ทำไม Ordinal และ Multinomial Logistic Regression จึงให้คำตอบต่างกันกับผู้ป่วยกลุ่มเดียวกัน?

Clinical Epidemiology ResearchMethodology and Research Design THUniqcret doctor knowledges TH
ทำไม Ordinal และ Multinomial Logistic Regression จึงให้คำตอบต่างกันกับผู้ป่วยกลุ่มเดียวกัน?
On this page

อ่านฉบับภาษาอังกฤษ (English version)

บทคัดย่อ

ordinal logistic regression และ multinomial logistic regression อาจเล่าเรื่องต่างกันได้ ทั้งที่ใช้ผู้ป่วยกลุ่มเดียวกัน ในตัวอย่างที่สร้างขึ้นของผู้ใหญ่ 1,000 รายที่เป็นปอดอักเสบติดเชื้อจากชุมชน (community-acquired pneumonia) การดำเนินโรคใน 30 วันมีสามขั้น คือ กลับบ้าน รับไว้ใน ward และ ICU หรือเสียชีวิต ordinal logistic regression ทำนายว่าการอยู่คนเดียวเพิ่มสัดส่วนที่เข้า ICU หรือเสียชีวิตจาก 0.073 เป็น 0.147 แต่ข้อมูลแสดง 0.089 เทียบกับ 0.106 เราแปลงสามขั้นที่เรียงลำดับนี้ให้เป็นคำถามแบบใช่หรือไม่ใช่สองข้อ คือ ต้องนอนโรงพยาบาลหรือไม่ และไปถึงขั้นบนสุดหรือไม่ logistic regression ธรรมดาหนึ่งตัวต่อหนึ่งคำถาม ให้ odds ratio ของการอยู่คนเดียวสองค่า คือ 3.146 และ 1.159 ordinal logistic regression สัญญาว่าสองค่านี้เท่ากัน และรายงานค่าเดียวคือ 2.345 ค่าประนีประนอมนี้ย้ายผู้ป่วยที่อยู่คนเดียวข้ามเส้นแบ่งแรกน้อยเกินไป และข้ามเส้นแบ่งที่สองมากเกินไป multinomial model ไม่ได้ให้คำสัญญาแบบนี้ แต่ต้องทิ้งลำดับ ส่วนโมเดล partial เก็บลำดับไว้ และให้ odds ratio สองค่าเฉพาะกับการอยู่คนเดียว การเลือกโมเดลขึ้นกับคำถามสองข้อ คือ outcome มีลำดับหรือไม่ และคำสัญญาเป็นจริงหรือไม่


ภาพสรุป
บันไดสามขั้นของ outcome และเส้นแบ่งสองเส้น
outcome เป็นบันไดสามขั้น ordinal model จึงตัดบันไดนี้สองตำแหน่ง ส่วน multinomial model เทียบแต่ละขั้นกับขั้นล่างสุด

ผู้ป่วยกลุ่มเดียวกัน แต่ได้สองคำตอบ

แพทย์เวชศาสตร์ฉุกเฉินคนหนึ่งอยากรู้ว่า การอยู่คนเดียวเปลี่ยนสิ่งที่เกิดกับผู้ใหญ่ที่เป็นปอดอักเสบติดเชื้อจากชุมชนหรือไม่ ภายใน 30 วัน ผู้ป่วยแต่ละรายจะไปจบที่หนึ่งในสามที่ คือ รักษาตัวที่บ้าน ถูกรับไว้ใน ward หรือเข้า ICU หรือเสียชีวิต ทีมวิเคราะห์ fit สองโมเดลกับผู้ป่วย 1,000 รายชุดเดียวกัน ด้วย predictor สองตัวเดียวกัน คืออายุและการอยู่คนเดียว

  • ordinal logistic regression (คำสั่ง Stata ologit) บอกว่าการอยู่คนเดียวเพิ่ม odds ของการดำเนินโรคที่แย่กว่า โดยมี odds ratio ค่าเดียวคือ 2.345
  • multinomial logistic regression (คำสั่ง Stata mlogit) ให้ตัวเลขของการอยู่คนเดียวสองค่า หนึ่งค่าต่อหนึ่งขั้นที่อยู่เหนือกลับบ้าน

เพื่อเทียบสองโมเดล แต่ละโมเดลทำนายโอกาสของการดำเนินโรคแต่ละแบบสองรอบ รอบแรกราวกับผู้ป่วยทุกรายอยู่คนเดียว รอบที่สองราวกับไม่มีใครอยู่คนเดียว โดยคงอายุจริงของทุกคนไว้ Stata เรียกค่าเฉลี่ยของความน่าจะเป็นที่ทำนายแบบนี้ว่า predictive margin (margins alone) ตารางนี้คือขั้นบนสุดของบันได คือ ICU หรือเสียชีวิต

ตัวอย่างที่สร้างขึ้น ผู้ป่วย 1,000 ราย แถวสังเกตได้: สัดส่วนภายในแต่ละกลุ่ม แถวทำนาย: predictive margin จาก margins alone หลัง fit แต่ละโมเดล (กำหนดให้ผู้ป่วยทุกรายมีค่าการอยู่คนเดียวทีละค่า โดยคงอายุไว้ตามที่สังเกตได้)
ICU หรือเสียชีวิตภายใน 30 วันไม่ได้อยู่คนเดียวอยู่คนเดียว
สังเกตได้ในข้อมูล0.0890.106
ทำนายโดย ordinal logistic regression0.0730.147
ทำนายโดย multinomial logistic regression0.0900.103

อ่านแถวแรกก่อน ในข้อมูล 8.9% ของผู้ป่วยที่ไม่ได้อยู่คนเดียว และ 10.6% ของผู้ป่วยที่อยู่คนเดียว เข้า ICU หรือเสียชีวิต การอยู่คนเดียวแทบไม่ขยับตัวเลขนี้

ต่อมาอ่านแถวที่สอง ordinal model บอกว่าสัดส่วนเดียวกันนี้เพิ่มจาก 7.3% เป็น 14.7% คือเพิ่มเป็นราวสองเท่า ในขณะที่ข้อมูลแทบไม่ขยับ ส่วน multinomial model ในแถวที่สามอยู่ใกล้ข้อมูล คือ 9.0% และ 10.3% ซึ่งก็ควรเป็นเช่นนั้น เพราะโมเดลนี้ให้การอยู่คนเดียวมีตัวเลขของตัวเองในแต่ละหมวด การตรงกับสัดส่วนของแต่ละกลุ่มจึงถูกสร้างไว้ในโมเดลเป็นส่วนใหญ่ หัวข้อ "เปรียบเทียบโมเดล" จะกลับมาที่ประเด็นนี้

แถวแรกเป็นสัดส่วนดิบภายในแต่ละกลุ่ม ส่วนแถวของโมเดลเป็นค่าเฉลี่ยข้ามอายุของผู้ป่วยทั้ง 1,000 ราย ในข้อมูลนี้การอยู่คนเดียวถูกสร้างขึ้นโดยไม่ขึ้นกับอายุ การเปรียบเทียบจึงเป็นธรรม

ผู้ป่วย 1,000 รายนี้เป็นตัวอย่างที่สร้างขึ้น เพื่อให้เห็นความต่างระหว่างสองโมเดลได้ง่าย ไม่ใช่ข้อมูลจากโรงพยาบาลใด และตัวเลขทุกตัวในบทความนี้มาจากการรัน Stata ครั้งเดียวบนข้อมูลชุดนี้ แล้วตรวจซ้ำด้วย R

ผู้ป่วยกลุ่มเดียวกัน predictor ชุดเดียวกัน แต่ได้สองคำตอบ แพทย์ควรเชื่อคำตอบไหน เราจะไม่เริ่มจากสมการของสองโมเดล แต่จะเริ่มจากตัว outcome แล้วสร้างทั้งสองโมเดลขึ้นจากคำถามแบบใช่หรือไม่ใช่ ที่คุณตอบได้อยู่แล้วด้วย logistic regression ธรรมดา

สามขั้นที่เรียงลำดับ กลายเป็นคำถามใช่หรือไม่ใช่สองข้อ

logistic regression ธรรมดาต้องการ outcome แบบใช่หรือไม่ใช่ เช่น นอนโรงพยาบาลหรือไม่ เสียชีวิตหรือไม่ outcome ของเรามีสามขั้น คือ กลับบ้าน ward และ ICU หรือเสียชีวิต งานแรกจึงเป็นการแปลงสามขั้นนี้ให้เป็นคำถามแบบใช่หรือไม่ใช่

ลองทำดู ลากเส้นหนึ่งเส้นตัดผ่านบันได แล้วเรียกทุกขั้นที่อยู่เหนือเส้นว่า "ใช่" เส้นนี้วางได้กี่ที่ โดยไม่ทำให้ลำดับเสีย

ได้สองที่พอดี คือเส้นสองเส้นในบันไดด้านบน เส้นแบ่งแต่ละที่เรียกว่า split

  • split ที่หนึ่ง วางกลับบ้านไว้ด้านหนึ่ง และวาง ward กับ ICU หรือเสียชีวิตไว้รวมกันอีกด้าน split นี้ถามว่า ผู้ป่วยต้องนอนโรงพยาบาลหรือไม่
  • split ที่สอง วางกลับบ้านกับ ward ไว้รวมกันด้านหนึ่ง และวาง ICU หรือเสียชีวิตไว้อีกด้าน split นี้ถามว่า ผู้ป่วยไปถึงขั้นบนสุดหรือไม่

การจัดกลุ่มแบบอื่นทำให้ลำดับเสีย เช่น ward เทียบกับกลุ่มที่รวมกลับบ้านกับ ICU หรือเสียชีวิตไว้ด้วยกัน จะเอาการดำเนินโรคที่เบาที่สุดกับที่รุนแรงที่สุดมารวมกัน โดยทั่วไป บันไดที่มี K ขั้นเรียงลำดับ จะให้ split แบบนี้ K - 1 split คือสามขั้นให้สอง split และสี่ขั้นให้สาม split

แต่ละ split รวมทุกขั้นที่อยู่เหนือเส้นแบ่งไว้ใน "ใช่" เช่น "ใช่" ของ split ที่หนึ่งรวม ward กับ ICU หรือเสียชีวิตไว้ด้วยกัน เราจึงเรียก split เหล่านี้ว่า cumulative split (split แบบสะสม) และเรียก odds ของการอยู่เหนือเส้นแบ่งว่า cumulative odds (odds สะสม)

ไม่ใช่ทุก outcome จะเป็นบันได หมู่เลือด A, B, AB หรือ O ไม่มีลำดับตามธรรมชาติ วิธีที่ผู้ป่วยเดินทางมาโรงพยาบาลก็เช่นกัน คือ รถพยาบาล รถส่วนตัว หรือแท็กซี่ ไม่มีหมวดไหน "มากกว่า" หมวดอื่น outcome แบบนี้เรียกว่า nominal (ไม่มีลำดับ)

ความปวดที่บันทึกเป็น ไม่ปวด ปวดน้อย ปวดปานกลาง หรือปวดมาก อยู่บนบันได outcome ของเราก็เช่นกัน outcome แบบนี้เรียกว่า ordinal (มีลำดับ) outcome แบบ nominal ไม่มี cumulative split เพราะไม่มีคำว่า "เหนือ" ให้เส้นแบ่งตัด

ดังนั้นคำถามข้อแรกที่ใช้เลือกโมเดลคือ outcome มีลำดับหรือไม่ แต่นี่ไม่ใช่คำถามข้อเดียว ลำดับทำให้แบ่ง split ได้ ส่วนโมเดลจะปฏิบัติต่อทุก split แบบเดียวกันได้หรือไม่ เป็นคำถามข้อที่สอง และเนื้อหาส่วนใหญ่ของบทความนี้ว่าด้วยคำถามข้อนั้น

ชุดข้อมูลตัวอย่าง: ผู้ป่วยปอดอักเสบที่ห้องฉุกเฉิน 1,000 ราย

ข้อมูลหนึ่งแถวคือผู้ป่วยหนึ่งราย observation จึงเป็นอิสระต่อกัน (independent): ไม่มีใครปรากฏซ้ำ และไม่มีใครถูกจับคู่กับใคร (ข้อมูลแบบ matched set ต้องใช้ conditional logistic regression ซึ่งมีบทความแยกอธิบายไว้: ทำไม Logistic และ Conditional Logistic Regression จึงให้ Odds Ratio ต่างกัน?)

