เลือก regression model ตัวไหน: flow จาก design และ outcome (Y) ถึงคำสั่ง Stata

Clinical Epidemiology ResearchMethodology and Research Design THUniqcret doctor knowledges TH
เลือก regression model ตัวไหน: flow จาก design และ outcome (Y) ถึงคำสั่ง Stata
On this page

อ่านฉบับภาษาอังกฤษ (English version)

บทคัดย่อ

การเลือก regression model มักถูกสอนเป็นรายการคำสั่งยาว ๆ และรายการนั้นซ่อนลำดับของคำถามเอาไว้ ที่นี่ลำดับนั้นถูกจัดเป็น flow การตัดสินใจเพียงอันเดียว Step 0 ถามว่าแถวข้อมูลเป็นอิสระต่อกันหรือไม่ เพราะชุดที่จับคู่กัน การวัดซ้ำ และผู้ป่วยที่อยู่เป็นกลุ่ม เปลี่ยน model ก่อนเรื่องอื่นทั้งหมด Step 1 ถามว่า outcome เป็นข้อมูลชนิดไหน ได้แก่ ต่อเนื่อง จำนวนนับ อัตรา เวลาจนเกิดเหตุการณ์ กลุ่มมีลำดับ กลุ่มไม่มีลำดับ หรือใช่/ไม่ใช่ Step 2 ใช้เฉพาะ outcome แบบใช่/ไม่ใช่ และถามว่าคำถามต้องการค่าวัดผลแบบไหน ระหว่าง odds ratio, risk ratio หรือ risk difference ความชุกของ outcome ไม่เคยเป็นตัวเลือก model ตารางสรุปให้ model คำสั่ง Stata และชื่อของตัวเลขที่ได้ สำหรับ outcome แต่ละชนิด จากนั้น cohort สังเคราะห์ของผู้ใหญ่ 1,200 คนที่นอนโรงพยาบาลด้วยปอดอักเสบจะเดินผ่าน flow นี้ ผู้ป่วยกลุ่มเดียวกันให้ outcome หกแบบ ค่าประมาณเก้าตัว และชื่อเรียกแปดแบบ บทความนี้สอนวิธีเลือก ส่วนอีกสองตอนถัดไปสอนวิธี fit และวิธีตรวจ


ภาพสรุป: อ่านจากบนลงล่างตามสามคำถาม คือ design ชนิดของ outcome และค่าวัดผลสำหรับ outcome แบบใช่/ไม่ใช่ flow เต็มพร้อมคำสั่งอยู่ในหัวข้อ 'flow ทั้งหมดในหน้าเดียว' (ภาพนี้ยังเป็นข้อความอังกฤษชั่วคราว)

cohort เดียว หกคำถามเรื่องเบาหวาน

ลองนึกภาพเครือข่ายโรงพยาบาลที่กำลังทบทวนผู้ป่วยปอดอักเสบที่รับไว้นอนโรงพยาบาล มีผู้ใหญ่ 1,200 คนใน 12 โรงพยาบาล ในจำนวนนี้ 327 คนเป็นเบาหวาน ทีมงานมีคำถามง่าย ๆ ข้อเดียว คือผู้ป่วยเบาหวานมีผลการรักษาแย่กว่าหรือไม่

คำว่า "แย่กว่า" หมายถึงหกเรื่องที่ต่างกัน ผู้ป่วยอาจนอนนานกว่า หรือต้องเข้า ICU ซึ่งเกิดกับผู้ป่วย 25.8% ของทั้งหมด อาจมีระดับความรุนแรงสูงกว่า หรือต้องไปสถานดูแลผู้สูงอายุ อาจกลับมานอนซ้ำบ่อยกว่า หรือเสียชีวิตเร็วกว่า โดยมีผู้ป่วย 222 คนเสียชีวิตภายใน 365 วัน

exposure (ปัจจัยที่สนใจ) และผู้ป่วยไม่เปลี่ยนเลย สิ่งที่เปลี่ยนมีเพียง outcome และ outcome แต่ละแบบต้องใช้ model ของตัวเอง บทความนี้สร้าง flow สำหรับเลือก model แล้วพาผู้ป่วยกลุ่มนี้เดินผ่าน flow นั้น cohort นี้เป็นข้อมูลสังเคราะห์ที่สร้างด้วยโค้ด ไม่มีข้อมูลผู้ป่วยจริงแม้แต่คนเดียว

