作者gsuper (Logit(odds))
看板Statistics
標題[問題] adjusted Odds ratio
時間Sun Oct 21 19:02:08 2012
請問一下
跑 Logistic regression 時
常會看到文章寫 "odds ratios are adjusted by gender and age"
問題如下
1. 若回歸式中 , 已經包含 Gender and Age , 且兩者都顯著
是不是就已經 adjusted 過了?
不需要額外處理
2. 若回歸式中不包含這兩項因子
且兩者處於顯著的邊緣
才要進行 adjust?
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 140.113.239.247
1F：→ bmka:這句話只告訴你logistic regression裡面包括gender跟age這兩 10/21 19:03
2F：→ bmka:個covariate,顯不顯著不知道. 公衛研究常常要adjust 這兩項 10/21 19:06
3F：→ bmka:因為他們常被認為是biologically plausible covariates 10/21 19:08
4F：→ bmka:不管效果顯不顯著都會被放進model 10/21 19:08
所以只要把這兩項放進 model
就代表已經初步完成 adjusted by gender & age (不排除還有很多更好的調整方式)
是這個意思嗎?
※ 編輯: gsuper 來自: 140.113.239.247 (10/21 19:11)
※ 編輯: gsuper 來自: 140.113.239.247 (10/21 19:12)
5F：→ bmka:What do you mean by "better ways to adjust"? 10/21 19:24
之前看過一些 adjust OR 的概念
是為了降低 exaggerate OR 而行使
而根據盛行率,年齡,性別的 adjusted OR
似乎是另一種流行病學常用的概念
兩者不一樣 , 但陳述起來都是 "adjusted OR"
我說的 better way 是指同時包含這兩種概念的 adjusted OR 方法
※ 編輯: gsuper 來自: 140.113.239.247 (10/21 19:54)
我現在的 case 是醫生讓我計算 系統性紅斑性狼瘡 的case/control study
他要求 OR 必須 adjusted by sex and age
但這兩項因子本身就非常顯著
所以我在想是不是只要很基本的把這兩項因子加入回歸式
就能直接解決他的問題
※ 編輯: gsuper 來自: 140.113.239.247 (10/21 19:56)
6F：→ bmka:看不懂你說的第一種概念 (references?) 10/21 20:00
第一種概念是將 OR 調整為 RR (relative risk)
※ 編輯: gsuper 來自: 140.113.239.247 (10/21 20:03)
7F：→ bmka:醫生的意思就是要你在model裡面加入age and gender 10/21 20:03
OK 那我知道了
還以為他是要我做很難的事情 (OR -> adjusting -> RR)
※ 編輯: gsuper 來自: 140.113.239.247 (10/21 20:04)
8F：→ bmka:你搞錯觀念了吧, RR跟是不是adjust for other risk factor 10/21 20:05
9F：→ bmka:哪有關係,不要亂搞 10/21 20:05
恩恩
對這塊很不熟
不好意思
※ 編輯: gsuper 來自: 140.113.239.247 (10/21 20:09)
10F：→ yhliu:一些不在探討範圍或非主要探討範圍的因子理想上都應列入調整 10/24 08:43
11F：→ yhliu:如不顯著之因子不做調整影響尚小, 但影響顯著之因子若不做調 10/24 08:46
12F：→ yhliu:整, 對於研究主要因子之效應推論, 將有很大影響. 10/24 08:47
13F：→ yhliu:如 age 與 gender, 因理論上或其他原因認為必有影響, 則不管 10/24 08:48
14F：→ yhliu:其統計顯著性如何都宜做調整, 因為統計上即使不顯著, 也可能 10/24 08:48
15F：→ yhliu:只是因樣本不夠大導致, 甚至是模型不完整導致. 10/24 08:49
16F：→ yhliu:以 logistic regression model 而言, 比單純加入 age 與 10/24 08:50
17F：→ yhliu:gender 兩變項於模型中更好的方式, 是更細緻地考慮 age 與 10/24 08:51
18F：→ yhliu:gender 的效應, 例如 age 的曲線型效應, 例如 age 與 gender 10/24 08:51
19F：→ yhliu:的交互作用, 例如 age, gender 與其他因子間的交互作用, 10/24 08:52
20F：→ yhliu:甚或把樣本(如夠大)依 age ×gender 交叉分類然後去做分析, 10/24 08:54
21F：→ yhliu:而後再做彙總. 10/24 08:54
恩 我大致懂了
就是即便硬要加入 age 和 gender 變項做調整
也是要挑過的
比方說跟各變項的交互作用之類
仍是盡量找出讓餵進來的變項顯著的 model
Thnak you~
※ 編輯: gsuper 來自: 140.113.239.247 (10/24 13:48)
22F：→ bmka:但是除非有很強的理由,不要挑過頭造成model難以解釋 10/24 19:29
23F：→ bmka:大部分生醫公衛研究主要目的是identify population risk 10/24 19:31
24F：→ bmka:factors, 而不是要構建prediction model, 所以一個容易解釋的 10/24 19:32
25F：→ bmka:model比放一些higher order terms讓變項顯著的model會更容易 10/24 19:33
26F：→ bmka:被接受. Model building is an art. 10/24 19:34