ตัวแปรมีดังนี้

  • course: การดำเนินโรคใน 30 วัน ลงรหัส 0 กลับบ้าน, 1 รับไว้ใน ward, 2 ICU หรือเสียชีวิต
  • age10: (age − 65)/10 ค่า 0 จึงหมายถึงอายุ 65 ปี และ odds ratio ของตัวแปรนี้เป็นต่ออายุที่เพิ่มขึ้น 10 ปี
  • alone: 1 ถ้าผู้ป่วยอยู่คนเดียว และ 0 ถ้าไม่ใช่ จากผู้ป่วย 1,000 ราย มี 255 รายที่อยู่คนเดียว

การดำเนินโรคในแต่ละกลุ่มกระจายตัวดังนี้

ตัวอย่างที่สร้างขึ้น สัดส่วนตามคอลัมน์ ภายในแต่ละกลุ่ม
การดำเนินโรคไม่ได้อยู่คนเดียวอยู่คนเดียว (n = 255)
0 กลับบ้าน0.5960.361
1 รับไว้ใน ward0.3150.533
2 ICU หรือเสียชีวิต0.0890.106

ดูว่าการอยู่คนเดียวทำอะไร แถวกลับบ้านว่างลง จาก 0.596 เหลือ 0.361 เกือบทั้งหมดย้ายไปที่ ward จาก 0.315 เป็น 0.533 ส่วนแถว ICU หรือเสียชีวิตแทบไม่ขยับ

ถ้าพูดด้วยภาษาของ split: การอยู่คนเดียวมาพร้อมการขยับมากที่ split ที่หนึ่ง คือออกจากบ้าน และแทบไม่ขยับเลยที่ split ที่สอง คือเข้า ICU หรือเสียชีวิต

แพทย์จะคุ้นกับรูปแบบนี้ ในผู้ป่วยจริง รูปแบบนี้ชวนให้นึกถึง "social admission" คือผู้สูงอายุที่เปราะบาง เป็นปอดอักเสบ และอยู่คนเดียว อาจถูกรับไว้ในโรงพยาบาลเพราะไม่มีใครดูแลที่บ้าน ในข้อมูลที่สร้างขึ้นชุดนี้ เรารู้ว่าเป็นเช่นนั้นจริง เพราะเราสร้างข้อมูลไว้แบบนั้น การอยู่คนเดียวเปลี่ยนการตัดสินใจรับไว้ ไม่ได้เปลี่ยนความรุนแรงของปอดอักเสบ

เพราะข้อมูลสร้างขึ้นด้วยโค้ด เราจึงรู้ความจริงที่ใช้สร้างข้อมูลด้วย การอยู่คนเดียวคูณ odds ที่ split ที่หนึ่ง (ward หรือแย่กว่า) ด้วย 3.0 และคูณ odds ที่ split ที่สอง (ICU หรือเสียชีวิต) ด้วย 1.0 ซึ่งก็คือไม่เปลี่ยนเลย ส่วนอายุคูณ odds ที่ทั้งสอง split ด้วย 1.8 ต่ออายุที่เพิ่มขึ้น 10 ปี

จำข้อเท็จจริงสองข้อนี้ไว้: อายุมีผลแบบเดียวกันที่ทั้งสอง split แต่การอยู่คนเดียวไม่ใช่ ส่วนที่เหลือของบทความจะแสดงว่าแต่ละโมเดลจัดการกับข้อเท็จจริงนี้อย่างไร

logistic regression ธรรมดาหนึ่งตัวต่อหนึ่ง split: สอง odds ratio

คำถามแบบใช่หรือไม่ใช่สองข้อ หมายถึง logistic regression ธรรมดาสองตัว ตัวละหนึ่ง split แต่ละตัวให้ odds ratio ของตัวเองกับ predictor ทุกตัว predictor แต่ละตัวจึงได้ odds ratio สองค่า หนึ่งค่าต่อหนึ่ง split

ข้อ 1. สร้าง outcome แบบสองค่า (binary) สองตัว

  • ge1 = 1 ถ้าการดำเนินโรคเป็น ward หรือแย่กว่า (split ที่หนึ่ง) นอกนั้นเป็น 0
  • ge2 = 1 ถ้าการดำเนินโรคเป็น ICU หรือเสียชีวิต (split ที่สอง) นอกนั้นเป็น 0

ข้อ 2. ดู crude odds ratio ก่อนปรับด้วยตัวแปรใด การอยู่คนเดียวมี odds ratio 2.613 ที่ split ที่หนึ่ง และ 1.218 ที่ split ที่สอง

ข้อ 3. ปรับด้วยอายุ fit logistic ge1 age10 i.alone และ logistic ge2 age10 i.alone

ตัวอย่างที่สร้างขึ้น odds ratio และ 95% CI จาก binary logistic regression สองตัวที่ fit แยกกัน ตัวละหนึ่ง split ให้เทียบตามแนวแถว: ผลของ predictor แต่ละตัวเท่ากันที่ทั้งสอง split หรือไม่
Predictorsplit ที่หนึ่ง: ward หรือแย่กว่า เทียบกับกลับบ้านsplit ที่สอง: ICU หรือเสียชีวิต เทียบกับกลับบ้านหรือ ward
อยู่คนเดียว3.146 (2.253 ถึง 4.393)1.159 (0.711 ถึง 1.890)
อายุ ต่อ 10 ปี2.023 (1.818 ถึง 2.251)1.879 (1.571 ถึง 2.246)

ข้อ 4. เทียบตามแนวแถว ถามคำถามเดียว: predictor ตัวนี้มีผลแบบเดียวกันที่ทั้งสอง split หรือไม่

  • อายุ: 2.023 และ 1.879 ใกล้กัน และ interval ซ้อนทับกันมาก อายุจึงมีผลแทบเท่ากันที่ทั้งสอง split ทั้งสองค่าอยู่ใกล้ และค่อนข้างสูงกว่า 1.8 ที่ใช้สร้างข้อมูล interval ของ split ที่หนึ่ง (1.818 ถึง 2.251) เฉียดพลาดค่านี้ไปเล็กน้อย นั่นคือความแปรปรวนจากการสุ่มตามปกติ: ในบรรดา 95% interval ทุกยี่สิบช่วง จะมีราวหนึ่งช่วงที่ไม่ครอบคลุมค่าจริง
  • การอยู่คนเดียว: 3.146 และ 1.159 ไม่ใกล้กันเลย ที่ split ที่หนึ่ง การอยู่คนเดียวเพิ่ม odds ของการนอนโรงพยาบาลราวสามเท่า ที่ split ที่สอง ค่าประมาณใกล้ 1 แต่ interval (0.711 ถึง 1.890) กว้าง ข้อมูลเข้ากันได้กับทุกอย่าง ตั้งแต่ odds ลดลงเล็กน้อย ไปจนถึง odds เพิ่มเกือบสองเท่า ในข้อมูลจริง ผลแบบนี้แปลว่า "ไม่พบผลที่ชัดเจน" ไม่ใช่ "ไม่มีผล" เรารู้ว่าค่าจริงคือ 1.0 ก็เพราะเราสร้างข้อมูลเอง

จำตัวเลขสี่ตัวนี้ไว้ โมเดลถัดไปต้องรับมือกับมัน

Ordinal logistic regression: odds ratio ค่าเดียว และคำสัญญาเบื้องหลัง

ทีนี้ fit ordinal logistic regression กับผู้ป่วยกลุ่มเดียวกัน ด้วย ologit course age10 i.alone, or โมเดลพิมพ์ odds ratio ออกมาค่าเดียวต่อ predictor หนึ่งตัว ไม่ใช่สองค่า:

  • การอยู่คนเดียว: OR 2.345 (95% CI 1.759 ถึง 3.127)
  • อายุ ต่อ 10 ปี: OR 1.969 (95% CI 1.785 ถึง 2.173)

odds ratio สองค่าหายไปไหน โมเดลนี้ fit ทั้งสอง split พร้อมกัน และให้คำสัญญาว่า predictor แต่ละตัวมี odds ratio เท่ากันที่ทั้งสอง split สิ่งเดียวที่เปลี่ยนจาก split ที่หนึ่งไป split ที่สองคือตำแหน่งของเส้นแบ่ง

คำสัญญานี้มีชื่อว่า proportional odds หรือเรียกอีกชื่อว่า parallel-lines หรือ parallel-regression assumption (ข้อสมมุติว่าเส้นขนานกัน) เป็นรูปแบบที่ใช้กันทั่วไปของ ordinal logistic regression [1, 7] สำหรับการอยู่คนเดียว คำสัญญานี้อ่านได้ว่า ในผู้ป่วยอายุเท่ากัน ผู้ที่อยู่คนเดียวมี odds ของการดำเนินโรคที่สูงกว่าเป็น 2.345 เท่าของผู้ที่ไม่ได้อยู่คนเดียว ไม่ว่าจะที่ split ไหน

สำหรับอายุ คำสัญญาเกือบเป็นจริง logistic regression ที่แยกตาม split ให้ 2.023 และ 1.879 และ 1.969 อยู่ระหว่างสองค่านี้ ตัวเลขเดียวจึงสรุปได้อย่างซื่อตรง

สำหรับการอยู่คนเดียว คำสัญญาไม่เป็นจริง logistic regression ที่แยกตาม split ให้ 3.146 และ 1.159 แต่โมเดลรายงาน 2.345 ตัวเลขนี้ทำตัวเหมือนค่าประนีประนอมระหว่างสองค่า ไม่ใช่ค่าเฉลี่ยธรรมดาของมัน

ค่าประนีประนอมนี้อยู่ใกล้ค่าของ split ที่หนึ่งมากกว่า พูดคร่าวๆ คือโมเดลถ่วงน้ำหนักแต่ละ split ตามปริมาณข้อมูลที่ split นั้นมี split ที่หนึ่งมีผู้ป่วยกลุ่มใหญ่ทั้งสองด้านของเส้นแบ่ง ส่วน split ที่สองอาศัยผู้ป่วยกลุ่มเล็กที่ไปถึง ICU หรือเสียชีวิต

ให้ถือว่านี่เป็นหลักจำคร่าวๆ ไม่ใช่สูตร เมื่อคำสัญญาไม่เป็นจริง odds ratio ค่าเดียวนี้ไม่มีสูตรปิด (closed form) ง่ายๆ

odds ratio ของแต่ละ split สำหรับการอยู่คนเดียวและอายุ โดยมี odds ratio ค่าเดียวของ ologit เป็นเส้นประ
จุดแต่ละจุดคือ odds ratio ที่ split หนึ่ง พร้อม 95% CI เส้นประคือ odds ratio ค่าเดียวที่ ordinal logistic regression รายงาน สำหรับอายุ เส้นประผ่านทั้งสองจุด สำหรับการอยู่คนเดียว เส้นประตกอยู่ระหว่างสองจุด คืออยู่ที่ขอบล่างของ interval ของ split ที่หนึ่ง และอยู่นอก interval ของ split ที่สองไปไกล

Stata เขียนโมเดลนี้ดังนี้

\[ \text{logit}\, P(Y > j) = x\beta - \kappa_j, \]

\[ j = 0, 1 \]

  • \(P(Y > j)\) คือความน่าจะเป็นที่จะอยู่เหนือขั้น \(j\): ward หรือแย่กว่า เมื่อ \(j = 0\) (split ที่หนึ่ง) และ ICU หรือเสียชีวิต เมื่อ \(j = 1\) (split ที่สอง)
  • \(x\beta\) คือ linear predictor ของผู้ป่วย โดยตัวแปรแต่ละตัวมี \(\beta\) ค่าเดียว ใช้ร่วมกันทั้งสอง split \(\beta\) ที่ใช้ร่วมกันนี้คือคำสัญญา
  • \(\kappa_j\) วางตำแหน่งของ split \(j\) บนมาตรวัด log-odds เรียกว่า threshold (ค่าเกณฑ์) Stata นับ threshold เริ่มจาก 1 จึงพิมพ์ \(\kappa_0\) เป็น /cut1 = 0.412 และ \(\kappa_1\) เป็น /cut2 = 2.942