Step 0: แถวข้อมูลเป็นอิสระต่อกันไหม

ทุก model ใน flow นี้สมมติว่า เมื่อรู้ค่า covariate (ตัวแปรที่ใช้ปรับ เช่น อายุและเพศ) แล้ว แถวหนึ่งไม่บอกอะไรเกี่ยวกับอีกแถวหนึ่งเลย แถวข้อมูลที่มาเป็นกลุ่มทำให้ข้อสมมตินี้ไม่เป็นจริง และ standard error (ค่าคลาดเคลื่อนมาตรฐาน ตัวบอกว่าค่าประมาณไม่แน่นอนเท่าไร) จะออกมาเล็กเกินจริง จึงต้องตรวจ design ก่อนดู outcome

ชุด case-control ที่จับคู่รายคนต้องใช้ conditional logistic regression ซึ่งเปรียบเทียบคนเฉพาะภายในชุดของตัวเอง คือ clogit y x, group(set_id) หลักเดียวกันใช้กับ risk-set sampling ซึ่ง control ของแต่ละ case ถูกสุ่มจากคนที่ยังมีความเสี่ยงอยู่ ณ เวลาที่ case คนนั้นเกิดเหตุการณ์ (การเลือก Control ใน Stata: คำถามวิจัย วิธีสุ่ม Control และโมเดล เป็นสามเรื่องที่ต่างกัน) เมื่อ control มาแบบนี้ ตัวเลขที่ clogit รายงานจะประมาณ rate ratio ซึ่งอ่านเป็น hazard ratio ได้เมื่อ hazard ของสองกลุ่มเป็นสัดส่วนคงที่ต่อกัน

ส่วน frequency matching ที่ control แค่มีสัดส่วนอายุและเพศโดยรวมเหมือน case ไม่ต้องใช้ model พิเศษ เพียงใส่ตัวแปรที่ใช้จับคู่เป็น covariate

การวัดซ้ำและผู้ป่วยที่อยู่เป็นกลุ่มตามโรงพยาบาลยังใช้ model เดิมได้ แต่เพิ่ม vce(cluster id) ซึ่งบอก Stata ว่าแถวที่มี id เดียวกันไม่เป็นอิสระต่อกัน ทางเลือกอื่นคือ mixed model ที่ให้แต่ละกลุ่มมี intercept (ค่าตั้งต้นของแต่ละกลุ่ม) ของตัวเอง หรือ generalized estimating equations (GEE) ที่เฉลี่ยผลข้ามกลุ่ม (ทางเลือกแบบ Population-Averaged: GLS, GEE และจุดที่โชคของ linear model หมดลง)

ผู้ป่วยของเราปรากฏคนละครั้งและไม่มีการจับคู่ แต่กระจายอยู่ใน 12 โรงพยาบาล การ fit แบบปกติให้ odds ratio ของการเข้า ICU เท่ากับ 1.65 (95% CI 1.24 ถึง 2.19) เมื่อเพิ่ม vce(cluster hospital) ค่ายังเป็น 1.65 แต่ช่วงกว้างขึ้นเป็น 1.17 ถึง 2.31 และช่วงนี้เองก็ยังหยาบเมื่อมีเพียง 12 โรงพยาบาล (ทำความเข้าใจ VCE: Robust Standard Error, Sandwich Estimator และ vce(cluster id))

ข้อควรระวังหนึ่งข้อ clogit ตอบคำถามเรื่อง design ซึ่งอธิบายไว้ใน ทำไม Logistic และ Conditional Logistic Regression จึงให้ Odds Ratio ต่างกัน? มันไม่ได้ช่วยกู้ logistic model ที่พังด้วยเหตุอื่น เช่น separation (กลุ่มหนึ่งมี outcome เป็นใช่ทั้งหมดหรือไม่ใช่ทั้งหมด) ซึ่งอยู่ในตอนที่ 3

