Regresja logistyczna w R (iloraz szans)

40

Próbuję przeprowadzić analizę regresji logistycznej w R. Brałem udział w kursach obejmujących ten materiał przy użyciu STATA. Bardzo trudno jest mi powielić funkcjonalność R. Czy w tym obszarze jest dojrzały? Wydaje się, że dostępna jest niewielka dokumentacja lub wytyczne. Wydawanie wyników ilorazu szans wydaje się wymagać instalacji epicalci / lub epitoolsi / lub innych, z których żaden nie mogę dostać się do pracy, są nieaktualne lub brakuje dokumentacji. Robiłem glmregresję logistyczną. Wszelkie sugestie będą mile widziane.

Lepiej uczynię to prawdziwym pytaniem. Jak uruchomić regresję logistyczną i wygenerować iloraz szans R?

Oto, co zrobiłem dla analizy jednoczynnikowej:

x = glm(Outcome ~ Age, family=binomial(link="logit"))

A dla wielu odmian:

y = glm(Outcome ~ Age + B + C, family=binomial(link="logit"))

Ja po czym spojrzał na x, y, summary(x)i summary(y).

Czy x$coefficientsma jakąś wartość?

r logistic odds-ratio

— SabreWolfy
źródło

36

exp(coef(x)) $e^\beta$ $y=1$ $\beta$

require(MASS)
exp(cbind(coef(x), confint(x)))

EDYCJA: @ caracal był szybszy ...

— fabianie
źródło

1

+1 za sugestię @ fabian. Gorszym sposobem na to, że zazwyczaj daje podobne przedziały zrobić to obliczyć przedział skali logitowej a następnie przekształcić do skali tenisa

cbind( 	exp(coef(x)), 	exp(summary(x)$coefficients[,1] - 1.96*summary(x)$coefficients[,2]), 	exp(summary(x)$coefficients[,1] + 1.96*summary(x)$coefficients[,2]) )

. Istnieje również metoda delta: ats.ucla.edu/stat/r/faq/deltamethod.htm

— zablokowana

42

Masz rację, że dane wyjściowe R zwykle zawierają tylko niezbędne informacje, a więcej trzeba obliczać osobno.

N  <- 100               # generate some data
X1 <- rnorm(N, 175, 7)
X2 <- rnorm(N,  30, 8)
X3 <- abs(rnorm(N, 60, 30))
Y  <- 0.5*X1 - 0.3*X2 - 0.4*X3 + 10 + rnorm(N, 0, 12)

# dichotomize Y and do logistic regression
Yfac   <- cut(Y, breaks=c(-Inf, median(Y), Inf), labels=c("lo", "hi"))
glmFit <- glm(Yfac ~ X1 + X2 + X3, family=binomial(link="logit"))

coefficients() $b_{j}$ $exp(b_{j})$

> exp(coefficients(glmFit))
 (Intercept)           X1           X2           X3 
5.811655e-06 1.098665e+00 9.511785e-01 9.528930e-01

Aby uzyskać iloraz szans, potrzebujemy tabeli krzyżowej klasyfikacji oryginalnego dychotomicznego DV i przewidywanej klasyfikacji zgodnie z pewnym progiem prawdopodobieństwa, który należy najpierw wybrać. Możesz także zobaczyć funkcję ClassLog()w pakiecie QuantPsyc(jak chl wspomniano w powiązanym pytaniu ).

# predicted probabilities or: predict(glmFit, type="response")
> Yhat    <- fitted(glmFit)
> thresh  <- 0.5  # threshold for dichotomizing according to predicted probability
> YhatFac <- cut(Yhat, breaks=c(-Inf, thresh, Inf), labels=c("lo", "hi"))
> cTab    <- table(Yfac, YhatFac)    # contingency table
> addmargins(cTab)                   # marginal sums
     YhatFac
Yfac   lo  hi Sum
  lo   41   9  50
  hi   14  36  50
  Sum  55  45 100

> sum(diag(cTab)) / sum(cTab)        # percentage correct for training data
[1] 0.77

Aby uzyskać iloraz szans, możesz użyć pakietu vcdlub wykonać obliczenia ręcznie.

> library(vcd)                       # for oddsratio()
> (OR <- oddsratio(cTab, log=FALSE)) # odds ratio
[1] 11.71429

> (cTab[1, 1] / cTab[1, 2]) / (cTab[2, 1] / cTab[2, 2])
[1] 11.71429

> summary(glmFit)  # test for regression parameters ...

# test for the full model against the 0-model
> glm0 <- glm(Yfac ~ 1, family=binomial(link="logit"))
> anova(glm0, glmFit, test="Chisq")
Analysis of Deviance Table
Model 1: Yfac ~ 1
Model 2: Yfac ~ X1 + X2 + X3
  Resid. Df Resid. Dev Df Deviance P(>|Chi|)    
1        99     138.63                          
2        96     110.58  3   28.045 3.554e-06 ***

— karakal
źródło

2

Dzięki - będę musiał uważnie przejrzeć twoją odpowiedź. W Stata można po prostu uruchomić logiti logistici łatwo dostać ilorazy szans i przedziały ufności. Jestem nieco sfrustrowany, że wydaje się to tak skomplikowane i niestandardowe R. Czy mogę użyć exp(cbind(coef(x), confint(x)))poniższej odpowiedzi fabianów, aby uzyskać OD i CI? Nie jestem pewien, jaka jest twoja odpowiedź?

— SabreWolfy

3

cTab

e x p (b_{j})

$exp(b_{j})$

e x p (b_{j})

$exp(b_{j})$

X_{j}

$X_{j}$

4

faktycznie @SabreWolfy Uważam za frustrujące, że ludzie mogą kliknąć jeden przycisk w stata / sas / spss itp. i uzyskać iloraz szans (wstaw statystyki dopasowania, typ III SS, cokolwiek lubisz tutaj) bez pojęcia, co to znaczy / jak go obliczyć / czy ma on znaczenie w konkretnej sytuacji / i (co ważniejsze) bez praktycznej znajomości samego języka.

— rawr 9.01.15

23

Strona statystyk UCLA zawiera przyjemny przegląd regresji logistycznej w R. Zawiera krótki rozdział na temat obliczania ilorazów szans.

— Duke of Lizards
źródło

2

Niestety ten link nie działa

— Dan Chaltiel

6

Na szczęście sieć nie (zawsze) zapomina: web.archive.org/web/20110319043907/http://www.ats.ucla.edu/stat/…

— snoram

5

Pakiet epiDisplay robi to bardzo łatwo.

library(epiDisplay)
data(Wells, package="carData")
glm1 <- glm(switch~arsenic+distance+education+association, 
            family=binomial, data=Wells)
logistic.display(glm1)
Logistic regression predicting switch : yes vs no 

                       crude OR(95%CI)         adj. OR(95%CI)         P(Wald's test) P(LR-test)
arsenic (cont. var.)   1.461 (1.355,1.576)     1.595 (1.47,1.731)     < 0.001        < 0.001   

distance (cont. var.)  0.9938 (0.9919,0.9957)  0.9911 (0.989,0.9931)  < 0.001        < 0.001   

education (cont. var.) 1.04 (1.021,1.059)      1.043 (1.024,1.063)    < 0.001        < 0.001   

association: yes vs no 0.863 (0.746,0.999)     0.883 (0.759,1.027)    0.1063         0.1064    

Log-likelihood = -1953.91299
No. of observations = 3020
AIC value = 3917.82598

— Edward
źródło

Czy jest jakiś sposób na połączenie wyświetlacza logistycznego z owijaczem lateksowym, takim jak outreglub xtable?

— Renomowany Misnomer