ΛΟΓΑΡΙΘΜΙΣΤΙΚΗ ΕΞΑΡΤΗΣΗ eclass

ΙΑΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΛΟΓΑΡΙΘΜΙΣΤΙΚΗ
ΕΞΑΡΤΗΣΗ
Γιώτα Τουλούµη Βάνα Σύψα

Αναπληρώτρια Καθηγήτρια Επίκουρη Καθηγήτρια
Βιοστατιστικής και Επιδηµιολογίας Επιδηµιολογίας και Προληπτικής
Ιατρικής
Εργαστήριο Υγιεινής, Επιδηµιολογίας και Ιατρικής Στατιστικής
Ιατρική Σχολή Πανεπιστηµίου Αθηνών
Εισαγωγή
Έχουµε µάθει ότι αν θέλουµε να διερευνήσουµε

την εξάρτηση ενός ποσοτικού µεγέθους από ένα
άλλο παράγοντα µπορούµε να χρησιµοποιήσουµε
την απλή γραµµική εξάρτηση
π.χ. Εξάρτηση επιπέδων τριγλυκεριδίων από

την ηλικία
(Γ. ΤΟΥΛΟΥΜΗ-Β.ΣΥΨΑ) 1
200
^
150 Y = 36.7 + 1.47 * X
Triglyceride
100
50
0
0 20 40 60 80
Age
Γραµµική εξάρτηση
Η χρήση αυτής της µεθόδου επιτρέπει:
Να αξιολογήσουµε αν η ηλικία επηρεάζει τα επίπεδα
τριγλυκεριδίων
Να κάνουµε προβλέψεις για τα αναµενόµενα επίπεδα
τριγλυκεριδίων µε βάση την ηλικία του ατόµου
Προϋπόθεση:
Η εξαρτηµένη µεταβλητή Υ να έχει κανονική κατανοµή
Η ευθεία γραµµή να είναι ικανοποιητική προσέγγιση της
σχέσης Υ και Χ
Κανονικά γραµµικά µοντέλα
Μοντέλα για δίτιµες µεταβλητές
Τι συµβαίνει αν η µεταβλητή την οποία

θέλουµε να µελετήσουµε (η εξάρτηµένη)
δεν είναι ποσοτική αλλά ποιοτική µε 2
επίπεδα;
π.χ
ανάπτυξη Ναι ή Οχι καρκίνου του µαστού
ανταπόκριση ΝΑΙ ή Οχι στη θεραπεία
Παράδειγµα
Ηλικία και παρουσία στεφανιαίας νόσου (CHD-

Coronary Heart Disease)
Age CHD Age CHD Age CHD
22 0 40 0 54 0
23 0 41 1 55 1
24 0 46 0 58 1
27 0 47 0 60 1
28 0 48 0 60 0
30 0 49 1 62 1
30 0 49 0 65 1
32 0 50 1 67 1
33 0 51 0 71 1
35 1 51 1 77 1
38 0 52 0 81 1
Πώς µπορούµε να αναλύσουµε αυτά τα

δεδοµένα;
Συγκρίνοντας τη µέση ηλικία ασθενών µε τη µέση
ηλικία των υγιών
Υγιείς: 38.6 έτη
t-test: p<0.001
Ασθενείς: 58.7 έτη
Μπορώ να χρησιµοποιήσω γραµµική εξάρτηση;
Διάγραµµα ηλικίας και CHD
Yes
Signs of coronary disease
OXI
No
0 20 40 60 80 100
AGE (years)

Όταν η εξαρτηµένη είναι συνεχής µεταβλητή, µας
ενδιαφέρει να εκτιµήσουµε πως µεταβάλλονται τα επίπεδα
της κατά µέσο όρο αν αυξηθεί η ανεξάρτητη κατά µία
µονάδα, π.χ.
αύξηση της εβδοµαδιαίας φυσικής δραστηριότητας κατά
1 ώρα σηµαίνει µείωση του βάρους κατά 500 gr κατά
µέσο όρο
Όταν η εξαρτηµένη είναι δίτιµη µεταβλητή (π.χ. απουσία/

παρουσία νόσου) µας ενδιαφέρει αν η αύξηση της
ανεξάρτητης µεταβλητής (π.χ. αριθµός τσιγάρων)
σχετίζεται µε αύξηση ή µείωση της πιθανότητας να έχει
το άτοµο τη νόσο