Step 1: Y เป็นตัวเลขชนิดไหน

เมื่อจัดการเรื่องแถวข้อมูลแล้ว outcome คือสิ่งที่ตัดสิน model โดยไม่ได้ดูว่ามันวัดอะไร แต่ดูว่ามันเป็นตัวเลขชนิดไหน cohort ของเรามีหกจากเจ็ดชนิด

outcome แบบต่อเนื่อง (continuous) เช่น จำนวนวันนอน มีค่าใดก็ได้บนสเกล และ linear regression คือ regress สร้าง model ของค่าเฉลี่ย outcome แบบใช่/ไม่ใช่ เช่น การเข้า ICU ต้องไปต่อที่ Step 2 ส่วน count เช่น จำนวนครั้งที่กลับมานอนซ้ำ คือจำนวนเหตุการณ์ที่เป็นจำนวนเต็มเมื่อทุกคนถูกติดตามนานเท่ากัน ใช้ Poisson regression คือ poisson หรือใช้ negative binomial regression คือ nbreg เมื่อจำนวนนับแปรปรวนระหว่างผู้ป่วยมากกว่าที่ Poisson คาดไว้ (ตอนที่ 3 บอกวิธีดู)

rate คือจำนวนนับต่อหน่วยเวลาที่ถูกติดตาม ผู้ป่วยของเราถูกติดตามนานไม่เท่ากัน outcome ที่ตรงไปตรงมาจึงเป็นจำนวนครั้งที่กลับมานอนซ้ำต่อ person-year ซึ่งใช้ Poisson regression อีกครั้ง แต่บอกระยะเวลาที่ติดตามแต่ละคน (person-time) ให้ด้วย คือ poisson ที่ใส่ exposure(fu_years)

outcome แบบ time-to-event ในที่นี้คือจำนวนวันจนเสียชีวิต ผู้ป่วยที่ยังมีชีวิตอยู่ ณ วันที่ 365 ถือว่าถูก censor หมายความว่าเรารู้เพียงว่าเขามีชีวิตอยู่อย่างน้อยนานเท่านั้น outcome แบบนี้ใช้ Cox proportional hazards regression โดย Stata รู้จักเวลาและเหตุการณ์ครั้งเดียวด้วย stset time_d, failure(died) จากนั้น stcox รับเฉพาะ covariate ไม่รับตัว outcome

ระดับความรุนแรง (เบา ปานกลาง รุนแรง) มีลำดับ จึงใช้ ordinal logistic regression คือ ologit ซึ่งรักษาลำดับนั้นไว้ ส่วนที่หมายหลังจำหน่าย (บ้าน หน่วยฟื้นฟู สถานดูแลผู้สูงอายุ) ไม่มีลำดับ จึงใช้ multinomial logistic regression คือ mlogit ซึ่งเปรียบเทียบที่หมายแต่ละแห่งกับกลุ่มอ้างอิงที่เราระบุด้วยรหัส คือ baseoutcome(0) ถ้าไม่ระบุ Stata จะเลือกกลุ่มที่พบบ่อยที่สุดเป็นกลุ่มอ้างอิงเอง

Step 2: outcome แบบใช่/ไม่ใช่ ต้องการค่าวัดผลแบบไหน

outcome แบบใช่/ไม่ใช่สรุปได้สามแบบ odds ratio เปรียบเทียบ odds, risk ratio เปรียบเทียบความเสี่ยงโดยตรง ส่วน risk difference เอาความเสี่ยงมาลบกัน แล้วอ่านเป็นจำนวนรายที่เพิ่มขึ้นต่อผู้ป่วย 100 คน