ส่วนที่คนมักเข้าใจผิดคือเครื่องหมาย Stata จำลองความน่าจะเป็นที่จะอยู่ เหนือ เส้นแบ่ง ดังนั้น \(\beta\) ที่เป็นบวก หรือ odds ratio ที่มากกว่า 1 จะดันผู้ป่วย ไปทางหมวดที่สูงกว่า และเพราะ \(\kappa_j\) เข้าสมการด้วยเครื่องหมายลบ threshold ที่สูงขึ้นจึงหมายถึงผู้ป่วยข้ามเส้นแบ่งนั้นได้น้อยลง

threshold สองค่านี้ไม่ใช่ผลของ predictor มันวางตำแหน่งเส้นแบ่งสำหรับผู้ป่วยที่ predictor ทั้งสองตัวเป็นศูนย์ เพราะ age10 จัดให้ศูนย์อยู่ที่อายุ 65 ผู้ป่วยคนนี้จึงคือคนอายุ 65 ปีที่ไม่ได้อยู่คนเดียว ไม่ใช่ทารกแรกเกิด threshold แปลงโมเดลให้เป็นความน่าจะเป็น แต่ไม่ได้ตอบคำถามทางคลินิกข้อใด

ราคาของคำสัญญาที่ไม่เป็นจริง: ค่าทำนายถูกดันไปผิดทาง

เมื่อคำสัญญาไม่เป็นจริง ologit ไม่ได้ปฏิเสธที่จะรัน และไม่เตือนอะไรเลย มันคืนค่า 2.345 ออกมาราวกับไม่มีอะไรผิด ราคาจะปรากฏทันทีที่ใช้โมเดลทำนาย

ลองติดตามผู้ป่วยที่อยู่คนเดียว ทีละ split

ที่ split ที่หนึ่ง odds ratio ของข้อมูลเองที่ split นี้คือ 3.146 แต่โมเดลต้องใช้ 2.345 ซึ่งเล็กกว่า โมเดลจึงย้ายผู้ป่วยที่อยู่คนเดียวข้าม split ที่หนึ่งน้อยเกินไป และทิ้งไว้ที่บ้านมากเกินไป: ทำนายกลับบ้านไว้ 0.411 เทียบกับที่สังเกตได้ 0.361

ที่ split ที่สอง odds ratio ของข้อมูลเองที่ split นี้คือ 1.159 แต่โมเดลต้องใช้ 2.345 อีกครั้ง ซึ่งใหญ่กว่า โมเดลจึงย้ายผู้ป่วยกลุ่มนี้ข้าม split ที่สองมากเกินไป: ทำนาย ICU หรือเสียชีวิตไว้ 0.147 เทียบกับที่สังเกตได้ 0.106

ที่ ward ward อยู่ระหว่างเส้นแบ่งทั้งสอง จึงเสียทั้งสองด้าน ผู้ป่วยออกจากบ้านมาที่ ward น้อยเกินไป และผ่าน ward ขึ้นไปขั้นบนสุดมากเกินไป ward จึงได้ค่าทำนาย 0.442 เทียบกับที่สังเกตได้ 0.533

ตัวอย่างที่สร้างขึ้น สังเกตได้: สัดส่วนในผู้ป่วย 255 รายที่อยู่คนเดียว ทำนาย: predictive margin หลัง ologit โดยกำหนดให้ผู้ป่วยทั้ง 1,000 รายเป็น "อยู่คนเดียว" และคงอายุตามที่สังเกตได้ อ่านคอลัมน์สุดท้าย: โมเดลบีบขั้นกลางให้เล็กลง และเติมขั้นทั้งสองปลายมากเกินไป
การดำเนินโรค ในผู้ป่วยที่อยู่คนเดียวสังเกตได้ทำนายโดย ordinal logistic regressionทิศทางของความคลาดเคลื่อน
กลับบ้าน0.3610.411ค้างที่บ้านมากเกินไป: ข้าม split ที่หนึ่งน้อยเกินไป
รับไว้ใน ward0.5330.442น้อยเกินไป: ถูกบีบจากทั้งสองด้าน
ICU หรือเสียชีวิต0.1060.147มากเกินไป: ข้าม split ที่สองมากเกินไป

ทิศทางนี้เป็นไปตามหลักจำข้อหนึ่ง หลักนี้ใช้กับผู้ป่วยที่ predictor ดันขึ้นบันได ในที่นี้คือผู้ป่วยที่อยู่คนเดียว ที่ split ซึ่ง odds ratio ของ split นั้นเองใหญ่กว่าค่าประนีประนอม โมเดลจะย้ายผู้ป่วยที่อยู่คนเดียวข้ามเส้นแบ่งน้อยเกินไป ที่ split ซึ่ง odds ratio ของ split นั้นเองเล็กกว่า โมเดลจะย้ายผู้ป่วยที่อยู่คนเดียวข้ามมากเกินไป

ถ้ารูปแบบกลับกัน คือเล็กที่ split ที่หนึ่งและใหญ่ที่ split ที่สอง ความคลาดเคลื่อนทั้งสองจะไปกองผู้ป่วยที่อยู่คนเดียวไว้ที่ขั้นกลางแทน

ผู้ป่วยที่ไม่ได้อยู่คนเดียวก็จ่ายราคาด้วย แต่คลาดไปในทิศตรงกันข้าม เส้นแบ่งเป็นชุดเดียวกัน odds ratio ค่าเดียวจึงกำหนดว่าสองกลุ่มอยู่ห่างกันเท่าไรที่แต่ละ split ที่ split ที่สอง มันวางสองกลุ่มไว้ห่างกันเกินไป: ผู้ที่อยู่คนเดียวไปถึง ICU หรือเสียชีวิตมากเกินไป (0.147 เทียบกับ 0.106) และผู้ที่ไม่ได้อยู่คนเดียวไปถึงน้อยเกินไป (0.073 เทียบกับ 0.089) ที่ split ที่หนึ่ง มันวางสองกลุ่มไว้ใกล้กันเกินไป ผู้ที่ไม่ได้อยู่คนเดียวจึงออกจากบ้านมากเกินไป: ทำนายกลับบ้านไว้ 0.582 เทียบกับที่สังเกตได้ 0.596

นี่คือสัญญาณเตือนลวงในตารางแรก

สัดส่วนที่สังเกตได้ และ predictive margin จาก ologit และ mlogit โดยกำหนดให้ผู้ป่วยทุกรายมีค่าการอยู่คนเดียวทีละค่า
แท่งสีดำคือข้อมูล เป็นสัดส่วนภายในแต่ละกลุ่ม แท่งของโมเดลคือ predictive margin: กำหนดให้ผู้ป่วยทุกรายเป็น "ไม่ได้อยู่คนเดียว" แล้วเป็น "อยู่คนเดียว" โดยคงอายุตามที่สังเกตได้ แท่งสีส้มลายเส้นจาก ordinal logistic regression คลาดในแผง "อยู่คนเดียว": ward น้อยเกินไป ICU หรือเสียชีวิตมากเกินไป ซึ่งหมายความว่า odds ratio ค่าเดียววางผู้ป่วยที่อยู่คนเดียวผิดที่ แท่งสีน้ำเงินจาก multinomial logistic regression อยู่ใกล้ข้อมูล

สังเกตว่าอายุไม่ได้สร้างปัญหาแบบนี้ อายุมีผลแบบเดียวกันที่ทั้งสอง split จริง odds ratio ค่าเดียวของอายุคือ 1.969 จึงเป็นบทสรุปที่ซื่อตรง ความล้มเหลวเป็นของตัวแปรตัวเดียว ไม่ใช่ของโมเดลทั้งโมเดล จำข้อนี้ไว้ โมเดลในหัวข้อถัดไปให้ตัวเลขมากกว่าหนึ่งค่ากับตัวแปรทุกตัว ไม่ใช่เฉพาะตัวนี้

Multinomial logistic regression: เทียบแต่ละหมวดกับ base

เมื่อคำสัญญาไม่เป็นจริง นักวิเคราะห์จำนวนมากหันไปใช้ multinomial logistic regression โมเดลนี้ถามคำถามคนละข้อ [6] มันไม่ตัดบันได แต่เลือกหมวดหนึ่งเป็น base (หมวดอ้างอิง) แล้วเทียบหมวดอื่นแต่ละหมวดกับหมวดนั้น

เมื่อใช้กลับบ้านเป็น base จะมีสองคู่ คือ ward เทียบกับกลับบ้าน และ ICU หรือเสียชีวิตเทียบกับกลับบ้าน predictor แต่ละตัวจึงได้ตัวเลขสองค่าอีกครั้ง หนึ่งค่าต่อหนึ่งคู่ ไม่มีอะไรบังคับให้สองค่านี้เท่ากัน และไม่มีอะไรใช้ลำดับ

ทางลัดที่พูดกันบ่อยคือ outcome แบบ ordinal ใช้ ologit ส่วน outcome แบบ nominal ใช้ mlogit ทางลัดนี้ไม่ใช่ความจริงทั้งหมด ด้วยเหตุผลสองข้อ ข้อแรก ลำพังการที่ outcome มีลำดับ ไม่ได้ทำให้ ologit เป็นโมเดลที่ถูก outcome ของเรามีลำดับ แต่ ologit ยังอ่านผลของการอยู่คนเดียวผิด ข้อที่สอง mlogit ใช้กับ outcome ที่มีลำดับได้เช่นกัน ซึ่งไม่ผิด มันเพียงไม่สนใจลำดับ และตอบคำถามเรื่องแต่ละหมวดเทียบกับ base

โดยทั่วไป outcome ที่มี \(K\) หมวดต้องใช้ \(K - 1\) สมการ ในที่นี้ \(K - 1 = 2\):

\[ \ln\frac{P(Y = 1)}{P(Y = 0)} = b_{10} + b_{11}\,\text{age10} + b_{12}\,\text{alone} \]

\[ \ln\frac{P(Y = 2)}{P(Y = 0)} = b_{20} + b_{21}\,\text{age10} + b_{22}\,\text{alone} \]

แต่ละสมการมี intercept และ slope ของตัวเอง ไม่มีอะไรผูกผลของการอยู่คนเดียวต่อ "ward เทียบกับกลับบ้าน" ไว้กับผลต่อ "ICU หรือเสียชีวิตเทียบกับกลับบ้าน"

ระบุ base ทุกครั้ง ถ้าไม่ใส่ baseoutcome(#) Stata จะใช้หมวดที่พบบ่อยที่สุดเป็น base ซึ่งอาจเปลี่ยนเมื่อข้อมูลเปลี่ยน ให้เขียนทุกครั้งด้วยรหัสตัวเลข: mlogit course age10 i.alone, baseoutcome(0) rrr

นำ slope ไปคำนวณ exp(b) จะได้ตัวคูณที่อัตราส่วน P(category) / P(base) เปลี่ยนไปต่อหนึ่งหน่วยของ predictor option rrr พิมพ์ค่านี้ และ Stata เรียกว่า relative-risk ratio (RRR):

ตัวอย่างที่สร้างขึ้น relative-risk ratio และ 95% CI โดย base = กลับบ้าน (รหัส 0) แต่ละแถวเทียบหมวดหนึ่งกับกลับบ้าน ไม่ใช่ split หนึ่ง
การเทียบอยู่คนเดียวอายุ ต่อ 10 ปี
ward เทียบกับกลับบ้าน3.291 (2.339 ถึง 4.631)1.919 (1.718 ถึง 2.144)
ICU หรือเสียชีวิต เทียบกับกลับบ้าน2.448 (1.426 ถึง 4.200)2.604 (2.139 ถึง 3.171)

อ่านช่องแรก: ในผู้ป่วยอายุเท่ากัน การอยู่คนเดียวคูณอัตราส่วน P(ward) / P(home) ด้วย 3.291

RRR บอกได้เพียงเท่านี้ แม้จะมีชื่อแบบนี้ RRR ไม่ใช่ risk ratio มันไม่ใช่ตัวคูณที่ความเสี่ยงของการรับไว้ใน ward เปลี่ยนไป แต่เป็นตัวคูณที่ อัตราส่วนของความน่าจะเป็นสองค่า คือหมวดนั้นหารด้วย base เปลี่ยนไป