Σε τέτοια δεδοµένα η εξαρτηµένη µεταβλητή (Υ)
παίρνει τιµές 0 και 1
Π.χ. θεραπεία 0=αποτυχία, 1=επιτυχία
νόσος 0=απουσία, 1=παρουσία
Συµβολίζουµε
πιθανότητα παρουσίας της νόσου=Pr(Y=1)= π
πιθανότητα απουσίας της νόσου=Pr(Y=0)=1- π
Μας ενδιαφέρει να ανιχνεύσουµε τις µεταβλητές

(ανεξάρτητες µεταβλητές) που ενδέχεται να
σχετίζονται µε την πιθανότητα π εµφάνισης της
νόσου.
Στο παράδειγµα της CHD

Αρχική διερεύνηση για το πως εξαρτάται η πιθανότητα CHD
από την ηλικία στο δείγµα µας υπολογισµός % ασθενών
ανά ηλικιακή οµάδα
Diseased
Age group # in group # %
20 - 29 5 0 0
30 - 39 6 1 17
40 - 49 7 2 29
50 - 59 7 4 57
60 - 69 5 4 80
70 - 79 2 2 100
80 - 89 1 1 100
Αντίστοιχο σχήµα
100
80
% Ασθενών
60
40
20
0
0 20-29
1 30-39
2 40-49
3 50-594 60-695 70-79 680-89 7
Ηλικιακή οµάδα
Λογαριθµιστική (logistic) συνάρτηση
1,0
eα + β x
π=
Πιθανότητα ασθένειας π
1 + eα + β x
Π.χ. Πιθανότητα CHD
0,8
0,6
0,4
0,2
0,0
x
Π.χ. ηλικία
Λογαριθµιστική (logistic) συνάρτηση
Η πιθανότητα της νόσου π εξαρτάται από την

ηλικία (X) µέσω της λογαριθµιστικής συνάρτησης
eα + βX
π=
1 + eα + βX
Πώς µπορώ να µετασχηµατίσω το παραπάνω σε

µία πιο «οικεία» µορφή όπως αυτή της γραµµικής
εξάρτησης (Y=a+βX) ;
Μετασχηµατισµός
eα + βx
π=
1 + eα + βx
π
⇒ = eα + βx
1− π
π
⇒ ln( ) = α + βx
1− π
{
Logit(π)
Odds και πιθανότητα

Πιθανότητα: π
Odds (λόγος συµπληρωµατικών πιθανοτήτων)

πιθανότητα να συµβεί π
odds = =
πιθανότητα να µη συµβεί 1 − π
π.χ. πιθανότητα 80% να κερδίσει µία οµάδα

odds=0.80/(1-0.80=4/1
για κάθε 4 νίκες, µία ήττα
H έννοια του odds χρησιµοποιείται για να εκφράσει γενικά

την πιθανότητα ή τον κίνδυνο (χωρίς να έχει ακριβώς την
ίδια ερµηνεία µε τις έννοιες αυτές)
Λογαριθµιστική εξάρτηση
Αν Χ η ανεξάρτητη µεταβλητή:
Y
π
ln( ) = α + βX
1− π
ln(odds) = α + βX
Εξετάζουµε µέσω του β την εξάρτηση της «πιθανότητας»

της νόσου (για την ακρίβεια του log-odds) από την Χ
Με το µετασχηµατισµό αυτό µεταφερόµαστε από εύρος

τιµών (0,1) που είχε η πιθανότητα π σε εύρος (−∞ , + ∞)
Μέθοδος εκτίµησης συντελεστών
Μέθοδος διαδοχικών προσεγγίσεων της

πιθανοφάνειας (iterative maximum likelihood
method)
Γραµµική και λογαριθµιστική εξάρτηση
Γραµµική εξάρτηση Λογαριθµιστική

εξάρτηση
Είδος εξαρτηµένης Ποσοτική µε κανονική Ποιοτική µε 2 επίπεδα

µεταβλητής κατανοµή
Τι εκφράζει η Τα επίπεδα της Την πιθανότητα
εξαρτηµένη ποσοτικής µεταβλητής παρουσίας (ή απουσίας)
µεταβλητή (Υ) του ποιοτικού
χαρακτηριστικού (π)
Μοντέλο
^ π
Υ=α+βX ln( ) = α + βX
1−π
Ερµηνεία του β
π
ln( ) = a + βX
1− π
Με αυτή την παραµετροποίηση το µοντέλο «µοιάζει» µε
αυτό της απλής γραµµικής εξάρτησης
Ερµηνεία β: Αύξηση της Χ κατά µία µονάδα συνεπάγεται

αύξηση του log-odds κατά β
Πως µπορεί να ερµηνευτεί αυτό µε πιο φυσικό τρόπο;