สำหรับการเข้า ICU เบาหวานให้ odds ratio 1.65 แต่ให้ risk ratio 1.41 ไม่มีตัวไหนผิด เพราะการเข้า ICU พบบ่อยในข้อมูลนี้ คือ 25.8% ของผู้ป่วย และอัตราส่วนทั้งสองจะใกล้กันก็ต่อเมื่อ outcome พบน้อยเท่านั้น

เมื่อดูบนสเกลของความเสี่ยง การเปรียบเทียบที่ปรับแบบเดียวกันนี้ให้ risk difference 0.094 (95% CI 0.035 ถึง 0.152) คือผู้ป่วยเบาหวานเข้า ICU มากขึ้นประมาณ 9.4 รายต่อผู้ป่วย 100 คน เพราะผู้ป่วยราวหนึ่งในสี่เข้า ICU ค่า odds จึงสูงกว่าความเสี่ยงไปมาก นี่คือเหตุที่ odds ratio (1.65) อยู่ห่างจาก 1 มากกว่า risk ratio (1.41)

คำถามจึงเป็นตัวเลือก ถ้าต้องการ odds ratio หรือข้อมูลเป็น case-control ซึ่งประมาณค่า risk ไม่ได้ ให้ใช้ logistic ซึ่งใช้ได้ทุกระดับความชุก ถ้าต้องการ risk ratio ให้ fit log-binomial model ซึ่งสร้าง model ให้ log ของความเสี่ยง เมื่อยก e กำลัง coefficient จึงได้ risk ratio คือ glm y x, family(binomial) link(log) eform

model นี้มักไม่ converge หมายความว่าการค้นหาค่าประมาณของ Stata ไม่ลงตัว เมื่อนั้นให้ใช้ modified Poisson (McNutt 2003; Zou 2004) ซึ่งยืมการ fit แบบ Poisson มาใช้เพียงเพื่อให้ได้อัตราส่วน แล้วใช้ robust standard error (ค่าคลาดเคลื่อนมาตรฐานแบบทนทาน) แก้ช่วงความเชื่อมั่นให้ถูก คือ glm y x, family(poisson) link(log) vce(robust) eform

ถ้าต้องการ risk difference ให้ fit binomial model ที่ใช้ identity link ซึ่งทำให้ coefficient คือ risk difference โดยตรง คือ glm y x, family(binomial) link(identity) และถ้าไม่ converge regress y x, vce(robust) คือ linear probability model (Cheung 2007) การถอยแต่ละขั้นอธิบายไว้ใน หา Risk Ratio เมื่อผลลัพธ์พบบ่อย: ลำดับขั้นถอยลงเมื่อ Log-Binomial ชนกำแพง และเรื่อง link อยู่ใน Link และ Family: ตัวหนึ่งกำหนดมาตรวัดผล อีกตัวกำหนดค่าคลาดเคลื่อนมาตรฐาน ความชุกไม่เคยเป็นตัวเลือก model มันบอกเพียงว่า odds ratio จะดูคล้าย risk ratio หรือไม่

flow ทั้งหมดในหน้าเดียว

กล่องสีคราม (indigo) แต่ละกล่องคือคำถาม กล่องสีส้มเก็บคำตอบที่มาจาก design และกล่องสีเขียวแต่ละกล่องคือคำสั่ง แตะที่ภาพเพื่อขยาย

ไล่กล่องจากด้านบน: Step 0 คือ design, Step 1 คือชนิดของ Y, Step 2 คือค่าวัดผลสำหรับ Y แบบใช่/ไม่ใช่ แล้วจึงถึงคำสั่งสีเขียว ไม่มีกิ่งใดถามความชุกของ Y เพราะความชุกไม่เคยเป็นตัวเลือก model

พาผู้ป่วยใน cohort เดินผ่าน flow

กลับมาที่ผู้ป่วย 1,200 คนอีกครั้ง ดูทีละ outcome โดยเปรียบเทียบผู้ป่วยเบาหวาน 327 คนกับผู้ป่วยที่เหลือ และปรับด้วยอายุและเพศ Step 0 ให้คำตอบเดียวกันทั้งหกเรื่อง คือแถวข้อมูลไม่ได้จับคู่ แต่ผู้ป่วยอยู่ใน 12 โรงพยาบาล ตาม flow จึงควรเพิ่ม vce(cluster hospital) ในรายงานฉบับจริง การเดินตาม flow ด้านล่าง fit โดยไม่ใส่ เพื่อให้เทียบ model ได้ง่าย และ Step 0 แสดงไว้แล้วว่ามันเปลี่ยนช่วงของ ICU จาก 1.24 ถึง 2.19 เป็น 1.17 ถึง 2.31