ปริศนา: ทำไม RRR ของ ICU หรือเสียชีวิตจึงเป็น 2.448

ทีนี้ดูแถวที่สอง RRR ของ ICU หรือเสียชีวิตเทียบกับกลับบ้านคือ 2.448 มี interval จาก 1.426 ถึง 4.200 แต่เราสร้างข้อมูลไว้ให้การอยู่คนเดียวไม่เปลี่ยน ICU หรือเสียชีวิต และสัดส่วนที่สังเกตได้ก็แทบไม่ขยับ จาก 0.089 เป็น 0.106 แล้ว RRR เป็น 2.448 ได้อย่างไร

เพราะ RRR เป็นอัตราส่วนของอัตราส่วนสองค่า มันเทียบ P(ICU or death) / P(home) ระหว่างสองกลุ่ม การอยู่คนเดียวเปลี่ยน ตัวหาร ของอัตราส่วนนั้น หมวดอ้างอิงคือกลับบ้านว่างลง จาก 0.596 เหลือ 0.361 ส่วนตัวตั้งคือ ICU หรือเสียชีวิตแทบอยู่ที่เดิม และอัตราส่วนที่ตัวหารหดลงขณะที่ตัวตั้งคงที่ย่อมสูงขึ้น

ดังนั้น RRR 2.448 ไม่ใช่ความผิดพลาด มันหมายความว่า "เมื่อเทียบกับการกลับบ้าน ICU หรือเสียชีวิตมีโอกาสมากขึ้น" ไม่ได้หมายความว่าการอยู่คนเดียวทำให้ ICU หรือเสียชีวิตพบบ่อยขึ้น สิ่งที่เปลี่ยนคือกลับบ้าน ไม่ใช่ ICU

หมวดอ้างอิงเป็นตัวกำหนดความหมายของ RRR

เปลี่ยน base แล้วโมเดลเดิมจะเล่าเรื่องต่างออกไป การเทียบระหว่างสองหมวดที่ไม่ใช่ base คือผลต่างของ coefficient ของสองหมวดนั้น บน log scale การอยู่คนเดียวมี b = 1.191 สำหรับ ward และ b = 0.895 สำหรับ ICU หรือเสียชีวิต

ถ้าใช้ ward เป็น base coefficient ของ ICU หรือเสียชีวิตเทียบกับ ward จะเท่ากับผลต่างนี้ (ค่าของ ICU หรือเสียชีวิต ลบด้วยค่าของ ward) ซึ่งติดลบ หมายความว่า เมื่อเทียบกับการอยู่ใน ward แล้ว ICU หรือเสียชีวิตมีโอกาส น้อยลง ในผู้ป่วยที่อยู่คนเดียว เมื่อเทียบกับผู้ที่ไม่ได้อยู่คนเดียวที่อายุเท่ากัน

ผู้ป่วยไม่ได้เปลี่ยนอะไรเลย มีเพียงจุดอ้างอิงที่เปลี่ยน นี่คือเหตุผลที่ต้องเลือก base อย่างตั้งใจ ระบุไว้ในส่วนวิธีการ และระลึกไว้ทุกครั้งที่อ่าน RRR

สำหรับผู้อ่านทางคลินิก บทสรุปที่ปลอดภัยที่สุดไม่ใช่ RRR เลย แต่เป็นความน่าจะเป็นที่ทำนายของแต่ละหมวด ซึ่งไม่ขึ้นกับ base นั่นคือสิ่งที่ตารางแรกแสดง: ICU หรือเสียชีวิต 0.090 ในกลุ่มที่ไม่ได้อยู่คนเดียว และ 0.103 ในกลุ่มที่อยู่คนเดียว

สิ่งที่ mlogit ต้องเสีย: ลำดับ

ถ้า mlogit ไม่ได้ให้คำสัญญาอะไร ทำไมไม่ใช้มันทุกครั้ง เพราะมันต้องจ่ายค่าความยืดหยุ่นถึงสามครั้ง หัวข้อนี้และอีกสองหัวข้อถัดไปแสดงราคาทั้งสามอย่าง

ข้อแรก มันลืมลำดับ mlogit มองกลับบ้าน ward และ ICU หรือเสียชีวิต เป็นแค่สามชื่อ ไม่ใช่สามขั้น ลองสลับรหัส เช่น ให้ ICU หรือเสียชีวิตเป็น 0 และกลับบ้านเป็น 2 ผลของการ fit และความน่าจะเป็นที่ทำนายก็ไม่เปลี่ยน สำหรับ outcome ที่ลำดับมีความหมาย ข้อมูลส่วนนี้ถูกทิ้งไป

split สองตัวจากหัวข้อก่อนๆ หายไป mlogit ไม่เคยถามว่า "ต้องนอนโรงพยาบาลหรือไม่" หรือ "ไปถึงขั้นบนสุดหรือไม่" จึงเหลือคำถามค้างไว้ข้อหนึ่ง: มีโมเดลที่เก็บลำดับไว้ และยังยอมให้คำสัญญาไม่เป็นจริงได้หรือไม่

นับจำนวนตัวเลขที่ mlogit ต้องใช้

ข้อที่สอง มันต้องใช้ตัวเลขมากกว่า mlogit ให้ค่าประมาณของผล (effect estimate) กับ predictor แต่ละ term หนึ่งค่าต่อหนึ่งหมวดที่ไม่ใช่ base จึงรายงานค่าประมาณของผลจำนวน (predictor term) x (จำนวนหมวด - 1) ค่า ologit รายงานหนึ่งค่าต่อหนึ่ง term

ตัวแปร binary หรือตัวแปรต่อเนื่องที่ใส่เป็นเส้นตรง นับเป็นหนึ่ง term ตัวแปร categorical ที่มี L ระดับ นับเป็น L - 1 term ในตารางนี้ predictor ทุกตัวเป็น term เดียว

ตัวอย่างเช่น ถ้ามี predictor 5 ตัวที่แต่ละตัวเป็น term เดียว และ outcome มี 3 หมวดเหมือนของเรา mlogit ต้องใช้ค่าประมาณของผล 10 ค่า ส่วน ologit ใช้ 5 ค่า แถวที่สองของตารางแสดงกรณีนี้

แถวแรกคือตัวอย่างที่สร้างขึ้น แถวอื่นแสดงว่าจำนวนเพิ่มขึ้นอย่างไร นับเฉพาะค่าประมาณของผล แต่ละโมเดลยังมี threshold หรือ intercept เพิ่มอีก
Predictor และหมวดologitmlogit
predictor 2 ตัว, 3 หมวด (ตัวอย่างนี้)24
predictor 5 ตัว, 3 หมวด510
predictor 5 ตัว, 5 หมวด520

ตัวเลขเหล่านี้เป็นเลขคณิต ไม่ใช่ผลการวิเคราะห์ threshold หรือ intercept นับเพิ่มต่างหาก โมเดลละสองค่าในที่นี้ นี่คือเหตุผลที่ตารางเปรียบเทียบช่วงท้ายบทความแสดงจำนวนพารามิเตอร์ 4 ตัวสำหรับ ologit และ 6 ตัวสำหรับ mlogit

interval ที่กว้างขึ้น: ตัวเลขแต่ละค่าอิงผู้ป่วยน้อยลง

ข้อที่สาม ตัวเลขแต่ละค่าอิงผู้ป่วยน้อยลง interval จึงกว้างขึ้น mlogit ยังคงเป็นการ fit ครั้งเดียวกับผู้ป่วยทั้ง 1,000 ราย แต่ตัวเลขแต่ละค่าของมันตอบคำถามที่แคบกว่า ข้อมูลสำหรับคำถามนั้นมาจากสองหมวดที่มันเทียบกันเป็นหลัก หมวดที่เล็กที่สุดจึงเป็นตัวจำกัด

ลองดูอายุ ตัวแปรที่รักษาคำสัญญา ologit บอกค่านี้ครั้งเดียว: 1.969 (95% CI 1.785 ถึง 2.173) mlogit ต้องใช้สองค่า: 1.919 (1.718 ถึง 2.144) สำหรับ ward เทียบกับกลับบ้าน และ 2.604 (2.139 ถึง 3.171) สำหรับ ICU หรือเสียชีวิตเทียบกับกลับบ้าน

ค่าที่สองของ mlogit อิงหมวดที่เล็กที่สุด คือ ICU หรือเสียชีวิต และ interval ของมันกว้างกว่าอย่างเห็นได้ชัด สองค่านี้ต่างกันด้วย แต่นั่นไม่ใช่การทำผิดคำสัญญา เพราะมันเทียบหมวดกับกลับบ้าน ไม่ได้เทียบ split ICU หรือเสียชีวิตอยู่สูงกว่ากลับบ้านสองขั้น predictor ที่ดันผู้ป่วยขึ้นบันไดจึงคาดได้ว่าจะขยับคู่นี้มากกว่า

ข้อควรระวังอย่างตรงไปตรงมาข้อหนึ่ง interval ที่แคบของ ologit เป็นข้อได้เปรียบเฉพาะเมื่อคำสัญญาเป็นจริง สำหรับการอยู่คนเดียว ซึ่งคำสัญญาไม่เป็นจริง ค่า 2.345 (1.759 ถึง 3.127) เป็นคำตอบที่แม่นยำสำหรับคำถามที่ผิด interval ของมันไม่ครอบคลุม odds ratio ของ split ทั้งสองค่า คือ 3.146 และ 1.159

ทำไมไม่ใช้ mlogit ทุกครั้ง

รวมราคาทั้งสามเข้าด้วยกัน mlogit ซื้อความยืดหยุ่นด้วยการเสียลำดับ ด้วยค่าประมาณของผลมากเป็นสองเท่าในที่นี้ (4 เทียบกับ 2) และด้วย interval ที่กว้างขึ้น

ดังนั้นสำหรับ outcome นี้ ยังไม่มีโมเดลใดที่น่าพอใจ ologit เก็บลำดับไว้ แต่คำสัญญาของมันไม่เป็นจริงสำหรับการอยู่คนเดียว mlogit fit การอยู่คนเดียวได้ แต่ทิ้งลำดับไปสำหรับตัวแปรทุกตัว รวมทั้งอายุ หัวข้อถัดไปจะกลับไปที่คำถามที่ค้างไว้

Partial proportional odds: เก็บลำดับไว้ ปล่อยแยกเฉพาะตัวที่ทำผิดคำสัญญา

เมื่อคำสัญญาไม่เป็นจริง มีทางแก้ที่ใช้กันบ่อยสองทาง ทางแรกเรารู้จักแล้ว คือทิ้ง split และลำดับ แล้วเทียบแต่ละหมวดกับ base นั่นคือ mlogit ซึ่งไม่ผูกอะไรไว้เลย ไม่มีตัวแปรใดถูกบังคับให้มีค่าเดียว

อีกทางหนึ่งเปลี่ยนให้น้อยที่สุด คือเก็บ split และลำดับไว้ แล้วปล่อยแยกเฉพาะตัวแปรที่ทำผิดคำสัญญา อายุยังมี odds ratio ค่าเดียวสำหรับทั้งสอง split ส่วนการอยู่คนเดียวถูกปล่อยแยก คือได้ odds ratio ของตัวเองในแต่ละ split

ทางแก้นี้มีชื่อเป็นทางการว่าโมเดล partial proportional odds ซึ่งเป็นรูปแบบหนึ่งของ generalised ordered logit [3, 7] ในแง่ของการยอมให้ตัวแปรมีมากกว่าหนึ่งค่า โมเดลนี้อยู่ระหว่างสองโมเดลในหัวข้อก่อนๆ: ologit บังคับให้ตัวแปรทุกตัวมีค่าเดียว ส่วน mlogit ไม่บังคับตัวแปรใดเลย โมเดลนี้ใช้ สอง split เดิม จึงยังเป็นโมเดลของ split แม้จะปล่อยแยกตัวแปรทุกตัว ก็ไม่ได้กลายเป็น mlogit ตัวแปรแต่ละตัวจะคง odds ratio ค่าเดียวข้ามทุก split หรือไม่ก็ได้ odds ratio ของตัวเองในแต่ละ split

