Logistic Regression สำหรับข้อมูล Binary: ทำไมใช้ได้ แม้ Y มีแค่ 0 กับ 1

🔍 ปัญหาเริ่มต้น: “ถ้า Y มีแค่ 1 หรือ 0 แล้วจะวิเคราะห์ยังไง?”

หลายคนสงสัยว่า ถ้า Y มีแค่ “มีโรค” (1) หรือ “ไม่มีโรค” (0) จะสามารถวิเคราะห์ด้วย regression ได้หรือไม่ เพราะดูเหมือนไม่สามารถลากเส้นตรงแบบ linear regression ได้

✅ คำตอบ: ใช้ Logistic Regression ได้ และเป็นวิธีหลักสำหรับข้อมูลลักษณะนี้

Logistic regression ใช้ในการวิเคราะห์ความสัมพันธ์ระหว่างตัวแปรอิสระ (X) กับ โอกาส (probability) ที่ Y = 1 เช่น โอกาสที่ผู้ป่วยจะเสียชีวิต, เกิดโรค, หรือมีผลลัพธ์เชิงลบใดๆ

---

🧠 หลักการของ Logistic Regression

---

🔢 ตัวอย่างคำสั่งใน Stata

logistic died age sex hypertension

หรือแบบ Generalized Linear Model:

glm died age sex hypertension, family(binomial) link(logit) eform robust

ผลลัพธ์จะเป็น odds ratio (OR) เช่น OR = 2 หมายความว่า X เพิ่ม 1 หน่วย → odds ของ Y = 1 เพิ่ม 2 เท่า

---

📈 แล้ววาดกราฟได้อย่างไร? (ในเมื่อ Y เป็น 0 กับ 1 เท่านั้น)

แม้ Y มีค่าเพียง 0 กับ 1 แต่ โมเดล logistic จะคำนวณ “โอกาสที่ Y=1” ได้ทุกค่า X

สามารถใช้คำสั่ง Stata ต่อไปนี้เพื่อดูแนวโน้มโอกาส:

margins, at(age=(20(5)80)) predict(pr)
marginsplot

เส้นกราฟที่ได้จะเป็นโค้ง sigmoid แสดงโอกาสเสียชีวิตตามอายุ

---

🧭 ใช้เมื่อใดในงานวิจัยทางคลินิก?

ประเภท Y	ใช้ Regression แบบไหน	หน่วยวัดผลลัพธ์
Continuous	regress	β coefficient
Binary (0/1)	logistic หรือ glm ..., binomial	Odds ratio (OR)
Count	poisson	Incidence Rate Ratio (IRR)
Time-to-event	stcox	Hazard ratio (HR)

---

🧠 สรุปสั้น ๆ

• Logistic regression เหมาะสำหรับ outcome ที่เป็น binary

• สามารถวิเคราะห์อิทธิพลของหลายตัวแปรต่อโอกาสเกิด outcome ได้

• วาดกราฟได้โดยใช้ margins → marginsplot

• แปลผลด้วย odds ratio พร้อม confidence interval

หากคุณสนใจกรณีตัวอย่างหรือการเปรียบเทียบระหว่าง OR, RR, RD — สามารถขอได้ครับ.