Π.χ. θα µας ενδιέφερε αν η αύξηση της ηλικίας
συνεπάγεται αύξηση του odds (κινδύνου, πιθανότητας)
για CHD (και όχι του log-odds)
Στο παράδειγµα της CHD: Δύο άτοµα

µε ηλικία που διαφέρει κατά 1 έτος
π
ln( 1 ) = a + βX
1 − π1 π π
ln( 2 ) − ln( 1 ) = a + β ( X + 1) − a − βΧ
π 1− π 2 1 − π1
ln( 2 ) = a + β ( X + 1)
1− π 2 π π
⇒ ln( 2 ) − ln( 1 ) = β
1− π 2 1 − π1
 π2 
 
1− π 2
⇒ ln =β
 π1 
 1−π 
 1 
Οdds να έχει CHD π2
το 2ο άτοµο 1− π 2
⇒ = Odds Ratio (OR) = e β
Οdds να έχει CHD π1
το 1ο άτοµο 1 − π1
Στο παράδειγµα της CHD: Δύο άτοµα

µε ηλικία που διαφέρει κατά 1 έτος
π2
Οdds2
1− π 2
= OR = e β
π1
Οdds1
1 − π1
Π.χ. eβ =1.2 odds2=1.2*odds1
Αύξηση της ηλικίας κατά µία µονάδα
συνεπάγεται 1.2 φορές µεγαλύτερο odds CHD
(ένα άτοµο έχει 1.2 φορές µεγαλύτερη

«πιθανότητα» CHD σε σχέση µε ένα άλλο που
είναι ένα έτος µικρότερο)
Ερµηνεία του OR (eβ)

π2
Αν η ηλικία δεν παίζει ρόλο
1− π 2
(β=0) = OR = e β ≅ 1
π1
1 − π1
π2
Αν όσο αυξάνει η ηλικία αυξάνει ο 1− π 2
= OR = e β > 1
π1
κίνδυνος CHD (β>0):
1 − π1
π2
Aν όσο αυξάνει η ηλικία µειώνεται 1− π 2
= OR = e β < 1
ο κίνδυνος CHD (β<0): π1
1− π1
Ερµηνεία του OR (eβ)

Aν OR κοντά στο 1: παρόµοιος κίνδυνος παρουσίας της νόσου σε άτοµα
που διαφέρει η ηλικία τους κατά 1 έτος
Αν OR>1, π.χ. OR=1.2: ένα άτοµο έχει 1.2 φορές µεγαλύτερη

«πιθανότητα» CHD σε σχέση µε ένα άλλο που είναι ένα έτος µικρότερο
ENAΛΛΑΚΤΙΚΑ: ένα άτοµο έχει 20% µεγαλύτερη πιθανότητα CHD
σε σχέση µε ένα άλλο που είναι ένα έτος µικρότερο
1.2-1=0.2=20%
Αν OR<1, π.χ. OR=0.75: ένα άτοµο έχει 0.75 φορές µικρότερη

«πιθανότητα» CHD σε σχέση µε ένα άλλο που είναι ένα έτος µικρότερο
ENAΛΛΑΚΤΙΚΑ: ένα άτοµο έχει 25% µικρότερη πιθανότητα CHD σε
σχέση µε ένα άλλο που είναι ένα έτος µικρότερο
0.75-1=-0.25=-25%
Ερµηνεία του συντελεστή β στη γραµµική

και λογαριθµιστική εξάρτηση
Σχέση µε ανεξάρτητη µεταβλητή Χ

Απουσία Θετική Αρνητική
σχέσης σχέση σχέση
Γραµµική β=0 β>0 β<0
εξάρτηση
Λογαριθµιστική β=0 β>0 β<0
εξάρτηση ή ή ή
β
e =1 β
e >1 β
e <1
Πολλαπλή λογαριθµιστική εξάρτηση

Αν Χ1, Χ2, …, Χp p ανεξάρτητες µεταβλητές
Μοντέλο:
π
ln( ) = log(odds ) = α + β1 X 1 + β 2 X 2 + ... + β p X p
1− π
Παρόµοια ερµηνεία µε πολλαπλή γραµµική

εξάρτηση:
Αύξηση του log-odds για µία µονάδα αύξησης της
Χι όταν οι υπόλοιπες µεταβλητές είναι σταθερές
(ανεξάρτητα δηλαδή από τις υπόλοιπες
µεταβλητές)
Ποιοτικές ανεξάρτητες µεταβλητές

Όπως στην πολλαπλή γραµµική παλινδρόµηση, οι
ανεξάρτητες µεταβλητές µπορεί να είναι
Ποσοτικές
Ποιοτικές
Πως εισάγονται οι ποιοτικές µεταβλητές στο µοντέλο και

πως ερµηνεύονται οι συντελεστές β;
Ποιοτικές µεταβλητές µε 2 επίπεδα

Αν η ποιοτική µεταβλητή έχει 2 επίπεδα (π.χ. φύλο):
Αποφασίζουµε ποια σύγκριση επιθυµούµε να κάνουµε π.χ.