เพราะทุกสมการยังเป็น cumulative split ลำดับของ outcome จึงยังอยู่ ซึ่งเข้ากับสิ่งที่ odds ratio ของแต่ละ split แสดงไว้กับผู้ป่วยของเรา: อายุคง odds ratio ค่าเดียวได้ ส่วนการอยู่คนเดียวดูเหมือนต้องมีสองค่า

นับจำนวนตัวเลขแบบเดียวกับในหัวข้อการนับ ในที่นี้โมเดลนี้ใช้ค่าประมาณของผล 3 ค่า คือหนึ่งค่าสำหรับอายุ และสองค่าสำหรับการอยู่คนเดียว อยู่ระหว่าง 2 ค่าของ ologit กับ 4 ค่าของ mlogit เมื่อรวม threshold สองค่าของมัน จะได้ 5 พารามิเตอร์ ถ้ามี predictor 5 ตัวที่แต่ละตัวเป็น term เดียว และมี 3 หมวด มันจะใช้ตั้งแต่ 5 ค่า (ไม่ปล่อยแยกตัวใด) ถึง 10 ค่า (ปล่อยแยกทุกตัว)

ใน Stata ใช้ gologit2 ซึ่งเป็น user-written command (ติดตั้งครั้งเดียวด้วย ssc install gologit2):

gologit2 course age10 i.alone, autofit or

option autofit เริ่มจากปล่อยแยกตัวแปรทุกตัว แล้วทีละรอบ มันคืน odds ratio ค่าเดียวที่ใช้ร่วมกันให้กับตัวแปรแต่ละตัว ที่ไม่เบี่ยงเบนจากคำสัญญาอย่างชัดเจน (Wald test ที่ระดับนัยสำคัญปกติ) และปล่อยแยกตัวแปรที่ไม่ผ่านไว้ตามเดิม ใช้ดูเบื้องต้นได้ดี แต่มันคือกฎค่า p แบบ stepwise และค่า p อย่างเดียวไม่ควรเป็นตัวตัดสินว่าจะปล่อยแยกตัวแปรใด

ในการวิเคราะห์ของคุณเอง ให้ตัดสินล่วงหน้าว่าตัวแปรไหนคง odds ratio ค่าเดียว จากเหตุผลทางคลินิกและจาก odds ratio ของแต่ละ split แล้วระบุไว้ล่วงหน้า: gologit2 course age10 i.alone, pl(age10) or คงอายุไว้แบบ parallel และให้การอยู่คนเดียวต่างกันตาม split (pl() คือรายชื่อตัวแปรที่คงแบบ parallel หรือรักษาคำสัญญา)

กับผู้ป่วยของเรา autofit คงอายุไว้แบบ parallel และปล่อยแยกการอยู่คนเดียว:

  • อายุ ต่อ 10 ปี เท่ากันที่ทั้งสอง split: OR 2.001 (95% CI 1.809 ถึง 2.212)
  • การอยู่คนเดียวที่ split ที่หนึ่ง (ward หรือแย่กว่า เทียบกับกลับบ้าน): OR 3.075 (2.212 ถึง 4.275)
  • การอยู่คนเดียวที่ split ที่สอง (ICU หรือเสียชีวิต เทียบกับกลับบ้านหรือ ward): OR 1.139 (0.699 ถึง 1.857)

เทียบกับค่าที่ใช้สร้างข้อมูล: 3.0 และ 1.0 สำหรับการอยู่คนเดียว และ 1.8 สำหรับอายุที่ทั้งสอง split ค่าประมาณอยู่ใกล้ค่าเหล่านี้ และเล่าเรื่องเดียวกับ logistic regression สองตัวที่แยกตาม split อายุดันผู้ป่วยขึ้นทั้งบันได ส่วนการอยู่คนเดียวดันผู้ป่วยไปที่ ward และไม่สูงไปกว่านั้น

ค่าประมาณของอายุ 2.001 สูงกว่า 1.8 เล็กน้อย และ interval (1.809 ถึง 2.212) เฉียดพลาดค่านี้ไป นั่นคือความแปรปรวนจากการสุ่มอีกครั้ง ไม่ใช่ข้อบกพร่องของโมเดล

ข้อสังเกตทางปฏิบัติ: gologit2 ตั้งชื่อสมการตามหมวดที่อยู่ ใต้ แต่ละเส้นแบ่ง สมการชื่อ "Home" คือ split ที่หนึ่ง (course สูงกว่า 0) และสมการชื่อ "Ward" คือ split ที่สอง (course สูงกว่า 1) ทิศทางเหมือน ologit: odds ratio ที่มากกว่า 1 หมายถึงหมวดที่สูงกว่า

autofit เลือกการอยู่คนเดียวด้วยการทดสอบ สองหัวข้อถัดไปแสดงการทดสอบแบบนี้ และวิธีอ่านผล

ทดสอบคำสัญญา

การทดสอบ proportional odds ทุกแบบเริ่มจาก null hypothesis เดียวกัน คือคำสัญญาเป็นจริง และ odds ratio แต่ละตัวเท่ากันในทุก split ดังนั้นค่า p ที่ เล็ก เป็นหลักฐานว่าคำสัญญา ไม่เป็นจริง ไม่ใช่หลักฐานว่าเป็นจริง ส่วนค่า p ที่ใหญ่ไม่ได้พิสูจน์ว่าคำสัญญาเป็นจริง ให้อ่านแบบเดียวกับการทดสอบใดๆ ที่มี null ว่า "ไม่ต่างกัน"

odds ratio ของแต่ละ split และ forest plot ที่แสดงไปแล้ว ยังคงเป็นการตรวจที่มีประโยชน์ที่สุด เพราะบอกว่าช่องว่างกว้างแค่ไหนและไปทางไหน การทดสอบอย่างเป็นทางการเพิ่มค่า p เข้ามา

การทดสอบรวม (omnibus test) ด้วย oparallel คำสั่งนี้เป็น user-written command ติดตั้งครั้งเดียวด้วย ssc install oparallel แล้วรันทันทีหลัง ologit กับผู้ป่วยของเรา มันรายงานว่า

  • Brant test: chi-squared 14.115 ที่ 2 df, p = 0.0009
  • likelihood-ratio test: chi-squared 15.035 ที่ 2 df, p = 0.0005

ค่า p ทั้งสองเล็ก odds ratio ค่าเดียวกันที่ทั้งสอง split จึงไม่เข้ากับข้อมูลนี้ Brant test [2] เทียบ slope ของ logit ที่แยกตาม split ส่วน likelihood-ratio test เทียบ ordinal model กับโมเดลที่ยอมให้ทุก slope ต่างกันตาม split

ใน StataNow คำสั่ง estat parallel หลัง ologit ให้การทดสอบชุดเดียวกัน คำสั่ง brant แบบดั้งเดิมเป็นของ SPost13 [8] ซึ่งไม่ได้เป็นส่วนหนึ่งของ Stata ทางการ หาได้ด้วย search spost13_ado

ดังนั้นมีบางอย่างทำผิดคำสัญญา หัวข้อถัดไปจะหาว่าเป็นตัวแปรใด

การเลือกสำหรับข้อมูลชุดนี้: ปล่อยแยกเฉพาะการอยู่คนเดียว

ทดสอบทีละตัวแปร ด้วยคำสั่งที่มีใน Stata อยู่แล้ว การทดสอบรวมบอกว่ามีบางอย่างทำผิดคำสัญญา แต่ไม่บอกว่าอะไร การหาตัวการ ให้ fit logit ของสอง split แล้วรวมเข้าด้วยกันด้วย suest คำสั่งนี้ทำให้สองการ fit มี covariance ร่วมกัน จึงเทียบ coefficient ข้ามกันได้ จากนั้นทดสอบว่า coefficient แต่ละตัวเท่ากันในสอง split หรือไม่ (Wald test):

  • การอยู่คนเดียว: chi-squared 13.557 ที่ 1 df, p = 0.0002
  • อายุ: chi-squared 0.655 ที่ 1 df, p = 0.4183
  • ทั้งสองตัวรวมกัน: chi-squared 14.232 ที่ 2 df, p = 0.0008

ตัวการคือการอยู่คนเดียว ตรงกับที่ odds ratio ของแต่ละ split แสดงไว้ สำหรับอายุ การทดสอบไม่พบการเบี่ยงเบน (p = 0.4183) ลำพังผลนี้ไม่ได้พิสูจน์ว่าคำสัญญาเป็นจริง แต่เมื่อรวมกับ odds ratio ของแต่ละ split ที่ใกล้กัน คือ 2.023 และ 1.879 odds ratio ค่าเดียวสำหรับอายุจึงเป็นบทสรุปที่สมเหตุสมผล

ข้อควรระวังเกี่ยวกับการทดสอบเหล่านี้ เมื่อมีผู้ป่วย 1,000 ราย การทดสอบอาจชี้การเบี่ยงเบนที่เล็กเกินกว่าจะมีความหมาย และในตัวอย่างขนาดเล็ก การทดสอบอาจพลาดการเบี่ยงเบนที่มีความหมาย ดังนั้นอย่าตัดสินจากค่า p เพียงอย่างเดียว

ให้ดู odds ratio ของแต่ละ split แล้วถามคำถามทางคลินิก: ช่องว่างนี้ใหญ่พอจะเปลี่ยนสิ่งที่คุณจะบอกผู้ป่วยหรือไม่ ในที่นี้ใหญ่พอ: odds ratio 3.146 สำหรับการนอนโรงพยาบาล กับ 1.159 ซึ่งมี interval กว้างคร่อม 1 สำหรับ ICU หรือเสียชีวิต คือข้อความทางคลินิกสองข้อที่ต่างกัน

ดังนั้นสำหรับผู้ป่วยกลุ่มนี้ เราเลือกโมเดล partial โดยให้อายุคงแบบ parallel และปล่อยแยกการอยู่คนเดียว: gologit2 course age10 i.alone, pl(age10) or มีเพียงตัวแปรเดียวที่ทำผิดคำสัญญา และลำดับยังสำคัญต่อคำถามของเรา ส่วน mlogit จะให้อายุมีสองค่าไปด้วย และทิ้งลำดับสำหรับตัวแปรทุกตัว

นี่คือโมเดลเดียวกับที่ autofit เลือกในหัวข้อ partial proportional odds ค่าประมาณของมันจึงเป็นค่าที่แสดงไว้ในหัวข้อนั้น ในการศึกษาจริง ให้เลือกตัวแปรที่จะปล่อยแยกจากเหตุผลทางคลินิกและจาก odds ratio ของแต่ละ split ไม่ใช่จากการทดสอบเพียงอย่างเดียว และเขียนการเลือกพร้อมเหตุผลไว้ก่อน fit โมเดลสุดท้าย

IIA: ข้อสมมุติที่มากับ mlogit

ก่อนจะเปรียบเทียบโมเดล ยังเหลือข้อสังเกตเสริมเกี่ยวกับ mlogit อีกสองเรื่อง

มักมีคนพูดว่า multinomial logistic regression "ไม่มีข้อสมมุติ" เพราะไม่ต้องใช้ proportional odds ที่จริงมันยังมีข้อสมมุติทั่วไป คือ observation เป็นอิสระต่อกัน รูปแบบที่ถูกต้องของ predictor แบบต่อเนื่อง และผู้ป่วยมากพอในทุกหมวด และยังมีข้อสมมุติของตัวเองอีกหนึ่งข้อ

ข้อสมมุตินั้นบอกว่า odds ของหมวดหนึ่งเทียบกับอีกหมวดหนึ่ง ไม่ขึ้นกับว่ามีหมวดอื่นอะไรให้เลือกบ้าง ตัวอย่างคลาสสิกคือการเดินทาง

สมมุติว่าผู้ป่วยมาโรงพยาบาลด้วยรถพยาบาลหรือรถส่วนตัว โดยมี odds เป็น 1 ต่อ 1 แล้วมีแท็กซี่เพิ่มขึ้นมา ซึ่งในทางปฏิบัติแทบไม่ต่างจากรถส่วนตัว สามัญสำนึกบอกว่าแท็กซี่จะดึงผู้ใช้ส่วนใหญ่มาจากรถส่วนตัว แต่ข้อสมมุตินี้บังคับให้ odds ของรถพยาบาลต่อรถส่วนตัวยังคงเป็น 1 ต่อ 1 แท็กซี่จึงต้องดึงผู้ใช้จากทั้งสองทางตามสัดส่วน

