regression model สี่ตัวในหน้าเดียว: linear, logistic, Poisson และ Cox ตามชนิดของ outcome (Y)

Clinical Epidemiology ResearchMethodology and Research Design THUniqcret doctor knowledges TH
regression model สี่ตัวในหน้าเดียว: linear, logistic, Poisson และ Cox ตามชนิดของ outcome (Y)
On this page

อ่านฉบับภาษาอังกฤษ (English version)

บทคัดย่อ

regression model สี่ตัวครอบคลุมชนิดของ outcome ที่พบบ่อยที่สุดในงานวิจัยทางคลินิก และชนิดของ outcome (Y) กับค่าวัดผลที่ต้องการเป็นตัวตัดสินว่าจะใช้ตัวไหน ตัวเลขบนสเกลต่อเนื่องใช้ linear regression ผลแบบใช่หรือไม่ใช่ใช้ logistic regression จำนวนนับหรืออัตราใช้ Poisson regression และเวลาจนเกิดเหตุการณ์ใช้ Cox regression ตารางเดียววางทั้งสี่ตัวเทียบกัน ได้แก่ คำสั่ง Stata รูปร่างที่ model วาด สิ่งที่ model สมมติ และค่าที่ต้องรายงาน ภาพแรกแสดงว่าทั้งสี่ตัวใช้เส้นตรงเส้นเดียวของตัวแปรทำนาย แต่ต่างกันที่สเกลที่เส้นนั้นถูกวาด (ค่าเฉลี่ยของ Y, log-odds, log rate หรือ log hazard) และต่างกันที่สิ่งที่สมมติเกี่ยวกับ Y ภาพที่สองเปลี่ยนชนิดของ outcome ให้เป็นคำสั่ง จากนั้นบทความเชิงลึกสามบทจะเลือก fit และตรวจแต่ละ model บน cohort ผู้ป่วยปอดอักเสบชุดเดียวกัน


ภาพสรุป: อ่านการ์ดจากซ้ายไปขวา จึงได้เห็นข้อสรุปก่อน

เริ่มจาก outcome (Y)

series นี้ติดตาม cohort จำลองชุดเดียว คือผู้ใหญ่ 1,200 คนที่นอนโรงพยาบาลด้วยโรคปอดอักเสบ ในจำนวนนี้ 327 คนเป็นเบาหวาน outcome ของผู้ป่วยกลุ่มนี้มีสี่ชนิด ได้แก่ จำนวนวันนอนโรงพยาบาล การเข้า ICU (ใช่หรือไม่ใช่) จำนวนครั้งที่กลับมานอนซ้ำ และเวลาจนเสียชีวิตภายใน 365 วัน

log-odds คือ log ของ odds ซึ่งก็คือโอกาสเกิดเหตุการณ์หารด้วยโอกาสไม่เกิด person-time คือเวลาติดตามทั้งหมดรวมกัน จำนวนเหตุการณ์ต่อ person-time จึงเป็นอัตรา (rate) และเวลาของผู้ป่วยเรียกว่า censored เมื่อการติดตามสิ้นสุดก่อนเกิดเหตุการณ์ ส่วน hazard คืออัตราการเกิดเหตุการณ์ ณ ขณะหนึ่ง ในกลุ่มที่ยังไม่เกิดเหตุการณ์

model สี่ตัวในตารางเดียว

อ่านแต่ละแถวจากซ้ายไปขวา คอลัมน์สุดท้ายจึงเป็นค่าที่ต้องรายงาน
Model และคำสั่ง StataOutcome (Y)รูปร่างที่ model วาดการแจกแจงที่สมมติค่าที่รายงาน
Linear, regressต่อเนื่อง เช่น จำนวนวันนอนโรงพยาบาลเส้นตรงของค่าเฉลี่ยของ Yerror แบบ Normal ความแปรปรวนคงที่ผลต่างของค่าเฉลี่ย (ค่า coefficient)
Logistic, logistic (หรือ logit, or)สองค่า เช่น การเข้า ICU ใช่หรือไม่ใช่เส้นโค้งตัว S ของความน่าจะเป็น และเป็นเส้นตรงบนสเกล log-oddsBinomialOdds ratio = exp(coefficient)
Poisson, poisson, irr (exposure() สำหรับ person-time และ nbreg, irr เมื่อความแปรปรวนมากกว่าค่าเฉลี่ย)จำนวนนับ หรือจำนวนเหตุการณ์ต่อ person-timeเส้นโค้ง exponential ของจำนวนหรืออัตรา และเป็นเส้นตรงบนสเกล logPoisson: ความแปรปรวนเท่ากับค่าเฉลี่ยIncidence rate ratio = exp(coefficient)
Cox, stset แล้ว stcoxเวลาจนเกิดเหตุการณ์ โดยมี censoringhazard ของสองกลุ่มมีอัตราส่วนคงที่ตลอดเวลา (เส้น survival วาดเป็นขั้นบันได)ไม่สมมติการแจกแจงของ baseline hazard (semi-parametric) สมมติ proportional hazardsHazard ratio = exp(coefficient)