άνδρες σε σχέση µε γυναίκες ή αντίστροφα
Π.χ. παρουσία CHD σε άνδρες σε σχέση µε γυναίκες
κατηγορία αναφοράς: γυναίκες
Η κατηγορία αναφοράς κωδικοποιείται µε 0 και η άλλη

κατηγορία µε 1 (γενικά η κατηγορία αναφοράς
κωδικοποιείται µε τη µικρότερη τιµή)
Ο συντελεστής eβ για το φύλο εκφράζει πόσο αυξηµένο (ή

µειωµένο) κίνδυνο έχουν οι άνδρες σε σχέση µε τις
γυναίκες
Ποιοτικές µεταβλητές µε >2 επίπεδα

Όπως στην πολλαπλή γραµµική εξάρτηση: Δηµιουργία ψευδοµεταβλητών
(dummy variables- indicator variables)
Παράδειγµα: φυλή
1: White / 2: Black / 3: Hispanic / 4: Other
Η µεταβλητή έχει 4 επίπεδα 3 ψευδοµεταβλητές στο µοντέλο

Π.χ. αν κατηγορία αναφοράς: White
Χ1 = 1 black
= 0 not black
Χ2 = 1 hispanic
= 0 not hispanic
Χ3 = 1 other
= 0 not other
Πως εισάγουµε ποιοτικές µεταβλητές στο

µοντέλο;
Εκτιµώνται τα βi για τη σύγκριση κάθε µίας κατηγορίας
προς την κατηγορία αναφοράς, π.χ.
β
Black vs. white e 1 δείχνει πόσο
αυξηµένο/µειωµένο κίνδυνο CHD έχουν οι µαύροι σε
σχέση µε λευκούς
β
Hispanic vs. white e 2 δείχνει πόσο
αυξηµένο/µειωµένο κίνδυνο CHD έχουν οι hispanic σε
β
Other vs. white e 3 δείχνει πόσο
αυξηµένο/µειωµένο κίνδυνο CHD έχουν οι άλλοι σε
Παράδειγµα: Φυλή και CHD
RACE Odds ratio (eβ)

White Κατηγορία αναφοράς
Black 8.0
Hispanic 6.0
Other 4.0
Π.χ. οι µαύροι έχουν 8 φορές µεγαλύτερο κίνδυνο

CHD σε σχέση µε τους λευκούς
Στατιστική αξιολόγηση συντελεστών

λογαριθµιστικής εξάρτησης
β
Το β µπορεί να αξιολογηθεί µέσω του SEβ . Η
ποσότητα αυτή ελέγχεται στην κανονική κατανοµή
ή στην t κατανοµή στους άπειρους βαθµούς
ελευθερίας
Η αξιολόγηση επίσης µπορεί να γίνει ακόµα και αν

δεν δίνεται το SE µέσω των 95% ορίων
αξιοπιστίας του β ή του odds ratio eβ
RACE Odds ratio 95% CI
(eβ)
Black 8.0 (2.3, 27.6)
Hispanic 6.0 (1.7, 21.3)
Other 4.0 (1.1, 14.9)
Απουσία συσχέτισης: β=0 eβ=1

Αν τα 95% ΟΑ του odds ratio περιλαµβάνουν το 1 όχι
στατιστικά σηµαντικό
RACE Odds ratio 95% CI p
(eβ)
Black 8.0 (2.3, 27.6) 0.001
Hispanic 6.0 (1.7, 21.3) 0.006
Other 4.0 (1.1, 14.9) 0.039
Αποτελέσµατα πολλαπλής λογαριθµιστικής εξάρτησης για τη διερεύνηση

του ρόλου ορισµένων µεταβλητών στην εµφάνιση εµφράγµατος του
µυοκαρδίου. Μελέτη 234 ασθενών και 1742 µαρτύρων
Ανεξάρτητη µεταβλητή Συντελεστής Πιθανό Πηλίκο OR

µερικής σφάλµα bi/SE(bi) Exp(bi)
εξάρτησης (bi) SE(bi)
Χ1: Χρήση αντισυλληπτικών b1: 1,188 0,261 4,552 3,281

