut ini beberapa pertimbangan umum.

Beta dalam regresi logistik cukup sulit untuk ditafsirkan secara langsung. Dengan demikian, melaporkannya secara eksplisit hanya penggunaan yang sangat terbatas. Anda harus tetap berpegang pada rasio odds atau bahkan efek marginal. Efek marginal dari variabel x adalah turunan dari probabilitas bahwa variabel dependen Anda sama dengan 1, sehubungan dengan x. Cara menyajikan hasil ini sangat populer di kalangan ekonom. Secara pribadi saya percaya bahwa efek marginal lebih mudah dipahami oleh orang awam (tetapi tidak hanya oleh mereka ...) daripada rasio odds.

Kemungkinan lain yang menarik adalah menggunakan tampilan grafis. Tempat di mana Anda akan menemukan beberapa ilustrasi dari pendekatan ini adalah buku Gelman dan Hill . Saya menemukan ini lebih baik daripada melaporkan efek marginal.

Mengenai pertanyaan tentang cara mendapatkan odds rasio, berikut adalah cara melakukannya di R:

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

Ini hanya dalam kasus-kasus khusus di mana koefisien dan anti-log mereka (rasio odds) adalah ringkasan yang baik. Ini adalah ketika hubungan itu linier dan ada satu koefisien yang terkait dengan prediktor, dan ketika perubahan satu unit adalah dasar yang baik untuk menghitung rasio odds (lebih OK untuk usia, tidak begitu banyak untuk hitung darah putih yang memiliki kisaran 500-100.000). Secara umum, hal-hal seperti rasio odds antar-kuartil berguna. Saya memiliki detail lebih lanjut tentang ini di http://biostat.mc.vanderbilt.edu/wiki/pub/Main/RmS/rms.pdf dan rmspaket R melakukan semua ini secara otomatis (menangani syarat dan interaksi nonlinear, menghitung kuartil X, dll.)

Ini mungkin tergantung pada audiens dan disiplin Anda. Jawaban di bawah ini adalah apa yang biasanya dilakukan untuk jurnal Epidemiologi, dan pada tingkat lebih rendah jurnal medis.

Terus terang, kami tidak peduli tentang nilai-p. Kami tidak serius. Epidemiologi bahkan tidak akan membiarkan Anda melaporkannya kecuali jika Anda memiliki kebutuhan yang sangat, sangat mendesak, dan bidang tersebut pada dasarnya mengikuti.

Kami bahkan mungkin tidak peduli dengan perkiraan beta, tergantung pada pertanyaannya. Jika laporan Anda tentang sesuatu yang lebih berorientasi pada metodologi atau simulasi, saya mungkin akan melaporkan estimasi beta dan kesalahan standar. Jika Anda mencoba melaporkan efek seperti yang diperkirakan dalam populasi, saya akan tetap dengan Odds Ratio dan 95% Confidence Interval. Itulah daging perkiraan Anda, dan apa yang akan dicari pembaca di bidang itu.

Jawaban telah diposting di atas untuk cara mendapatkan rasio peluang, tetapi untuk OR & 95% CI:

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