  • จำนวนวันนอน เป็นข้อมูลต่อเนื่อง regress ให้ผลต่างของค่าเฉลี่ย 1.44 วัน (95% CI 1.16 ถึง 1.71)
  • การเข้า ICU เป็นแบบใช่/ไม่ใช่ logistic ให้ odds ratio 1.65 (1.24 ถึง 2.19) และ glm แบบ modified Poisson ให้ risk ratio 1.41 (1.17 ถึง 1.71) หมายความว่าโอกาสเข้า ICU เป็น 1.41 เท่า ส่วน glm แบบ binomial ที่ใช้ identity link ให้ risk difference 0.094 (0.035 ถึง 0.152)
  • ระดับความรุนแรง เป็นกลุ่มที่มีลำดับ ologit ให้ cumulative odds ratio 1.90 (1.49 ถึง 2.42) คือเบาหวานคูณ odds ของการอยู่ในระดับที่รุนแรงกว่า เทียบกับการอยู่ที่ระดับนั้นหรือเบากว่า ด้วย 1.90 เป็นตัวเลขเดียวสำหรับทุกจุดตัดระหว่างระดับ (ตอนที่ 3 ตรวจข้อสมมติที่อยู่เบื้องหลังตัวเลขนี้)
  • ที่หมายหลังจำหน่าย ไม่มีลำดับ mlogit ให้ relative risk ratio 1.19 (0.83 ถึง 1.70) สำหรับหน่วยฟื้นฟู และ 2.70 (1.87 ถึง 3.90) สำหรับสถานดูแลผู้สูงอายุ แต่ละค่าเทียบกับการกลับบ้านซึ่งเป็นกลุ่มอ้างอิง ตอนที่ 2 แสดงวิธีอ่านค่าเหล่านี้
  • การกลับมานอนซ้ำ เป็น rate poisson ที่ใส่ exposure(fu_years) (และ vce(robust) ซึ่งเป็น robust standard error แบบเดียวกับที่ใช้กับ modified Poisson ใน Step 2) ให้ incidence rate ratio 1.58 (1.30 ถึง 1.92) คือจำนวนครั้งที่กลับมานอนซ้ำต่อ person-year มากเป็น 1.58 เท่า
  • เวลาจนเสียชีวิต มีผู้เสียชีวิต 222 คน คนที่เหลือถูก censor ที่วันที่ 365 หลัง stset แล้ว stcox ให้ hazard ratio 1.92 (1.47 ถึง 2.51)

หก outcome ค่าประมาณเก้าตัว และชื่อเรียกแปดแบบ แต่ละตัวตอบคำถามที่ outcome ของตัวเองถาม จึงต้องรายงานด้วยชื่อของมันเอง

do-file ที่อยู่เบื้องหลังการเดินตาม flow

โค้ด Stata walk_the_flow.do (บรรทัด 23-101 จาก 101)
version 18
set more off
clear all
use "trio_cohort.dta", clear

* ---- 1. A helper: add the diabetes row of the model just fitted to the table ----
* estimate = b, or exp(b) for a ratio; 95% CI = b +/- critical value x SE, then exp()
capture program drop add_row
program define add_row
    args ratio equation
    if "`equation'" == "" local equation "#1"
    local crit = cond(missing(e(df_r)), invnormal(0.975), invttail(e(df_r), 0.025))
    local b  = [`equation']_b[1.diabetes]
    local lo = `b' - `crit' * [`equation']_se[1.diabetes]
    local hi = `b' + `crit' * [`equation']_se[1.diabetes]
    if "`ratio'" == "ratio" matrix walk = nullmat(walk) \ (exp(`b'), exp(`lo'), exp(`hi'))
    else matrix walk = nullmat(walk) \ (`b', `lo', `hi')
end