(0: Όχι, 1: Ναι)
Χ2: Ηλικία (έτη) b2: 0,152 0,014 10,857 1,164

Χ3: Κάπνισµα 1-24 τσιγ./ηµ. b3: 1,125 0,210 5,357 3,080
(0: Όχι, 1: Ναι)
Χ4: Κάπνισµα ≥25 τσιγ./ηµ. b4: 2,137 0,209 10,225 8,474
(0: Όχι, 1: Ναι)
OR ανά 5-ετή αύξηση της ηλικίας:

exp(0,152*5)=exp(0.760)=2.138
Λογαριθµιστική εξάρτηση και πίνακες

συνάφειας
Έχουµε δει ότι η σχέση 2 ποιοτικών µεταβλητών µπορεί
να διερευνηθεί µε την εφαρµογή του X2 τεστ
Επίσης, αν υπάρχει µία τρίτη µεταβλητή που είναι πιθανός

συγχυτικός παράγοντας (π.χ. κάπνισµα στη σχέση καφέ-
καρκίνου πνεύµονα), κάνουµε διάστρωση, δηλ. πίνακες για
τη σχέση καφέ-καρκίνου χωριστά για καπνιστές και µη
καπνιστές
Τα παραπάνω µπορούν να υπολογιστούν και µε τη

λογαριθµιστκή εξάρτηση
Λογαριθµιστική εξάρτηση και πίνακες

συνάφειας
Exposed Unexposed Total
Disease a b a+b
No disease c d c+d
Total a+c b+d n
Υπάρχει σχέση µεταξύ ασθένειας και έκθεσης σε

κάποιον παράγοντα; (καρκίνος και κάπνισµα)
To X2 τεστ δεν ποσοτικοποιεί τη σχέση ούτε µας

δείχνει την κατεύθυνση.
Σχετικός λόγος ή odds ratio.
Οdds ratio (σχετικός λόγος)

Exposed Unexposed Total
Disease a b a+b
No disease c d c+d
Total a+c b+d n
odds of disease in exposed

Εκτίµηση σχετικού λόγου: OR =
odds of disease in unexposed
π exp a /( a + c)
1 − π exp c /( a + c) ad
⇒ OR =
π un exp ⇒ OR =
b /(b + d )
⇒ OR =
bc
1 − π un exp d /(b + d )
Παράδειγµα: Τα δεδοµένα χρήσης

αντισυληπτικών (Little, 1998,
Rodriguez, 2000)
Age Education Desires more Contraceptive use Total

Children? No Yes
<25 Lower Yes 53 6 59
<25 No 10 4 14
<25 Higher Yes 212 52 264

<25 No 50 10 60
25-29 Lower Yes 60 14 74

25-29 No 19 10 29
25-29 Higher Yes 155 54 209

25-29 No 65 27 92
30-39 Lower Yes 112 33 145

30-39 No 77 80 157
30-39 Higher Yes 118 46 164

30-39 No 68 78 146
40-49 Lower Yes 35 6 41

40-49 No 46 48 94
40-49 Higher Yes 8 8 16

40-49 No 12 31 43
Total 1100 507 1607
Πιθανά ερωτήµατα
Σχέση επιθυµίας για περισσότερα παιδιά µε

χρήση αντισυλληπτικών
Σχέση ηλικίας µε χρήση αντισυλληπτικών
Σχέση επιθυµίας για περισσότερα παιδιά µε

χρήση αντισυλληπτικών, διορθωµένη για ηλικία
Πίνακας συνάφειας
Desires more Contrac. use
children? Yes No
Yes 219 753
No 288 347
Αξιολόγηση σχέσης χρήσης αντισυλληπτικών µε επιθυµία

για περισσότερα παιδιά: µέσω X2
X2=92.04
Βαθµοί ελευθερίας: (K-1)(L-1)= (2-1)*(2-1)=1

(όπου Κ και Λ ο αριθµός των γραµµών και των στηλών
αντίστοιχα)
Αξιολόγηση στους πίνακες της Χ2 κατανοµής:
ΒΕ 10% 5% 1% 1‰
1 2,71 3,84 6,64 10,83
92.04>10.83
Στατιστικά σηµαντικό στο 1‰
(p<1‰)
Πως θα ερµηνεύσω καλύτερα τη σχέση

που υπάρχει;
Desires more Contrac. use
children? Yes No
Yes 219 753
No 288 347
219*347
OR = = 0.35
288*753
Οι γυναίκες που επιθυµούν περισσότερα παιδιά έχουν (1-
0.35=0.65) 65% µικρότερη πιθανότητα να χρησιµοποιούν
αντισυλληπτικά από τις γυναίκες που δεν επιθυµούν
παιδιά
Ανάλυση µε λογαριθµιστική εξάρτηση

