作者gsuper (Logit(odds))
看板Statistics
标题[问题] adjusted Odds ratio
时间Sun Oct 21 19:02:08 2012
请问一下
跑 Logistic regression 时
常会看到文章写 "odds ratios are adjusted by gender and age"
问题如下
1. 若回归式中 , 已经包含 Gender and Age , 且两者都显着
是不是就已经 adjusted 过了?
不需要额外处理
2. 若回归式中不包含这两项因子
且两者处於显着的边缘
才要进行 adjust?
--
※ 发信站: 批踢踢实业坊(ptt.cc)
◆ From: 140.113.239.247
1F：→ bmka:这句话只告诉你logistic regression里面包括gender跟age这两 10/21 19:03
2F：→ bmka:个covariate,显不显着不知道. 公卫研究常常要adjust 这两项 10/21 19:06
3F：→ bmka:因为他们常被认为是biologically plausible covariates 10/21 19:08
4F：→ bmka:不管效果显不显着都会被放进model 10/21 19:08
所以只要把这两项放进 model
就代表已经初步完成 adjusted by gender & age (不排除还有很多更好的调整方式)
是这个意思吗?
※ 编辑: gsuper 来自: 140.113.239.247 (10/21 19:11)
※ 编辑: gsuper 来自: 140.113.239.247 (10/21 19:12)
5F：→ bmka:What do you mean by "better ways to adjust"? 10/21 19:24
之前看过一些 adjust OR 的概念
是为了降低 exaggerate OR 而行使
而根据盛行率,年龄,性别的 adjusted OR
似乎是另一种流行病学常用的概念
两者不一样 , 但陈述起来都是 "adjusted OR"
我说的 better way 是指同时包含这两种概念的 adjusted OR 方法
※ 编辑: gsuper 来自: 140.113.239.247 (10/21 19:54)
我现在的 case 是医生让我计算 系统性红斑性狼疮 的case/control study
他要求 OR 必须 adjusted by sex and age
但这两项因子本身就非常显着
所以我在想是不是只要很基本的把这两项因子加入回归式
就能直接解决他的问题
※ 编辑: gsuper 来自: 140.113.239.247 (10/21 19:56)
6F：→ bmka:看不懂你说的第一种概念 (references?) 10/21 20:00
第一种概念是将 OR 调整为 RR (relative risk)
※ 编辑: gsuper 来自: 140.113.239.247 (10/21 20:03)
7F：→ bmka:医生的意思就是要你在model里面加入age and gender 10/21 20:03
OK 那我知道了
还以为他是要我做很难的事情 (OR -> adjusting -> RR)
※ 编辑: gsuper 来自: 140.113.239.247 (10/21 20:04)
8F：→ bmka:你搞错观念了吧, RR跟是不是adjust for other risk factor 10/21 20:05
9F：→ bmka:哪有关系,不要乱搞 10/21 20:05
恩恩
对这块很不熟
不好意思
※ 编辑: gsuper 来自: 140.113.239.247 (10/21 20:09)
10F：→ yhliu:一些不在探讨范围或非主要探讨范围的因子理想上都应列入调整 10/24 08:43
11F：→ yhliu:如不显着之因子不做调整影响尚小, 但影响显着之因子若不做调 10/24 08:46
12F：→ yhliu:整, 对於研究主要因子之效应推论, 将有很大影响. 10/24 08:47
13F：→ yhliu:如 age 与 gender, 因理论上或其他原因认为必有影响, 则不管 10/24 08:48
14F：→ yhliu:其统计显着性如何都宜做调整, 因为统计上即使不显着, 也可能 10/24 08:48
15F：→ yhliu:只是因样本不够大导致, 甚至是模型不完整导致. 10/24 08:49
16F：→ yhliu:以 logistic regression model 而言, 比单纯加入 age 与 10/24 08:50
17F：→ yhliu:gender 两变项於模型中更好的方式, 是更细致地考虑 age 与 10/24 08:51
18F：→ yhliu:gender 的效应, 例如 age 的曲线型效应, 例如 age 与 gender 10/24 08:51
19F：→ yhliu:的交互作用, 例如 age, gender 与其他因子间的交互作用, 10/24 08:52
20F：→ yhliu:甚或把样本(如够大)依 age ×gender 交叉分类然後去做分析, 10/24 08:54
21F：→ yhliu:而後再做汇总. 10/24 08:54
恩 我大致懂了
就是即便硬要加入 age 和 gender 变项做调整
也是要挑过的
比方说跟各变项的交互作用之类
仍是尽量找出让喂进来的变项显着的 model
Thnak you~
※ 编辑: gsuper 来自: 140.113.239.247 (10/24 13:48)
22F：→ bmka:但是除非有很强的理由,不要挑过头造成model难以解释 10/24 19:29
23F：→ bmka:大部分生医公卫研究主要目的是identify population risk 10/24 19:31
24F：→ bmka:factors, 而不是要构建prediction model, 所以一个容易解释的 10/24 19:32
25F：→ bmka:model比放一些higher order terms让变项显着的model会更容易 10/24 19:33
26F：→ bmka:被接受. Model building is an art. 10/24 19:34