* ---- 2. Step 1, continuous Y: length of stay -> regress (difference in mean days) ----
quietly regress los i.diabetes age i.female
add_row difference

* ---- 3. Step 2, yes/no Y, odds ratio wanted: ICU admission -> logistic ----
quietly logistic icu i.diabetes age i.female
add_row ratio

* ---- 4. Step 0 check: the same model, patients grouped by hospital ----
quietly logistic icu i.diabetes age i.female, vce(cluster hospital)
add_row ratio

* ---- 5. Step 2, risk ratio wanted: ICU admission -> modified Poisson ----
* (Poisson working model + robust variance; the log-binomial attempt is in Part 2)
quietly glm icu i.diabetes age i.female, family(poisson) link(log) vce(robust) eform
add_row ratio

* ---- 6. Step 2, risk difference wanted: ICU admission -> identity-link binomial ----
* b is the risk difference itself (no exp); it is printed to 3 decimals in block 11
quietly glm icu i.diabetes age i.female, family(binomial) link(identity)
assert e(converged) == 1
local rd    = _b[1.diabetes]
local rd_lo = _b[1.diabetes] - invnormal(0.975) * _se[1.diabetes]
local rd_hi = _b[1.diabetes] + invnormal(0.975) * _se[1.diabetes]

* ---- 7. Step 1, ordered Y: severity grade -> ologit (cumulative odds ratio) ----
quietly ologit severity i.diabetes age i.female, or
add_row ratio

* ---- 8. Step 1, unordered Y: discharge destination -> mlogit, base = home (0) ----
* equation #2 = rehabilitation unit (code 1), equation #3 = nursing home (code 2)
quietly mlogit dispo i.diabetes age i.female, baseoutcome(0) rrr
add_row ratio #2
add_row ratio #3

* ---- 9. Step 1, a rate: readmissions over unequal follow-up -> poisson + exposure() ----
* vce(robust): the same robust standard error as modified Poisson in block 5
quietly poisson readmit_n i.diabetes age i.female, exposure(fu_years) vce(robust) irr
add_row ratio

* ---- 10. Step 1, time to event: death within 365 days -> stset, then stcox ----
quietly stset time_d, failure(died)
quietly stcox i.diabetes age i.female
add_row ratio

* ---- 11. The summary table, the risk difference and the cohort counts ----
matrix colnames walk = estimate ci_lower ci_upper
matrix rownames walk = LOS:mean_diff ICU:OR ICU:OR_cluster ICU:RR Severity:cum_OR ///
    Discharge:RRR_rehab Discharge:RRR_nursing Readmit:IRR Death:HR
matlist walk, format(%9.2f) title("Diabetes vs none, adjusted for age and sex")
display "ICU risk difference: " %5.3f `rd' " (95% CI " %5.3f `rd_lo' " to " %5.3f `rd_hi' ///
    "), that is " %3.1f 100 * `rd' " more admissions per 100 patients"
quietly levelsof hospital
display "Patients: " _N "; hospitals: " r(r)
quietly count if diabetes == 1
display "With diabetes: " r(N)
quietly summarize icu
display "ICU admission: " %4.1f 100 * r(mean) "% of patients"
quietly count if died == 1
display "Deaths within 365 days: " r(N)
ผลลัพธ์จากการรัน walk_the_flow.log
. matlist walk, format(%9.2f) title("Diabetes vs none, adjusted for age and sex
> ")

Diabetes vs none, adjusted for age and sex

             |  estimate   ci_lower   ci_upper
-------------+--------------------------------
LOS          |
   mean_diff |      1.44       1.16       1.71
-------------+--------------------------------
ICU          |
          OR |      1.65       1.24       2.19
  OR_cluster |      1.65       1.17       2.31
          RR |      1.41       1.17       1.71
-------------+--------------------------------
Severity     |
      cum_OR |      1.90       1.49       2.42
-------------+--------------------------------
Discharge    |
   RRR_rehab |      1.19       0.83       1.70
 RRR_nursing |      2.70       1.87       3.90
-------------+--------------------------------
Readmit      |
         IRR |      1.58       1.30       1.92
-------------+--------------------------------
Death        |
          HR |      1.92       1.47       2.51