π: πιθανότητα να χρησιµοποιεί µία γυναίκα αντισυλληπτικά
π/(1-π): odds
Χ: επιθυµεί (ναι/όχι) περισσότερα παιδιά

Θέλω να συγκρίνω αυτές που επιθυµούν σε σχέση µε
αυτές που δεν επιθυµούν, άρα:
X=1 επιθυµούν παιδιά
Χ=0 δεν επιθυµούν παιδιά (κατηγορία αναφοράς)
π
Μοντέλο: ln( ) = a + β X και εκτιµάται από
1− π
π
τα δεδοµένα: ln( ) = −0.186 − 1.049 X
1−π
Διαφέρει η πιθανότητα χρήσης αντισυλληπτικών σε

µία γυναίκα που επιθυµεί περισσότερα παιδιά σε
σχέση µε γυναίκα που δεν επιθυµεί;
π yes
ln( ) = a + β *1 = a + β
1 − π yes π π
ln( yes ) − ln( no ) = a + β − a
π 1 − π yes 1 − π no
ln( no ) = a + β * 0 = a
1 − π no π π
⇒ ln( yes ) − ln( no ) = β
1 − π yes 1 − π no
 π yes 
 
 1 − π yes 
⇒ ln
π no =β
 
Οdds να χρησιµοποιεί  1 − π no 
αντισυλληπτικά γυναίκα  
που επιθυµεί παιδιά π yes
1 − π yes
Οdds να χρησιµοποιεί ⇒ = Odds Ratio (OR) = e −1.049 = 0.35
π no
αντισυλληπτικά γυναίκα
που δεν επιθυµεί παιδιά 1 − π no
Αξιολόγηση συντελεστών
β
SEβ : Αξιολογείται στους πίνακες της κανονικής
κατανοµής ή t κατανοµής στους άπειρους
Β.Ε.
95% όρια αξιοπιστίας (ΟΑ- CI) του OR:

β ±1.96 SEβ
e
Αξιολόγηση συντελεστών
Από το µοντέλο εκτιµήθηκε SEβ=0.111, άρα:
β − 1.049
= = 89.78
SEβ 0.111
t κατανοµή στους άπειρους Β.Ε.

ΒΕ 10% 5% 1% 1‰
∞ 1,65 1,96 2,58 3,29
89,78>3,29
p<1‰
Εποµένως, το β διαφέρει στατιστικά σηµαντικά από το 0 (ή

αντίστοιχα το odds ratio eβ διαφέρει από το 1)
στατιστικά σηµαντική σχέση χρήσης αντισυλληπτικών και
επιθυµίας παιδιών
95% ΟΑ
95%CI:
β ±1.96 SEβ
e
exp(-1.049±1.96*0.111)
exp(-1.267) exp(-0.831)
0.282 0.435
Εποµένως OR (95% CI): 0.35 (0.28, 0.44)

(δεν περιλαµβάνεται η µονάδα)
Η επίδραση της ηλικίας

Η επίδραση του παράγοντα ηλικία µπορεί να διαπιστωθεί µε
παρόµοιο τρόπο θεωρώντας τον παρακάτω 2× ×4 πίνακα
Age Contraceptive use Total
Yes No
<25 72 325 397
25-29 105 299 404
30-39 237 375 375
40-49 93 101 101
Total 507 1100 1607
Age Contraceptive use Age Contraceptive use Age Contraceptive use

Yes No Yes No Yes No
25-29 105 299 30-39 237 375 40-49 93 101
<25 72 325 <25 72 325 <25 72 325
105*325 237 *325 93*325

OR25−29/ <25 = = 1.585 OR30−39 / <25 = = 2.853 OR40−49 / <25 = = 4.156
72* 299 72*375 72*101
Η επίδραση της ηλικίας

(µε λογαριθµιστική εξάρτηση)
Εφόσον η ηλικία είναι ένας παράγοντας µε τέσσερα
επίπεδα, για να εισαχθεί στο µοντέλο απαιτείται η
δηµιουργία ψευδοµεταβλητών. Έτσι, θα δηµιουργήσουµε 3
ψευδοµεταβλητές Χ1, Χ2 και Χ3 όπως φαίνεται παρακάτω
(εδώ η οµάδα των γυναικών ηλικίας <25 ετών
χρησιµοποιείται ως κατηγορία αναφοράς).
Dummy Age factor
variable <25 25-29 30-39 40-49
X1 0 1 0 0
X2 0 0 1 0
X3 0 0 0 1
Το µοντέλο είναι της µορφής:
 π 
log  = a + b1 X1 + b2 X 2 + b3 X 3
 1− π 
 