ข้อสมมุตินี้เรียกว่า independence of irrelevant alternatives (IIA) หรือความเป็นอิสระจากทางเลือกที่ไม่เกี่ยวข้อง เมื่อทางเลือกต่างๆ ใช้แทนกันได้ใกล้เคียง IIA ไม่สมจริง และ mlogit อาจชี้นำผิดได้

สำหรับบันไดความรุนแรงแบบของเรา IIA มีความสำคัญน้อย กลับบ้าน ward และ ICU หรือเสียชีวิต ไม่ใช่ทางเลือกจากเมนูที่จะเพิ่มหรือลดตัวเลือกได้ แต่เป็นสภาวะทางคลินิกที่ตายตัว ซึ่งการศึกษากำหนดไว้

มีการทดสอบ IIA อย่างเป็นทางการ คือ Hausman-type test และ Small-Hsiao test แต่บนข้อมูลชุดเดียวกัน ผลมักขัดกัน และขึ้นกับว่าตัดหมวดไหนออก [5] Long และ Freese แนะนำไม่ให้พึ่งการทดสอบเหล่านี้ [8] ให้ตัดสิน IIA ด้วยการคิดว่าหมวดเหล่านั้นคืออะไร ไม่ใช่ด้วยค่า p

ร่วมกัน ไม่ใช่แยกกัน

ประโยคหนึ่งที่มักได้ยินเกี่ยวกับ multinomial logistic regression คือ "การเทียบแต่ละหมวดกับ base ถูกจำลองแยกกันเป็นเอกเทศ" ราวกับว่า mlogit เป็นแค่ binary logistic regression สองตัวที่รันคู่กัน ซึ่งไม่ใช่

mlogit fit ทั้งสองการเทียบไปพร้อมกัน ใน likelihood เดียว สองสมการใช้ base category เดียวกันและผู้ป่วยชุดเดียวกัน โมเดลรับประกันว่าความน่าจะเป็นที่ทำนายทั้งสามค่าของผู้ป่วยแต่ละรายรวมกันได้ 1

คุณ fit การเทียบ "แบบเดียวกัน" แยกกันได้ คือ binary logit ของ ward เทียบกับกลับบ้าน ในผู้ป่วยที่กลับบ้านหรืออยู่ใน ward และอีกตัวของ ICU หรือเสียชีวิตเทียบกับกลับบ้าน ในผู้ป่วยที่กลับบ้านหรือเข้า ICU หรือเสียชีวิต Begg และ Gray แสดงว่า regression แยกรายคู่เหล่านี้ให้ค่าประมาณที่ consistent โดยแลกกับประสิทธิภาพบางส่วน คือ standard error โดยเฉลี่ยใหญ่ขึ้นบ้าง [4] กับผู้ป่วยของเรา ผลเป็นดังนี้ บนมาตรวัด log-odds:

ตัวอย่างที่สร้างขึ้น coefficient และ standard error จากการ fit mlogit ครั้งเดียว และจาก binary logit สองตัวที่ fit แยกในกลุ่มย่อย แถวของ ICU หรือเสียชีวิตต่างกันมากที่สุด เพราะการเทียบนั้นอิงผู้ป่วยน้อยกว่า
การเทียบและ predictormlogit b (SE)separate logit b (SE)
ward เทียบกับกลับบ้าน, อายุ ต่อ 10 ปี0.652 (0.057)0.654 (0.057)
ward เทียบกับกลับบ้าน, อยู่คนเดียว1.191 (0.174)1.193 (0.176)
ICU หรือเสียชีวิต เทียบกับกลับบ้าน, อายุ ต่อ 10 ปี0.957 (0.100)0.896 (0.100)
ICU หรือเสียชีวิต เทียบกับกลับบ้าน, อยู่คนเดียว0.895 (0.276)0.872 (0.295)

ค่าประมาณ ใกล้กันแต่ไม่เท่ากัน coefficient ของ ICU หรือเสียชีวิตขยับมากที่สุด เพราะการเทียบนั้นอิงผู้ป่วยน้อยกว่า

standard error ก็ใกล้กันแต่ไม่เท่ากัน สำหรับการอยู่คนเดียว การ fit แยกให้ค่าที่ใหญ่กว่าในข้อมูลนี้ คือ 0.176 เทียบกับ 0.174 และ 0.295 เทียบกับ 0.276 ส่วนของอายุเท่ากัน คือ 0.057 และ 0.100 ในทั้งสองคอลัมน์ Begg และ Gray อธิบายการเสียประสิทธิภาพในภาพรวม ไม่ได้รับประกันว่า standard error ทุกค่าจากการ fit แยกจะใหญ่กว่า

coefficient จาก mlogit และจาก logit ที่ fit แยก พร้อมแถบหนึ่ง SE
วงกลมสีน้ำเงินคือการ fit mlogit แบบร่วมกัน สี่เหลี่ยมสีแดงส้ม (vermillion) คือ binary logit ที่ fit แยก แถบยาวหนึ่ง SE ไปแต่ละด้าน คู่ของจุดเกือบซ้อนกัน แปลว่าการ fit สองแบบให้ผลใกล้กัน แต่ไม่ใช่โมเดลเดียวกัน

logit ที่ fit แยกเป็นวิธีที่ดีในการทำความเข้าใจว่า mlogit ทำอะไร แต่โมเดลที่คุณรายงานคือโมเดลแบบร่วมกัน คือ likelihood เดียว base ร่วมกัน และความน่าจะเป็นที่รวมกันได้ 1 ในผู้ป่วยทุกราย

เปรียบเทียบโมเดล

ตรวจการเลือกนี้อีกครั้งหนึ่ง

มีคะแนนที่ใช้กันทั่วไปสองตัว ซึ่งชั่งน้ำหนักระหว่างความสอดคล้องของโมเดลกับข้อมูล และจำนวนพารามิเตอร์ที่โมเดลใช้ ทั้งสองตัว ค่าที่ต่ำกว่าดีกว่า คะแนนสองตัวนี้คือ AIC และ BIC AIC คิด 2 แต้มต่อหนึ่งพารามิเตอร์ BIC คิด ln(n) แต้ม ซึ่งมากกว่า 2 เมื่อกลุ่มตัวอย่างใหญ่กว่าราว 8 ราย BIC จึงเข้าข้างโมเดลที่เล็กกว่ามากกว่า

ตัวอย่างที่สร้างขึ้น ผู้ป่วย 1,000 ราย AIC และ BIC ที่ต่ำกว่าหมายถึงสมดุลระหว่างความสอดคล้องกับขนาดของโมเดลที่ดีกว่า คอลัมน์กลางชนะทั้งสองตัว
Ordinal (ologit)Partial proportional odds (gologit2)Multinomial (mlogit)
คำถามที่ตอบX ดันผู้ป่วยขึ้นบันไดอย่างไรเหมือนกัน แต่ยอมให้ตัวแปรที่เลือกมีผลต่างกันในแต่ละ splitX เปลี่ยนแต่ละหมวดเทียบกับ base อย่างไร
ใช้ลำดับใช่ใช่ไม่
จำนวนพารามิเตอร์ในที่นี้456
ข้อสมมุติหลักproportional odds สำหรับทุกตัวแปรproportional odds สำหรับตัวแปรที่คงแบบ parallelIIA; ผู้ป่วยมากพอในทุกหมวด
AIC1606.6161593.9181596.633
BIC1626.2481618.4571626.080

โมเดล partial proportional odds มี AIC ต่ำที่สุดและ BIC ต่ำที่สุด มัน fit ผู้ป่วยกลุ่มนี้ได้อย่างน้อยดีเท่า multinomial model โดยใช้พารามิเตอร์น้อยกว่าหนึ่งตัว และ fit ได้ดีกว่า ordinal model มาก โดยใช้พารามิเตอร์มากกว่าหนึ่งตัว

ข้อควรระวังก่อนจะสรุปเป็นการทั่วไป เราสร้างข้อมูลชุดนี้จากโมเดล partial proportional odds ชัยชนะของมันในที่นี้จึงเป็นสิ่งที่คาดไว้ตามการออกแบบ ไม่ใช่ข้อสรุปทั่วไป ในข้อมูลจริงไม่มีโมเดลใดที่รู้ว่าเป็นจริง และการเปรียบเทียบแบบเดียวกันอาจเข้าข้าง mlogit หรือ ologit ก็ได้

ข้อควรระวังเล็กๆ อีกสองข้อ mlogit ให้การอยู่คนเดียวมี coefficient ของตัวเองในแต่ละสมการ การที่มันเกือบตรงกับสัดส่วนที่สังเกตได้ในกลุ่มที่อยู่และไม่ได้อยู่คนเดียว จึงมาจากโครงสร้างของโมเดลเป็นส่วนใหญ่ ไม่ได้แสดงว่า mlogit เป็นโมเดลที่ถูก และเพราะ autofit เลือกตัวแปรที่จะปล่อยแยกจากข้อมูลชุดเดียวกันนี้ AIC ของโมเดล partial จึงดูดีเกินจริงไปเล็กน้อย

เลือกในทางปฏิบัติ: สองคำถาม ไม่ใช่คำถามเดียว

ชนิดของ outcome อย่างเดียวไม่ได้เลือกโมเดลให้ คำถามสองข้อต่างหากที่เลือก ข้อแรก: หมวดของ outcome มีลำดับหรือไม่ ข้อที่สอง ถ้ามีลำดับ: คำสัญญาเป็นจริงหรือไม่ คือ predictor แต่ละตัวมี odds ratio ค่าเดียวในทุก split หรือไม่

ตัวอย่างที่สร้างขึ้นเป็นเพียงตัวอย่าง คำถามสองข้อนี้ใช้ได้กับ categorical outcome ทุกชนิดที่ observation เป็นอิสระต่อกัน อ่านลงตามคอลัมน์แรกจนพบแถวที่ตรงกับ outcome และ odds ratio ของแต่ละ split ของคุณ
สถานการณ์โมเดลได้อะไร จ่ายอะไร
ไม่มีลำดับ (outcome แบบ nominal)mlogit พร้อม baseoutcome(#)ได้: ไม่ต้องสมมุติลำดับ และไม่ต้องการลำดับ จ่าย: ค่าประมาณจำนวน (predictor term) x (จำนวนหมวด - 1) ค่า และ IIA ที่ต้องคิด
มีลำดับ และคำสัญญาเป็นจริง: odds ratio ของแต่ละ split ใกล้กันพอ จนตัวเลขเดียวเล่าเรื่องทางคลินิกเดียวกันในทุก splitologitได้: odds ratio ค่าเดียวต่อ predictor หนึ่งตัว interval แคบ รายงานสั้น จ่าย: ไม่มี ตราบใดที่คำสัญญาเป็นจริงจริงๆ
มีลำดับ และมีตัวแปรหนึ่งหรือสองสามตัวที่ช่องว่างใหญ่พอจะมีความหมายpartial proportional odds ปล่อยแยกเฉพาะตัวการ ระบุไว้ล่วงหน้าด้วย gologit2 ..., pl() โดย pl() คือรายชื่อตัวแปรที่คงแบบ parallelได้: ลำดับยังอยู่ และค่าทำนายซื่อตรง จ่าย: ค่าประมาณเพิ่มเฉพาะตัวแปรที่ปล่อยแยก และต้องใช้ user-written command
มีลำดับ คำสัญญาไม่เป็นจริง และลำดับไม่สำคัญต่อคำถามของคุณ หรือตัวแปรส่วนใหญ่ทำผิดคำสัญญาmlogitได้: predictor ทุกตัวมีตัวเลขของตัวเองในทุกหมวด จ่าย: เสียลำดับ ค่าประมาณมากขึ้น interval กว้างขึ้น

