Blok 4: multipele logistische regressie
Vorige week dichotome uitkomstmaten via de Chi2 toets en bivariate logistische regressie.
Deze week:
1. Multipele logistische regressie; confounding en effectmodificatie
2. Predictiemodellen met dichotome uitkomstvariabele
Vorige week:
X^2 toets
Logistische regressie
o Continue determinant
o Liniariteitsassumpties
Vandaag:
Logistische regressie
o Interpretatie
o Categoriale determinant
Multipele logistische regressie
o Effectmodificatie
o Predictiemodel
Kwaliteit van het model
Valkuilen
Logistische regressie kijken naar dichotome uitkomst
Interpretatie logistische regressie resultaten:
- Kansen zijn lineair in de ln(odds) schaal
- Interpretatie bij LogR:
o Regressie coëfficiënt B: log-odds additief
1 eenheid toename X correspondeert met B toe/afname in log-odds op uitkomst Y
o Exponent(B): odds, multiplicatief
1 eenheid toename in X correspondeert met een factor B toe/afname in odds op Y
- Regressievergelijking: Ln(oddsuitkomst)= B0 + B1 * X1
- Door het invullen van bepaalde waarden van X(‘s) kan je verwachte kansen berekenen
Voorbeeldvraag
‘Wat is de kans dat IC opname voor iemand die dagelijks 40ug vitD kreeg?
Ln(oddsIC)= -0,165 + -0,031 * X1
Ln(oddsIC)= -0,165 + -0,031 * 40 = -1,405
Lnodds naar odds = E-1,405 = 0,245
odds naar kans = (odds/((1+odds))= 0,197
= de kans op IC opname voor iemand die dagelijks 40ug vitamine D kreeg is op basis van ons model
rond 20%
Dus je krijgt output van SPSS > hiermee stel je een Rvergelijking op > deze transformeer je naar odds
> deze zet je om in een kans
, Logistische regressie categoriale determinant.
Voorbeeld
- Uitkomst = NNGB 0=voldoet niet, 1=voldoet wel
- Determinant: diagnose 7 groepen
Wat is de associatie tussen diagnose en het wel/niet voldoen aan de Nederlandse Norm Gezond
Bewegen (NNGB) bij revalidatiepatiënten met een fysieke beperking en/of chronische aandoening?
Met chi-kwadraattoets overall test die kijkt of er verschillen zijn tussen groepen > pearson^2 en
vrijheidsgraden met een significantie hieruit zie je of er een verband is met LogR kan je dit wel
zien
Categoriale determinant specificatie in SPSS
Bij lineair moest je hiervan dummy’s maken
Bij logistisch als covariaat toevoegen aan je regressiemodel > categorical specificeren dat het een
categoriale variabele is > én aangeven wat je referentiegroep is
- Output: de laatste categorie is de referentiegroep in je tabel > 0 voor alle dummys
Output logistische regressie
SPSS doet een overal test of de categoriale variabele verschilt op je uitkomst.
- Hoe zie je of er verschillen zijn? p-waardes checken
- Je ziet hierin ook (cijfer) dat zijn je dummys die vergelijk je met waar deze cijfers voor staan,
voor welke groep
- Wald: waarbij elke categorie wordt vergeleken met de referentie categorie
- Exp(B): de OR, geven aan in hoeverre de odds binnen een bepaalde categorieën op de
uitkomst verschilt, t.o.v. de referentiegroep
Interpretatie B: log-odds voorbeeld
Interpretatie exp(B): log-odds voorbeeld
2
Vorige week dichotome uitkomstmaten via de Chi2 toets en bivariate logistische regressie.
Deze week:
1. Multipele logistische regressie; confounding en effectmodificatie
2. Predictiemodellen met dichotome uitkomstvariabele
Vorige week:
X^2 toets
Logistische regressie
o Continue determinant
o Liniariteitsassumpties
Vandaag:
Logistische regressie
o Interpretatie
o Categoriale determinant
Multipele logistische regressie
o Effectmodificatie
o Predictiemodel
Kwaliteit van het model
Valkuilen
Logistische regressie kijken naar dichotome uitkomst
Interpretatie logistische regressie resultaten:
- Kansen zijn lineair in de ln(odds) schaal
- Interpretatie bij LogR:
o Regressie coëfficiënt B: log-odds additief
1 eenheid toename X correspondeert met B toe/afname in log-odds op uitkomst Y
o Exponent(B): odds, multiplicatief
1 eenheid toename in X correspondeert met een factor B toe/afname in odds op Y
- Regressievergelijking: Ln(oddsuitkomst)= B0 + B1 * X1
- Door het invullen van bepaalde waarden van X(‘s) kan je verwachte kansen berekenen
Voorbeeldvraag
‘Wat is de kans dat IC opname voor iemand die dagelijks 40ug vitD kreeg?
Ln(oddsIC)= -0,165 + -0,031 * X1
Ln(oddsIC)= -0,165 + -0,031 * 40 = -1,405
Lnodds naar odds = E-1,405 = 0,245
odds naar kans = (odds/((1+odds))= 0,197
= de kans op IC opname voor iemand die dagelijks 40ug vitamine D kreeg is op basis van ons model
rond 20%
Dus je krijgt output van SPSS > hiermee stel je een Rvergelijking op > deze transformeer je naar odds
> deze zet je om in een kans
, Logistische regressie categoriale determinant.
Voorbeeld
- Uitkomst = NNGB 0=voldoet niet, 1=voldoet wel
- Determinant: diagnose 7 groepen
Wat is de associatie tussen diagnose en het wel/niet voldoen aan de Nederlandse Norm Gezond
Bewegen (NNGB) bij revalidatiepatiënten met een fysieke beperking en/of chronische aandoening?
Met chi-kwadraattoets overall test die kijkt of er verschillen zijn tussen groepen > pearson^2 en
vrijheidsgraden met een significantie hieruit zie je of er een verband is met LogR kan je dit wel
zien
Categoriale determinant specificatie in SPSS
Bij lineair moest je hiervan dummy’s maken
Bij logistisch als covariaat toevoegen aan je regressiemodel > categorical specificeren dat het een
categoriale variabele is > én aangeven wat je referentiegroep is
- Output: de laatste categorie is de referentiegroep in je tabel > 0 voor alle dummys
Output logistische regressie
SPSS doet een overal test of de categoriale variabele verschilt op je uitkomst.
- Hoe zie je of er verschillen zijn? p-waardes checken
- Je ziet hierin ook (cijfer) dat zijn je dummys die vergelijk je met waar deze cijfers voor staan,
voor welke groep
- Wald: waarbij elke categorie wordt vergeleken met de referentie categorie
- Exp(B): de OR, geven aan in hoeverre de odds binnen een bepaalde categorieën op de
uitkomst verschilt, t.o.v. de referentiegroep
Interpretatie B: log-odds voorbeeld
Interpretatie exp(B): log-odds voorbeeld
2