Αποτελέσµατα και ερµηνεία

π
ln( ) = −1.507 + 0.461X 1 + 1.048 X 2 + 1.425 X 3
1−π
Ερµηνεία:
exp(0.461)=1.585
Γυναίκες ηλικίας 25-29 ετών είναι 58.5% πιο πιθανό να
χρησιµοποιούν αντισυλληπτικά σε σχέση µε γυναίκες <25
ετών.
exp(1.425)=4.156
Γυναίκες ηλικίας 40-49 ετών είναι 4.2 φορές πιο πιθανό να
χρησιµοποιούν αντισυλληπτικά σε σχέση µε γυναίκες <25
ετών.
Συνδυάζοντας 2x2 πίνακες συνάφειας: σχέση µεταξύ

επιθυµίας παιδιών και χρήσης αντισύλληψης ανάλογα µε την
ηλικιακή οµάδα
Στις νέες γυναίκες, αυτές που
επιθυµούν παιδιά έχουν παρόµοια
πιθανότητα χρήσης αντισυλληπτικών
µε αυτές που δεν επιθυµούν
Πώς εξετάζω τη σχέση 2 µεταβλητών

λαµβάνοντας υπόψη ένα πιθανό συγχυτικό
παράγοντα;
Στρωµατοποιηµένη ανάλυση (Stratified analysis):
Εξετάζω τη σχέση αντισυλληπτικών-επιθυµίας παιδιών µε
διάστρωση κατά ηλικιακή οµάδα
Ένα odds ratio για τη σχέση αντισυλληπτικών-
επιθυµίας παιδιών για κάθε ηλικιακή οµάδα
Σύνθεση των αποτελεσµάτων για εκτίµηση ενός
«συνολικού» odds ratio το οποίο λαµβάνει υπόψη
(διορθώνει) την ηλικία Mantel-Haenszel:
∑a d / N
i i i
OR Μ − Η = = 0.43
∑bc / N
i i i
Αξιολόγηση Ho: ORMH = 1 µέσω του τεστ Μ-Η.
Ανάλυση µέσω λογαριθµιστικής

παλινδρόµησης
Ανάλυση µέσω λογαριθµιστικής παλινδρόµησης: για να
ελέγξω τη σχέση αντισυλληπτικών-επἶθυµίας παιδιών
διορθώνοντας για την ηλικία, αρκεί να προσθέσω στο
µοντέλο και την ηλικία:
π
ln( ) = −870 + 0.368 AGE1 + 0.808 AGE 2 + 1.023 AGE 3 − 0.824CHILDREN
1− π
Διορθωµένος OR για τη σχέση αντισυλληπτικών-

επιθυµίας παιδιών: exp(-0.824)=0.44
όπως και µέσω στρωµατοποιηµένης ανάλυσης κατά Μ-Η.
Άρα: Αδρός (unadjusted) OR = 0.35

Διορθωµένος ως προς ηλικία (age-adjusted) OR = 0.44
P<0.001
Γραφική αναπαράσταση του µοντέλου µε

διόρθωση
P(Y=1|X=0) (no more children) P(Y=1|X=1) (more children)
.6
Probability
.4
.2
1 2 3 4
Age
Γραφική αναπαράσταση του µοντέλου µε

αλληλεπίδραση
P(Y=1|X=0) (no more children) P(Y=1|X=1) (more children)
.6
.5
Probability
.4
.3
.2
1 2 3 4
Age
Αυτό σηµαίνει ότι ενώ η πιθανότητα χρήσης αντισυλληπτικών αυξάνει µε την

ηλικία, η αύξηση αυτή είναι εντονότερη µεταξύ των γυναικών που δεν επιθυµούν
περισσότερα παιδιά
Μελέτη ασθενών µαρτύρων µε

εξωµείωση: τρόπος ανάλυσης
Εξοµοίωση κατανοµής (frequency matching)
Για την ανάλυση χρησιµοποιείται λογαριθµιστική
εξάρτηση, µε τις µεταβλητές εξοµοίωσης στο
µοντέλο
Ατοµική εξοµοίωση (individual matching)
Επιβάλλεται η χρήση ειδικής λογαριθµιστικής
εξάρτησης: δεσµευµένη λογαριθµική εξάρτηση.
Αν χρησιµοποιήσουµε απλή λογαριθµική
εξάρτηση θα έχουµε εσφαλµένα αποτελέσµατα
(αντίστοιχο µε το απλό προς το κατά ζεύγη Χ2
τεστ