เส้นตรงเส้นเดียว สี่สเกล

model ทั้งสี่ตัวนำ X เข้าเส้นตรงเส้นเดียวกัน คือ b0 + b1X สิ่งที่เปลี่ยนคือสเกลที่เส้นนั้นถูกวาด และการแจกแจงที่แต่ละ model สมมติ บนสเกล log ค่า exp(b1) คืออัตราส่วน ซึ่งเป็นจำนวนบวกค่าใดก็ได้ ส่วนบนสเกลค่าเฉลี่ย b1 คือผลต่าง Cox ไม่มี b0 เพราะมี baseline hazard ที่ไม่กำหนดรูปร่างอยู่แทน จึงเรียกว่า semi-parametric

อ่านแต่ละแถวจากซ้ายไปขวา: สเกล model แล้วความหมายของ b หรือ exp(b) กล่องเส้นประแสดงว่าทำไม Cox จึงเป็น semi-parametric

จาก outcome ถึงคำสั่ง

ถามคำถามเดียวเกี่ยวกับ Y แล้วไล่ตามกิ่งของคำตอบ สำหรับ Y แบบใช่หรือไม่ใช่ logistic ให้ odds ratio ถ้าต้องการ risk ratio หรือ risk difference ต้องใช้ model อื่น ดูในบทความเชิงลึกบทแรก กรณีอื่นให้ไปใช้ decision flow ฉบับเต็มในบทความเดียวกัน

ไล่ตามกิ่งที่ตรงกับ Y การเข้า ICU จบที่ logistic เมื่อต้องการ odds ratio กิ่งเส้นประแปลว่าต้องใช้ decision flow ฉบับเต็ม

อ่านต่อที่ไหน

บทความเชิงลึกสามบทใช้ผู้ป่วย 1,200 คนชุดเดียวกัน

outcome หลายกลุ่มแบบมีลำดับหรือไม่มีลำดับ อ่านที่ Multinomial vs Ordinal Logistic Regression [mlogit & ologit]: Choosing the Right Model for Categorical Outcomes (ฉบับภาษาอังกฤษ) ส่วนข้อมูลที่จับคู่เป็นชุด อ่านที่ ทำไม Logistic และ Conditional Logistic Regression จึงให้ Odds Ratio ต่างกัน?

เอกสารอ้างอิง

  1. Nelder JA, Wedderburn RWM. Generalized linear models. Journal of the Royal Statistical Society, Series A 1972;135(3):370-384. https://doi.org/10.2307/2344614
  2. Cox DR. Regression models and life-tables. Journal of the Royal Statistical Society, Series B 1972;34(2):187-220. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x

ประเด็นสำคัญ

  • เริ่มจาก Y: ต่อเนื่องใช้ regress ใช่หรือไม่ใช่ใช้ logistic จำนวนนับหรืออัตราใช้ poisson (nbreg เมื่อความแปรปรวนมากกว่าค่าเฉลี่ย) เวลาจนเกิดเหตุการณ์ใช้ stset และ stcox
  • เส้นตรงเส้นเดียวของ X วาดบนสี่สเกล: b คือผลต่างของค่าเฉลี่ย exp(b) คือ odds ratio, rate ratio หรือ hazard ratio
  • assumption: linear คือ error แบบ Normal (ไม่ใช่ Y แบบ Normal), logistic คือ Binomial, Poisson คือความแปรปรวนเท่ากับค่าเฉลี่ย, Cox คือ proportional hazards และ censoring แบบ non-informative ทั้งสี่ตัวสมมติว่า X ที่ต่อเนื่องเป็นเส้นตรงบนสเกลของ model

อ่านต่อในวิกิ: 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