. display "ICU risk difference: " %5.3f `rd' " (95% CI " %5.3f `rd_lo' " to " %
> 5.3f `rd_hi' ///
>     "), that is " %3.1f 100 * `rd' " more admissions per 100 patients"
ICU risk difference: 0.094 (95% CI 0.035 to 0.152), that is 9.4 more admissions
>  per 100 patients

. quietly levelsof hospital

. display "Patients: " _N "; hospitals: " r(r)
Patients: 1200; hospitals: 12

. quietly count if diabetes == 1

. display "With diabetes: " r(N)
With diabetes: 327

. quietly summarize icu

. display "ICU admission: " %4.1f 100 * r(mean) "% of patients"
ICU admission: 25.8% of patients

. quietly count if died == 1

. display "Deaths within 365 days: " r(N)
Deaths within 365 days: 222
ผู้ป่วยสังเคราะห์ ไม่มีข้อมูลจริง ส่วนที่ 1 เป็นเพียงตัวช่วยเก็บผลทีละ model ข้ามไปได้ ให้อ่านส่วนที่ 2 ถึง 10 ซึ่ง fit model ตาม flow ทีละตัว และดูตารางท้าย log กับบรรทัด risk difference ใต้ตาราง ซึ่งรวมตัวเลขทุกตัวในการเดินตาม flow

ตารางสำหรับเปิดดู

อ่านตามแถว: ชนิดของ Y บอก model คำสั่ง และชื่อของตัวเลขที่ได้ แถวสุดท้ายเป็นของ Step 0
ชนิดของ YModelคำสั่ง Stataexp(b) หรือ b เรียกว่าอ่านต่อ
ต่อเนื่องLinear regressionregress y xb: ผลต่างของค่าเฉลี่ยตอนที่ 2
ใช่/ไม่ใช่ ต้องการ odds ratioLogistic regressionlogistic y xodds ratioLink และ Family: ตัวหนึ่งกำหนดมาตรวัดผล อีกตัวกำหนดค่าคลาดเคลื่อนมาตรฐาน
ใช่/ไม่ใช่ ต้องการ risk ratioLog-binomial ถอยไปใช้ modified Poissonglm y x, family(binomial) link(log) eformrisk ratioหา Risk Ratio เมื่อผลลัพธ์พบบ่อย: ลำดับขั้นถอยลงเมื่อ Log-Binomial ชนกำแพง
ใช่/ไม่ใช่ ต้องการ risk differenceBinomial แบบ identity link ถอยไปใช้ linear probability modelglm y x, family(binomial) link(identity)b: risk differenceหา Risk Ratio เมื่อผลลัพธ์พบบ่อย: ลำดับขั้นถอยลงเมื่อ Log-Binomial ชนกำแพง
จำนวนนับ ติดตามนานเท่ากันPoisson หรือ negative binomialpoisson y x, irr หรือ nbreg y x, irrincidence rate ratio (IRR)ตอนที่ 3
อัตรา ระยะติดตามไม่เท่ากันPoisson ที่มี person-timepoisson y x, exposure(t) irrincidence rate ratio (IRR)Rates, Poisson Regression, and the Missing Lambda Backbone (บทความภาษาอังกฤษ)
เวลาจนเกิดเหตุการณ์Cox proportional hazardsstset t, failure(d) แล้ว stcox xhazard ratio (HR)Cox Proportional Hazards Regression and Related Survival-Analysis Concepts (บทความภาษาอังกฤษ)
กลุ่มมีลำดับOrdinal logisticologit y x, orcumulative odds ratioMultinomial vs Ordinal Logistic Regression [mlogit & ologit]: Choosing the Right Model for Categorical Outcomes (บทความภาษาอังกฤษ)
กลุ่มไม่มีลำดับMultinomial logisticmlogit y x, baseoutcome(0) rrrrelative risk ratio (RRR)Multinomial vs Ordinal Logistic Regression [mlogit & ologit]: Choosing the Right Model for Categorical Outcomes (บทความภาษาอังกฤษ)
ชุดที่จับคู่ หรือสุ่มจาก risk set (Step 0)Conditional logisticclogit y x, group(set_id) ormatched odds ratio และถ้า control สุ่มจาก risk set จะเป็น rate ratio (คือ HR เมื่อ hazard เป็นสัดส่วนคงที่)ทำไม Logistic และ Conditional Logistic Regression จึงให้ Odds Ratio ต่างกัน?