ΛΟΓΑΡΙΘΜΙΣΤΙΚΗ ΕΞΑΡΤΗΣΗ eclass

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

ΛΟΓΑΡΙΘΜΙΣΤΙΚΗ ΕΞΑΡΤΗΣΗ eclass

Uploaded by

Copyright:

Available Formats

ΙΑΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ

Γιώτα Τουλούµη Βάνα Σύψα

Έχουµε µάθει ότι αν θέλουµε να διερευνήσουµε

π.χ. Εξάρτηση επιπέδων τριγλυκεριδίων από

Κανονικά γραµµικά µοντέλα

Μοντέλα για δίτιµες µεταβλητές

Τι συµβαίνει αν η µεταβλητή την οποία

Ηλικία και παρουσία στεφανιαίας νόσου (CHD-

Πώς µπορούµε να αναλύσουµε αυτά τα

Μπορώ να χρησιµοποιήσω γραµµική εξάρτηση;

Διάγραµµα ηλικίας και CHD

Μοντέλα για δίτιµες µεταβλητές

Όταν η εξαρτηµένη είναι δίτιµη µεταβλητή (π.χ. απουσία/

Μοντέλα για δίτιµες µεταβλητές

Μας ενδιαφέρει να ανιχνεύσουµε τις µεταβλητές

Στο παράδειγµα της CHD

Age group # in group # %

Λογαριθµιστική (logistic) συνάρτηση

Λογαριθµιστική (logistic) συνάρτηση

Η πιθανότητα της νόσου π εξαρτάται από την

Πώς µπορώ να µετασχηµατίσω το παραπάνω σε

Odds και πιθανότητα

Odds (λόγος συµπληρωµατικών πιθανοτήτων)

π.χ. πιθανότητα 80% να κερδίσει µία οµάδα

H έννοια του odds χρησιµοποιείται για να εκφράσει γενικά

Εξετάζουµε µέσω του β την εξάρτηση της «πιθανότητας»

Με το µετασχηµατισµό αυτό µεταφερόµαστε από εύρος

Μέθοδος εκτίµησης συντελεστών

Μέθοδος διαδοχικών προσεγγίσεων της

Γραµµική και λογαριθµιστική εξάρτηση

Γραµµική εξάρτηση Λογαριθµιστική

Είδος εξαρτηµένης Ποσοτική µε κανονική Ποιοτική µε 2 επίπεδα

Ερµηνεία β: Αύξηση της Χ κατά µία µονάδα συνεπάγεται

Πως µπορεί να ερµηνευτεί αυτό µε πιο φυσικό τρόπο;

Στο παράδειγµα της CHD: Δύο άτοµα

Στο παράδειγµα της CHD: Δύο άτοµα

(ένα άτοµο έχει 1.2 φορές µεγαλύτερη

Ερµηνεία του OR (eβ)

Ερµηνεία του OR (eβ)

Αν OR>1, π.χ. OR=1.2: ένα άτοµο έχει 1.2 φορές µεγαλύτερη

Αν OR<1, π.χ. OR=0.75: ένα άτοµο έχει 0.75 φορές µικρότερη

Ερµηνεία του συντελεστή β στη γραµµική

Σχέση µε ανεξάρτητη µεταβλητή Χ

Πολλαπλή λογαριθµιστική εξάρτηση

Παρόµοια ερµηνεία µε πολλαπλή γραµµική

Ποιοτικές ανεξάρτητες µεταβλητές

Πως εισάγονται οι ποιοτικές µεταβλητές στο µοντέλο και

Ποιοτικές µεταβλητές µε 2 επίπεδα

Αποφασίζουµε ποια σύγκριση επιθυµούµε να κάνουµε π.χ.

Η κατηγορία αναφοράς κωδικοποιείται µε 0 και η άλλη

Ο συντελεστής eβ για το φύλο εκφράζει πόσο αυξηµένο (ή

Ποιοτικές µεταβλητές µε >2 επίπεδα

Η µεταβλητή έχει 4 επίπεδα 3 ψευδοµεταβλητές στο µοντέλο

Πως εισάγουµε ποιοτικές µεταβλητές στο

Παράδειγµα: Φυλή και CHD

RACE Odds ratio (eβ)

Π.χ. οι µαύροι έχουν 8 φορές µεγαλύτερο κίνδυνο

Στατιστική αξιολόγηση συντελεστών

Η αξιολόγηση επίσης µπορεί να γίνει ακόµα και αν

Black 8.0 (2.3, 27.6)

Hispanic 6.0 (1.7, 21.3)

Other 4.0 (1.1, 14.9)

Απουσία συσχέτισης: β=0 eβ=1

Black 8.0 (2.3, 27.6) 0.001

105325 237 325 93*325