1 / 9

แนวทางการนำเสนอข้อมูลจากการวิเคราะห์ โดยใช้ Logistic Regression

(n=....). (n=....). (Unadjusted). (Adjusted). แนวทางการนำเสนอข้อมูลจากการวิเคราะห์ โดยใช้ Logistic Regression (ตัวอย่าง Case-control study กรณีมีวัตถุประสงค์เพื่อหาปัจจัยเสี่ยง) นำเสนอข้อมูล Measure of association (มิใช่ค่า Coefficient) ดังตารางหุ่นต่อไปนี้

eytan
Télécharger la présentation

แนวทางการนำเสนอข้อมูลจากการวิเคราะห์ โดยใช้ Logistic Regression

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. (n=....) (n=....) (Unadjusted) (Adjusted) แนวทางการนำเสนอข้อมูลจากการวิเคราะห์ โดยใช้ Logistic Regression (ตัวอย่าง Case-control study กรณีมีวัตถุประสงค์เพื่อหาปัจจัยเสี่ยง) นำเสนอข้อมูล Measure of association (มิใช่ค่า Coefficient) ดังตารางหุ่นต่อไปนี้ ปัจจัย Case Control OR (95%CI) 1. 2. 3. ... % % % % % %

  2. ตัวอย่าง การนำเสนอข้อมูลจากการวิเคราะห์โดยใช้ Logistic Regression “...สมการการถดถอยลอจีสติค แสดงความสัมพันธ์ระหว่างการสูบบุหรี่ กับ การป่วย ด้วยโรคหัวใจโคโรนารี่ โดยควบคุมผลของอายุ และ เพศ เป็น ดังนี้ Logit P(X) = 1.421 + 1.609SMK + 0.095SEX + 0.301AGE ผู้สูบบุหรี่ มีความเสี่ยงต่อการป่วยด้วยโรคหัวใจโคโรนารี่เป็น 5 เท่าของผู้ไม่สูบบุหรี่(95%CI.OR: 2.1 ถึง 11.7) พบว่า เพศ และ อายุ มีความสัมพันธ์กับ การป่วยด้วยโรคหัวใจโคโรนารี่ โดย ... (ตารางที่ 1)” ตารางที่ 1 Adjusted Odds Ratio แสดงความสัมพันธ์ระหว่างการสูบบุหรี่ กับ การป่วย ด้วยโรคหัวใจโคโรนารี่ ปัจจัย Case Control OR(95%CI) 1. การสูบบุหรี่ - สูบ 80.7% 30.0% 9.7(5.5 ถึง 17.3) 5(2.1 ถึง 11.7) - ไม่สูบ 19.3% 70.0% 2. เพศ - ชาย 73.3% 63.3% 1.6(1.0 ถึง 2.7) 1.1(0.8 ถึง 3.7) - หญิง 36.7% 33.7% ... ... ... ... ... (n = 150) (n = 150) (Unadjusted) (Adjusted)

  3. 95% Confidence Interval (95% CI. OR.) บอก Precision ของ OR และ บอกว่าปัจจัยนั้นเป็น Significant risk factor หรือไม่ ตัวอย่าง Lower Limit Estimated OR. Upper Limit การศึกษา ก. การศึกษา ข. การศึกษา ค. 0 1 +a ค่าความไม่แตกต่าง (Null value) แปลความหมาย: แม้ทุกการศึกษา จะได้ค่า OR เท่ากัน การศึกษา ข. มี Precision มากที่สุดน่าเชื่อถือ มากที่สุด ทั้ง ก. และ ข. บ่งชี้ว่าปัจจัยที่ศึกษามีความสัมพันธ์กับตัวแปรตามอย่างมีนัยสำคัญทางสถิติ การศึกษา ค. มี Precision ต่ำสุด และยังได้ข้อสรุปว่า ปัจจัยที่ศึกษามีความสัมพันธ์กับตัวแปรตาม อย่างไม่มีนัยสำคัญทางสถิติ และยังทราบว่า การศึกษาครั้งนี้มีขนาดตัวอย่าง (Sample Size) ไม่เพียงพอ

  4. ค่าที่ใช้คำนวณ OR. กล่าวคือ EXP(L) = OR. ค่าคะแนนมาตรฐาน จากการแจกแจงปกติ Standard error ของ L ค่าความคลาดเคลื่อน การประมาณค่า เมื่อกำหนดให้ a = 0.05 เขียนสูตรได้ดังนี้:- สูตรทั่วไป L หามาได้จากการหาค่า OR. ดังนี้:- จาก OR. = EXP[ bi(X1i - X0i)] แทนค่า [ bi(X1i - X0i)] = L ดังนั้น OR. = EXP(L)