อีกสองตอนถัดไปทำอะไร

บทความนี้หยุดไว้ที่การเลือก model อีกสองตอนใช้ผู้ป่วย 1,200 คนกลุ่มเดิม

เอกสารอ้างอิง

  1. McNutt LA, Wu C, Xue X, Hafner JP. Estimating the relative risk in cohort studies and clinical trials of common outcomes. Am J Epidemiol. 2003;157(10):940-943. doi:10.1093/aje/kwg074 https://doi.org/10.1093/aje/kwg074
  2. Zou G. A modified Poisson regression approach to prospective studies with binary data. Am J Epidemiol. 2004;159(7):702-706. doi:10.1093/aje/kwh090 https://doi.org/10.1093/aje/kwh090
  3. Cheung YB. A modified least-squares regression approach to the estimation of risk difference. Am J Epidemiol. 2007;166(11):1337-1344. doi:10.1093/aje/kwm223 https://doi.org/10.1093/aje/kwm223

ประเด็นสำคัญ

  • ถามเรื่อง design ก่อน ชุดที่จับคู่ใช้ clogit ส่วนแถวที่วัดซ้ำหรือเป็นกลุ่มให้เพิ่ม vce(cluster id) หรือใช้ mixed model หรือ GEE
  • จากนั้นระบุชนิดของ Y แต่ละชนิดมี model ของตัวเอง และมีชื่อเรียกตัวเลขที่ได้เป็นของตัวเอง
  • สำหรับ Y แบบใช่/ไม่ใช่ ให้ระบุค่าวัดผลก่อน (odds ratio, risk ratio หรือ risk difference) แต่ละแบบมีคำสั่งและทางถอยของตัวเอง
  • ความชุกไม่เคยเป็นตัวเลือก model มันบอกเพียงว่า odds ratio จะใกล้ risk ratio หรือไม่ (1.65 เทียบกับ 1.41 สำหรับการเข้า ICU ในที่นี้)
  • ผู้ป่วย 1,200 คนกลุ่มเดียวกันให้ค่าประมาณเก้าตัวที่มีชื่อเรียกแปดแบบ จึงต้องรายงานแต่ละตัวด้วยชื่อของมันเอง

อ่านต่อในวิกิ: หา Risk Ratio เมื่อผลลัพธ์พบบ่อย: ลำดับขั้นถอยลงเมื่อ Log-Binomial ชนกำแพง · Link และ Family: ตัวหนึ่งกำหนดมาตรวัดผล อีกตัวกำหนดค่าคลาดเคลื่อนมาตรฐาน · ทำความเข้าใจ VCE: Robust Standard Error, Sandwich Estimator และ vce(cluster id) · ทำไม Logistic และ Conditional Logistic Regression จึงให้ Odds Ratio ต่างกัน?

0
ถึงนักอ่านชาวไทยและต่างชาติทำความเข้าใจบริบททางการแพทย์ของผมอ่านต่อ →ถึงนักอ่านชาวไทยและต่างชาติทำความเข้าใจเนื้อหาของผมที่นอกเหนือจากการแพทย์อ่านต่อ →

ความคิดเห็น

ยังไม่มีความคิดเห็น มาเป็นคนแรกกันเลย

เข้าสู่ระบบเพื่อแสดงความคิดเห็น