ข้อสังเกตเชิงปฏิบัติที่มากับตาราง

  • ตรวจคำสัญญาสองทาง fit binary logit แยกตาม split แล้วเทียบ odds ratio จากนั้นรัน oparallel (หรือ estat parallel ใน StataNow)
  • ชั่งขนาดของความต่าง ไม่ใช่ดูแค่ค่า p การทดสอบที่ไม่มีนัยสำคัญสนับสนุนคำสัญญา แต่ไม่ได้พิสูจน์ การทดสอบที่มีนัยสำคัญแต่ช่องว่างเล็กอาจยังยอมรับได้ ให้รายงาน odds ratio ของแต่ละ split
  • เลือกตัวแปรที่จะปล่อยแยกไว้ล่วงหน้า จาก odds ratio ของแต่ละ split และเหตุผลทางคลินิก autofit ช่วยเสนอตัวเลือกได้ แต่มันคือกฎค่า p
  • ยังมีโมเดลอื่นที่เก็บลำดับไว้ เมื่อโมเดล partial ไม่เหมาะ: stereotype logit (slogit, Stata ทางการ) หรือ continuation-ratio model
  • ถ้าตัวแปรส่วนใหญ่ทำผิดคำสัญญา แต่คำถามของ split ยังสำคัญ gologit2 ที่ไม่ใส่ pl() จะปล่อยแยกทุกตัวแปรและยังเก็บ split ไว้ มันรายงานค่าประมาณจำนวนเท่ากับ mlogit และอาจให้ความน่าจะเป็นที่ทำนายติดลบได้
  • เมื่อใช้ mlogit ให้เขียน baseoutcome(#) ทุกครั้ง และรายงานความน่าจะเป็นที่ทำนายไว้ข้าง RRR

ลองตรวจตัวเอง คะแนนความปวดตัวหนึ่งมีสี่ระดับที่เรียงลำดับ และโมเดลของคุณมี predictor หกตัว แต่ละตัวเป็น term เดียว ไม่ว่าจะเป็นตัวแปร binary หรือต่อเนื่อง มีเพียงตัวเดียวที่ทำผิดคำสัญญา แต่ละโมเดลรายงานค่าประมาณของผลกี่ค่า และคุณจะ fit โมเดลไหน

คำตอบ: ologit รายงาน 6 ค่า หนึ่งค่าต่อ predictor หนึ่งตัว โมเดล partial รายงาน 8 ค่า คือหนึ่งค่าสำหรับแต่ละตัวในห้าตัวที่รักษาคำสัญญา และสามค่าสำหรับตัวการ หนึ่งค่าต่อหนึ่ง split mlogit รายงาน 18 ค่า คือ predictor หกตัวคูณสาม ให้ fit โมเดล partial เพราะมันเก็บลำดับไว้ และปล่อยแยกเฉพาะตัวแปรที่ต้องปล่อยแยก

ทำซ้ำตัวอย่าง

ตัวเลขทุกตัวข้างบนมาจาก do-file ไฟล์เดียว คือ 02_mlogit_vs_ologit.do ที่รันใน Stata และตรวจซ้ำใน R do-file นี้สร้างข้อมูลตัวอย่างก่อนด้วย random seed ที่ตายตัว กล่องแรกด้านล่างคือส่วนสร้างข้อมูล คัดลอกมาทุกบรรทัด เพื่อให้คุณสร้างผู้ป่วย 1,000 รายชุดเดียวกันได้เอง do-file ฉบับเต็มยัง export แถวชุดเดียวกันเป็น cap_course.csv สำหรับ R กล่องอื่นเป็นฉบับย่อ และแต่ละกล่องเริ่มจากชุดข้อมูลสำหรับวิเคราะห์ cap_course.dta (หรือ cap_course.csv สำหรับ R)

Stata

สร้างข้อมูล (ส่วนสร้างข้อมูลของ do-file ฉบับเต็ม):

set seed 20261119
set obs 1000
generate int age = runiformint(40, 90)
generate byte alone = runiform() < 0.25
generate double age10 = (age - 65)/10
* True cumulative probabilities from the generalized ordered logit
generate double p_ge1_true = invlogit(logit(0.40) + ln(1.8)*age10 + ln(3.0)*alone)
generate double p_ge2_true = invlogit(logit(0.08) + ln(1.8)*age10 + ln(1.0)*alone)
generate double u = runiform()
generate byte course = (u < p_ge1_true) + (u < p_ge2_true)
save "cap_course.dta", replace

ordinal logistic regression และความน่าจะเป็นที่ทำนาย:

* Ordinal logistic regression: one odds ratio for every split
use "cap_course.dta", clear
tabulate course alone, column
ologit course age10 i.alone, or
* average predicted probability of each category, by living alone
margins alone, predict(outcome(0)) predict(outcome(1)) predict(outcome(2))

ตรวจ proportional odds ด้วย odds ratio ของแต่ละ split และด้วย oparallel:

* Proportional-odds check 1: the two split odds ratios, side by side
use "cap_course.dta", clear
generate byte ge1 = course >= 1
generate byte ge2 = course >= 2
logistic ge1 age10 i.alone
logistic ge2 age10 i.alone
* Check 2: omnibus Brant and LR tests after ologit (user-written)
* ssc install oparallel
quietly ologit course age10 i.alone
oparallel

Wald test ทีละตัวแปร ด้วยคำสั่งที่มีใน Stata อยู่แล้วเท่านั้น:

use "cap_course.dta", clear
generate byte ge1 = course >= 1
generate byte ge2 = course >= 2
quietly logit ge1 age10 i.alone
estimates store cum_ge1
quietly logit ge2 age10 i.alone
estimates store cum_ge2
suest cum_ge1 cum_ge2
test [cum_ge1_ge1]1.alone = [cum_ge2_ge2]1.alone
test [cum_ge1_ge1]age10 = [cum_ge2_ge2]age10

multinomial logistic regression และการเทียบคู่เดียวกันด้วย logit ที่ fit แยก:

use "cap_course.dta", clear
mlogit course age10 i.alone, baseoutcome(0) rrr
margins alone, predict(outcome(0)) predict(outcome(1)) predict(outcome(2))
* The same two contrasts as separate binary logits, each on its own subsample
generate byte y1v0 = (course == 1) if inlist(course, 0, 1)
generate byte y2v0 = (course == 2) if inlist(course, 0, 2)
logit y1v0 age10 i.alone
logit y2v0 age10 i.alone

partial proportional odds และสามโมเดลเทียบกัน:

* gologit2 is user-written: ssc install gologit2
use "cap_course.dta", clear
gologit2 course age10 i.alone, autofit or
quietly ologit course age10 i.alone
estimates store m_ol
quietly gologit2 course age10 i.alone, autofit
estimates store m_ppo
quietly mlogit course age10 i.alone, baseoutcome(0)
estimates store m_ml
estimates stats m_ol m_ppo m_ml

R

R เขียน ordinal model กลับด้าน จึงต้องอ่านเครื่องหมายก่อนเทียบ MASS::polr fit

\[ \text{logit}\, P(Y \le j) = \zeta_j - \eta, \]

\[ \eta = x\beta \]

นี่คือโมเดลเดียวกับของ Stata แต่เขียนสำหรับหางล่าง slope ของมันมี เครื่องหมายเดียวกัน กับ ologit ของ Stata (บวกหมายถึงหมวดที่สูงกว่า) และ threshold \(\zeta_j\) มี ค่าเดียวกัน กับ /cut1 และ /cut2 ของ Stata ส่วน VGAM::cumulative() ต่างจาก Stata สองข้อ ข้อแรก ค่าตั้งต้น parallel = FALSE ไม่ใช่ proportional odds model เลย เพราะทุก slope มีค่าของตัวเองในแต่ละ split ข้อที่สอง โดยค่าตั้งต้นมันจำลองหางล่าง logit P(Y ≤ j) = α_j + xβ_j ทุก slope จึงมี เครื่องหมายตรงข้าม กับ Stata cumulative(parallel = TRUE, reverse = TRUE) ซึ่งเรียกได้อีกชื่อว่า VGAM::propodds() คือ ologit ของ Stata ส่วน parallel = FALSE ~ alone คู่กับ reverse = TRUE อย่างในกล่องด้านล่าง คือโมเดล partial

ทั้งสองกล่องเริ่มจาก data frame ชื่อ cap ให้โหลดไฟล์ cap_course.csv ที่ export ไว้เข้าไปก่อน

# Ordinal (MASS::polr) and multinomial (nnet::multinom) logistic regression, same rows
# cap = the 1,000 rows of cap_course.csv, loaded as a data frame
cap$course_ord <- factor(cap$course, levels = 0:2, ordered = TRUE,
                         labels = c("Home", "Ward", "ICU_or_death"))
fit_po <- MASS::polr(course_ord ~ age10 + alone, data = cap, Hess = TRUE)
exp(coef(fit_po))   # odds ratios: same sign as Stata ologit
fit_po$zeta         # thresholds: same values as Stata /cut1 and /cut2
cap$course_nom <- factor(cap$course_ord, ordered = FALSE)
fit_ml <- nnet::multinom(course_nom ~ age10 + alone, data = cap, trace = FALSE, reltol = 1e-12)
exp(coef(fit_ml))   # RRRs against the first level, Home
# Partial proportional odds: age10 shared by both splits, alone free at each split
# cap = the 1,000 rows of cap_course.csv, loaded as a data frame
cap$course_ord <- factor(cap$course, levels = 0:2, ordered = TRUE)
fit_ppo <- VGAM::vglm(course_ord ~ age10 + alone,
                      family = VGAM::cumulative(parallel = FALSE ~ alone, reverse = TRUE),
                      data = cap)
exp(VGAM::coef(fit_ppo))   # alone:1 = split 1, alone:2 = split 2, age10 = both splits
# reverse = TRUE models P(Y >= j + 1), Stata's direction; without it every slope flips sign

R ให้ odds ratio, RRR, ความน่าจะเป็นที่ทำนาย, AIC และ BIC ตรงกับ Stata ตามความละเอียดที่พิมพ์ โมเดล partial ต่างกันเพียงทศนิยมตำแหน่งที่สามของขอบ interval บางค่า เพราะ gologit2 และ VGAM ใช้ optimiser ต่างกัน

ความเข้าใจผิดที่พบบ่อย

  • "mlogit ก็แค่ logit หลายตัวที่รันแยกกัน"

    ไม่จริง mlogit fit การเทียบทั้ง \(K - 1\) คู่ใน likelihood เดียว โดยใช้ base ร่วมกัน และความน่าจะเป็นของผู้ป่วยทุกรายรวมกันได้ 1 logit ที่ fit แยกในกลุ่มย่อยให้ค่าประมาณและ standard error ที่ใกล้เคียงแต่ไม่เท่ากัน โดยทั่วไปมีประสิทธิภาพต่ำกว่า แต่ไม่ใช่ทุก standard error จะใหญ่กว่าในข้อมูลทุกชุด

    วิธีแก้: รายงานโมเดลแบบร่วมกัน และใช้ logit ที่ fit แยกเพียงเพื่อทำความเข้าใจโมเดล

  • "odds ratio จาก ologit คือผลต่อหมวดบนสุด"

    ไม่จริง odds ratio จาก ologit, or เป็นตัวเลขเดียวที่อ้างว่าใช้ได้กับทุก split ในที่นี้คือทั้ง "นอนโรงพยาบาลหรือไม่" และ "ICU หรือเสียชีวิต" ถ้า proportional odds ไม่เป็นจริง มันอาจเป็นบทสรุปที่แย่ของ split อย่างน้อยหนึ่ง split ในที่นี้ 2.345 อยู่ระหว่าง 3.146 กับ 1.159 และสูงกว่าค่าประมาณของ split ที่สองไปมาก

    วิธีแก้: ก่อนอ่าน odds ratio ของ ordinal model ว่าเป็นผลต่อผลลัพธ์ที่แย่ที่สุด ให้ตรวจ odds ratio ของแต่ละ split

  • "RRR คือ risk ratio"

    ไม่จริง RRR เปลี่ยนอัตราส่วน P(category) / P(base) การอยู่คนเดียวมี RRR 2.448 สำหรับ ICU หรือเสียชีวิตเทียบกับกลับบ้าน แม้สัดส่วนที่ไปถึง ICU หรือเสียชีวิตแทบไม่ขยับ เพราะกลุ่มกลับบ้านว่างลง

    วิธีแก้: ระบุ base และรายงานความน่าจะเป็นที่ทำนายของแต่ละหมวดไว้ข้าง RRR

  • "mlogit ไม่มีข้อสมมุติ"

    ไม่จริง มันต้องการ observation ที่เป็นอิสระต่อกัน รูปแบบที่ถูกต้องของ predictor แบบต่อเนื่อง และผู้ป่วยมากพอในแต่ละหมวด และยังมี IIA ติดมาด้วย