  5. } ได้จาก Computer Print out การประมาณค่าช่วงเชื่อมั่น กรณีไม่มี Interaction term ด้วย OR = EXP (b) ดังนั้น 95% CI OR = ตัวอย่าง :- ผลจาก Computer print out ได้ดังนี้ Variable1 Coefficient SE Chisq p Constant -6.7727 1.1401 35.29 0.0000 SMK 0.5976 0.3520 2.88 0.0896 ECG 0.0322 0.0152 4.51 0.0337 CHL 0.0087 0.0033 7.17 0.0074 HPT 0.3695 0.2936 1.58 0.2083 ORSMK = e0.5976 = 1.82 95% CI ORSMK = e[0.5976+1.96(0.3520)] = e(-0.09,1.29) = 0.91, 3.63

  6. 0 1 2 3 4 ORSMK = 1.82 95% CI. ORSMK = 0.91, 3.63 Null value Lower Limit Estimated OR. Upper Limit ช่วงความเชื่อมั่นคร่อมค่า 1 Non Significant (ค่า p-value มากกว่า 0.05) ใน print out ได้ค่า p-value = 0.0896 ควรเขียนในรายงานเป็น p-value = 0.09

  7. ผลจากคอมพิวเตอร์ ขั้นที่ 1. คำนวณค่า OR. Logistic Regression Model Variable Coefficient SE Chisq p SMK 2.6809 3.1042 16.69 0.0000 ECG 0.0349 0.0161 4.69 0.0303 CHL -0.0065 0.3278 1.25 0.2635 HPT 1.0468 0.3316 9.96 0.0016 SMK*CHL 0.0029 0.7422 9.85 0.0417 Constant -4.0474 1.2549 10.40 0.0013 จากสูตรทั่วไป OR = eLและ การประมาณค่าช่วงความเชื่อมั่น กรณีมี Interaction L = bSMK + bSMK*CHLCHL (ในที่นี้ สนใจศึกษาเฉพาะผู้ที่มีระดับโคเลสเตอร์รอล 200 มล. จึงระบุค่าของ CHL = 200) OR. = EXP[2.6809 + (0.0029 x200)] = EXP(3.2609) = 26.1 เมื่อ CHL = 200 , ORSMK = 26.1 OR.ที่ปรับค่าผลกระทบจากผลECG และ HPT เรียบร้อยแล้ว

  8. ผลจากคอมพิวเตอร์ Variance-Covariace Matrix SMK ECG CHL HPT SMKxCHL Constant SMK 1.7619 ECG 0.2849 9.5361 CHL -0.0140 -0.3278 0.0003 HPT 0.1468 0.3316 0.9631 0.1075 SMKxCHL -11.014 -0.7422 1.9878 -0.6717 0.1101 Constant 0.4474 0.2549 0.4056 0.8673 0.9104 1.3570 ขั้นที่ 2. คำนวณช่วงความเชื่อมั่น ของ OR. Var(L) = var (bSMK) + 2(200)cov(bSMK ,bSMKxCHL)+(200)2var(bSMKxCHL) = 1.7619 + 2(200)(-11.014) + (200)2(0.1101) = 0.1619 95% CI ORSMK = EXP(3.2609 1.96 ( ) = 11.85 , 57.37 เมื่อ CHL = 200 , ORSMK = 26.1 (95%CI.OR ; 11.85 ถึง 57.37)

  9. ตัวอย่างสูตรสำหรับคำนวณค่า Var(L ) ในแต่ละ Model กรณี X1เป็น Dichotomous (1,0) Model: Logit P(X) = a + b1X1 + b2X2 + b3X1X2 เมื่อ L = b1X1 + b3(X1X2) Var (L) = Var(b1) + (X2)2var(b3) + 2(X2)cov(b1,b3) Model: Logit P(X) = a + b1X1 + b2X2 + b3X3 + b4X1X2 + b5X1X3 เมื่อ L = b1 X1 + b4X1X2 + b5X1X3 Var (L) = Var(b1) + (X2)2var(b4) + (X3)2var(b5) + 2X2cov(b1,b4) + 2X3cov(b1,b5) + 2X2X3Cov (b4,b5) (ศึกษารายละเอียดใน Kleinbaum, 1994. หน้า 141 - 144)

More Related