Bivariate lineaire regressie: regressie waarin de relatie tussen 1 determinant
(dichotoom,categoriaal, continue) en 1 uitkomstmaat (continue) wordt bekeken.
Regressievergelijking =
Multipele lineaire regressie:
• Regressie waarin de relatie tussen meerdere determinanten en 1 uitkomstmaat wordt
bekeken. Er zijn twee manieren om MLR modellen op te stellen:
• Associatiemodellen
• Predictiemodellen
• Daarbij kunnen meerdere onafhankelijke variabelen twee rollen spelen:
• Confounder
• Effectmodificator
Regressievergelijking =
Associatiemodel:
• Bekijken associatie tussen 1 determinant en 1 uitkomstvariabele; het zo zuiver
mogelijk schatten van de associatie.
• Er kan gecorrigeerd worden voor confounding of gekeken worden naar
effectmodificatie.
• Rekening houdend met confounding / effectmodificatie presenteer je het
regressiemodel dat de associatie tussen determinant en uitkomst zo zuiver mogelijk
weergeeft.
• Voor effectmodificatie: voor het opnemen van een term voor effectmodificatie
geldt het criterium: p-waarde <0.05 duidt op een ‘’significante’’ modificator. Is
de modificator p-waarde >0.05, zou je de term in het model laten.
• Voor confounders: voor het opnemen van confounders is geen eenduidig
criterium. Als de verandering, die het toevoegen van een confounder teweeg
brengt in de effectschatting voor de determinant ‘’groot’’ is, is er sprake van
een relevante confounder. Groot wordt vaak aangehouden als min. 10%.
Predictiemodel (voorspellende regressie):
• Bekijken associatie tussen meerdere determinanten en 1 uitkomstvariabele; het zo
goed mogelijk voorspellen van een bepaalde uitkomst aan de hand van meerdere
determinanten.
• Het streven is een zo simpel mogelijk predictiemodel te vinden dat zo goed mogelijk
de uitkomst voorspelt.
• Confounding is niet relevant, effectmodificatie enkel wanneer het de voorspelling
verbetert. Het inbouwen van interactietermen gebeurt zelden.
• Er zijn verschillende strategieën om het best passende predictiemodel te vinden:
• Backward selectie: er wordt begonnen met een volledig model, alle mogelijke
voorspellers in de data zijn in het model opgenomen. Een voor een worden de
voorspellers met de hoogste p-waarde (minst significant) verwijderd. Het
proces stopt wanneer alle resterende voorspellers een p-waarde <0.05 (ook
vaak gebruikt is p-waarde <0.10) hebben.
• Forward selectie: er wordt begonnen met het opstellen van het model waarbij
een voor een alle mogelijke voorspellers in de data worden toegevoegd,
steeds met de factor die bij toevoeging de laagste p-waarde geeft.
Aantonen kwaliteit predictiemodel: aan de hand van kwaliteitsmaten, welke maat gebruikt
wordt, is afhankelijk van welke analyse uitgevoerd wordt.
→ lineaire regressie: R-square (adjusted R-square bij meerdere potentiële voorspellers).
1
(dichotoom,categoriaal, continue) en 1 uitkomstmaat (continue) wordt bekeken.
Regressievergelijking =
Multipele lineaire regressie:
• Regressie waarin de relatie tussen meerdere determinanten en 1 uitkomstmaat wordt
bekeken. Er zijn twee manieren om MLR modellen op te stellen:
• Associatiemodellen
• Predictiemodellen
• Daarbij kunnen meerdere onafhankelijke variabelen twee rollen spelen:
• Confounder
• Effectmodificator
Regressievergelijking =
Associatiemodel:
• Bekijken associatie tussen 1 determinant en 1 uitkomstvariabele; het zo zuiver
mogelijk schatten van de associatie.
• Er kan gecorrigeerd worden voor confounding of gekeken worden naar
effectmodificatie.
• Rekening houdend met confounding / effectmodificatie presenteer je het
regressiemodel dat de associatie tussen determinant en uitkomst zo zuiver mogelijk
weergeeft.
• Voor effectmodificatie: voor het opnemen van een term voor effectmodificatie
geldt het criterium: p-waarde <0.05 duidt op een ‘’significante’’ modificator. Is
de modificator p-waarde >0.05, zou je de term in het model laten.
• Voor confounders: voor het opnemen van confounders is geen eenduidig
criterium. Als de verandering, die het toevoegen van een confounder teweeg
brengt in de effectschatting voor de determinant ‘’groot’’ is, is er sprake van
een relevante confounder. Groot wordt vaak aangehouden als min. 10%.
Predictiemodel (voorspellende regressie):
• Bekijken associatie tussen meerdere determinanten en 1 uitkomstvariabele; het zo
goed mogelijk voorspellen van een bepaalde uitkomst aan de hand van meerdere
determinanten.
• Het streven is een zo simpel mogelijk predictiemodel te vinden dat zo goed mogelijk
de uitkomst voorspelt.
• Confounding is niet relevant, effectmodificatie enkel wanneer het de voorspelling
verbetert. Het inbouwen van interactietermen gebeurt zelden.
• Er zijn verschillende strategieën om het best passende predictiemodel te vinden:
• Backward selectie: er wordt begonnen met een volledig model, alle mogelijke
voorspellers in de data zijn in het model opgenomen. Een voor een worden de
voorspellers met de hoogste p-waarde (minst significant) verwijderd. Het
proces stopt wanneer alle resterende voorspellers een p-waarde <0.05 (ook
vaak gebruikt is p-waarde <0.10) hebben.
• Forward selectie: er wordt begonnen met het opstellen van het model waarbij
een voor een alle mogelijke voorspellers in de data worden toegevoegd,
steeds met de factor die bij toevoeging de laagste p-waarde geeft.
Aantonen kwaliteit predictiemodel: aan de hand van kwaliteitsmaten, welke maat gebruikt
wordt, is afhankelijk van welke analyse uitgevoerd wordt.
→ lineaire regressie: R-square (adjusted R-square bij meerdere potentiële voorspellers).
1