    วิธีแก้: คิดว่าหมวดเหล่านั้นใช้แทนกันได้หรือไม่ สำหรับสภาวะทางคลินิกที่ตายตัว IIA แทบไม่เป็นปัญหา

  • "Brant test หรือ oparallel ที่มีนัยสำคัญ แปลว่าต้องทิ้ง ordinal model"

    ไม่จริง การทดสอบที่มีนัยสำคัญบอกว่ามีตัวแปรอย่างน้อยหนึ่งตัวที่ทำผิดคำสัญญา proportional odds ไม่ได้บอกว่าลำดับไร้ประโยชน์ ในที่นี้มีเพียงการอยู่คนเดียวที่ทำผิดคำสัญญา

    วิธีแก้: ดู odds ratio ของแต่ละ split ตัดสินว่าตัวแปรไหนต้องปล่อยแยก แล้วระบุโมเดล partial proportional odds ไว้ล่วงหน้า โดยใส่ชื่อตัวแปรที่คงแบบ parallel ไว้ใน pl() (ในที่นี้คือ gologit2 ..., pl(age10) or: อายุคงแบบ parallel การอยู่คนเดียวถูกปล่อยแยก) autofit ช่วยเสนอตัวเลือกได้

  • "mlogit ผิดสำหรับ outcome ที่มีลำดับ"

    ไม่จริง มันใช้ได้ถูกต้อง แต่ใช้พารามิเตอร์มากกว่า ไม่สนใจลำดับ และตอบคำถามเรื่องแต่ละหมวดเทียบกับ base แทนเรื่องการขยับขึ้นบันได

    วิธีแก้: เลือกใช้เมื่อลำดับไม่สำคัญต่อคำถามของคุณ ไม่ใช่เลือกแบบอัตโนมัติเมื่อการทดสอบไม่ผ่าน

  • "outcome แบบ ordinal ต้องใช้ ologit outcome แบบ nominal ต้องใช้ mlogit แค่นั้นจบ"

    ไม่จริง คำถามสองข้อเป็นตัวเลือกโมเดล คือ outcome มีลำดับหรือไม่ และ odds ratio ค่าเดียวต่อ predictor เป็นจริงในทุก split หรือไม่ ในที่นี้ outcome เป็นแบบ ordinal แต่ ologit ยังพลาดเรื่อง ICU หรือเสียชีวิตในผู้ป่วยที่อยู่คนเดียว คือทำนาย 0.147 เทียบกับที่สังเกตได้ 0.106

    วิธีแก้: หลังถามว่า "มีลำดับหรือไม่" ให้ถามต่อว่า "คำสัญญาเป็นจริงหรือไม่" ถ้าไม่เป็นจริง ให้ใช้ partial proportional odds หรือ mlogit

  • "ค่า p ที่เล็กใน Brant test หรือ oparallel แปลว่า proportional odds เป็นจริง"

    ไม่จริง null hypothesis คือ odds ratio เท่ากันในทุก split ค่า p ที่เล็กจึงแปลว่าคำสัญญาไม่เป็นจริง ในที่นี้ p คือ 0.0009 และ odds ratio ของแต่ละ split สำหรับการอยู่คนเดียวคือ 3.146 และ 1.159

    วิธีแก้: อ่านค่า p ที่เล็กว่า "ไม่เป็นจริง" แล้วดูขนาดของช่องว่างระหว่าง odds ratio ของแต่ละ split

  • "mlogit ไม่ได้ให้คำสัญญาอะไร ใช้มันทุกครั้งก็ได้"

    ไม่จริง มันต้องจ่ายด้วยค่าประมาณของผลจำนวน (predictor term) x (จำนวนหมวด - 1) ค่า interval ที่กว้างขึ้น และการเสียลำดับ สำหรับอายุ ologit ให้ odds ratio ค่าเดียว คือ 1.969 (95% CI 1.785 ถึง 2.173) ขณะที่ mlogit ให้สองค่า คือ 1.919 (1.718 ถึง 2.144) และ 2.604 (2.139 ถึง 3.171)

    วิธีแก้: ใช้ mlogit เมื่อไม่มีลำดับ หรือเมื่อลำดับไม่สำคัญต่อคำถามของคุณ หรือเมื่อตัวแปรส่วนใหญ่ทำผิดคำสัญญา

อภิธานศัพท์

Ordinal outcome
outcome แบบมีลำดับ: outcome ที่หมวดมีลำดับตามธรรมชาติ เช่น กลับบ้าน, ward, ICU หรือเสียชีวิต
Nominal outcome
outcome แบบไม่มีลำดับ: outcome ที่หมวดไม่มีลำดับ เช่น หมู่เลือด
Split (cumulative split)
เส้นแบ่งแบบสะสม: การตัด outcome แบบ ordinal ออกเป็น "หมวดนี้หรือต่ำกว่า" เทียบกับ "สูงกว่าหมวดนี้"
Cumulative odds
odds สะสม: odds ของการอยู่เหนือ split หนึ่ง คือ P(Y > j) / P(Y ≤ j)
Proportional odds
คำสัญญาของ ordinal logistic regression: ข้อสมมุติว่า predictor แต่ละตัวมี odds ratio เท่ากันในทุก split เรียกอีกชื่อว่า parallel-lines หรือ parallel-regression assumption
Threshold (cut point)
ค่าเกณฑ์: ตำแหน่งของแต่ละ split บนมาตรวัด log-odds คือ /cut1 และ /cut2 ใน Stata ในรูปแบบของ Stata ค่านี้เข้าสมการด้วยเครื่องหมายลบ intercept ของ split จึงเป็น −κ_j นี่คือเหตุผลที่ gologit2 ซึ่งพิมพ์ intercept แสดงค่าเหล่านี้ด้วยเครื่องหมายตรงข้าม ค่านี้วางตำแหน่งของ split ไม่ใช่ผลของ predictor
Partial proportional odds
ordinal model ที่ predictor บางตัวคง odds ratio ค่าเดียวข้ามทุก split และบางตัวถูกปล่อยแยก คือมี odds ratio หนึ่งค่าต่อหนึ่ง split
Base category (base outcome)
หมวดอ้างอิง: หมวดที่หมวดอื่นทุกหมวดถูกนำมาเทียบด้วย ใน multinomial logistic regression
Relative-risk ratio (RRR)
exp(b) จาก multinomial logistic regression: ตัวคูณที่อัตราส่วน P(category) / P(base) เปลี่ยนไปต่อหนึ่งหน่วยของ predictor ไม่ใช่ risk ratio
Independence of irrelevant alternatives (IIA)
ความเป็นอิสระจากทางเลือกที่ไม่เกี่ยวข้อง: คุณสมบัติของ multinomial logistic regression ที่ odds ของหมวดหนึ่งเทียบกับอีกหมวดหนึ่ง ไม่ขึ้นกับหมวดอื่นที่มีให้เลือก
Predictive margin (average predicted probability)
ความน่าจะเป็นที่ทำนายเฉลี่ย: ความน่าจะเป็นของหมวดหนึ่งที่ทำนายให้ผู้ป่วยทุกราย โดยกำหนดให้ predictor ตัวหนึ่งมีค่าเดียวกันทุกราย แล้วนำมาเฉลี่ย (คำสั่ง Stata margins alone) ถ้าต้องการเฉลี่ยภายในแต่ละกลุ่มตามที่สังเกตได้ ให้ใช้ margins, over(alone) แทน

เอกสารอ้างอิง

  1. McCullagh P. Regression models for ordinal data. J R Stat Soc Series B Methodol. 1980;42(2):109-142.
  2. Brant R. Assessing proportionality in the proportional odds model for ordinal logistic regression. Biometrics. 1990;46(4):1171-1178.
  3. Williams R. Generalized ordered logit/partial proportional odds models for ordinal dependent variables. Stata J. 2006;6(1):58-82.
  4. Begg CB, Gray R. Calculation of polychotomous logistic regression parameters using individualized regressions. Biometrika. 1984;71(1):11-18.
  5. Cheng S, Long JS. Testing for IIA in the multinomial logit model. Sociol Methods Res. 2007;35(4):583-600.
  6. Hosmer DW, Lemeshow S, Sturdivant RX. Applied Logistic Regression. 3rd ed. Hoboken, NJ: Wiley; 2013.
  7. Agresti A. Analysis of Ordinal Categorical Data. 2nd ed. Hoboken, NJ: Wiley; 2010.
  8. Long JS, Freese J. Regression Models for Categorical Dependent Variables Using Stata. 3rd ed. College Station, TX: Stata Press; 2014.

ประเด็นสำคัญ

  • outcome ที่มีลำดับสามขั้นแปลงเป็นคำถามแบบใช่หรือไม่ใช่ได้สองข้อพอดี คือ cumulative split สองตัว: นอนโรงพยาบาลหรือไม่ และไปถึงขั้นบนสุดหรือไม่ บันไดที่มี K ขั้นเรียงลำดับให้ K - 1 split และ logistic regression ธรรมดาหนึ่งตัวต่อหนึ่ง split ทำให้ predictor แต่ละตัวมี odds ratio สองค่า
  • ologit รายงาน odds ratio ค่าเดียวต่อ predictor เพราะมันสัญญาว่า odds ratio ของแต่ละ split เท่ากัน (proportional odds) อายุรักษาคำสัญญา (2.023 และ 1.879; ologit 1.969) การอยู่คนเดียวทำผิดคำสัญญา (3.146 และ 1.159; ologit 2.345)
  • คำสัญญาที่ไม่เป็นจริงดันค่าทำนายไปผิดทาง ค่าประนีประนอมย้ายผู้ป่วยที่อยู่คนเดียวข้าม split ที่หนึ่งน้อยเกินไป และข้าม split ที่สองมากเกินไป: ทำนาย ICU หรือเสียชีวิต 0.147 เทียบกับที่สังเกตได้ 0.106
  • เมื่อคำสัญญาไม่เป็นจริง มีทางออกสองทาง mlogit ไม่ผูกอะไรเลย แลกกับค่าประมาณจำนวน (predictor term) x (จำนวนหมวด - 1) ค่า interval ที่กว้างขึ้น และการเสียลำดับ และ RRR ของมันขึ้นกับ base มันใช้กับ outcome ที่มีลำดับได้ และลำพังการที่ outcome มีลำดับ ไม่ได้ทำให้ ologit เป็นโมเดลที่ถูก ส่วน partial proportional odds เก็บ split ไว้และปล่อยแยกเฉพาะตัวการ (อายุ 2.001; การอยู่คนเดียว 3.075 และ 1.139) มี AIC และ BIC ต่ำที่สุด ตามที่คาดไว้สำหรับข้อมูลที่สร้างจากโมเดลนั้น
  • การทดสอบ proportional odds ใช้ "คำสัญญาเป็นจริง" เป็น null ค่า p ที่เล็กจึงแปลว่าไม่เป็นจริง ในที่นี้การอยู่คนเดียวไม่ผ่าน (p = 0.0002) และอายุไม่พบการเบี่ยงเบนที่ชัดเจน (p = 0.4183) ให้ตัดสินขนาดของช่องว่างด้วย จากนั้นเลือกด้วยคำถามสองข้อ ไม่ใช่ข้อเดียว: มีลำดับหรือไม่ และคำสัญญาเป็นจริงหรือไม่

อ่านต่อในวิกิ: ทำไม Logistic และ Conditional Logistic Regression จึงให้ Odds Ratio ต่างกัน? · เลือก regression model ตัวไหน: flow จาก design และ outcome (Y) ถึงคำสั่ง Stata · เขียนคำสั่ง regression ใน Stata ตามชนิด outcome และอ่าน coefficient แต่ละตัว · ตรวจ regression model: assumption, diagnostic และทางไปต่อเมื่อไม่ผ่าน

0
ถึงนักอ่านชาวไทยและต่างชาติทำความเข้าใจบริบททางการแพทย์ของผมอ่านต่อ →ถึงนักอ่านชาวไทยและต่างชาติทำความเข้าใจเนื้อหาของผมที่นอกเหนือจากการแพทย์อ่านต่อ →

ความคิดเห็น

ยังไม่มีความคิดเห็น มาเป็นคนแรกกันเลย

เข้าสู่ระบบเพื่อแสดงความคิดเห็น