MTB2 Samenvatting blok 2 multipele lineaire regressie - premaster gezondheidswetenschappen VU

Blok2 - Multiple lineaire regressie

Stof:
 Korte herhaling lineaire regressie
 Multiple lineaire regressie
o Confounding
o Effectmodificatie
 Producttermen
 Multicollineariteit
 Oefenvragen


Wanneer gebruiken we de multiple? Opzoeken confounding/effectmodificatie in onderzoek.

Analyse van kwantitatieve uitkomsten
Uitkomst variabele  afhankelijke variabele
- Kwantitatief, minimaal interval meetniveau

Overzicht technieken wanneer welke gebruiken:




Dichotoom/categoriaal/continu of combinaties kun je allemaal toetsen met lineaire regressie,
daarom wordt deze methode veel gebruikt.

,Voorbeeld lineaire regressie (kwaliteit van leven  vermoeidheid)




Transversale studie vlak voor ontslag uit revalidatie, waarbij vermoeidheid als kwaliteit van leven is
gemeten.
1. Een van de eerste stappen  scatterplot maken om een beeld te krijgen van je data.
- X-as vermoeidheid, Y-as uitkomsten kwaliteit van leven
Wat valt op aan de scatterplot?
- Hoe hoger vermoeidheid, hoe lager kwaliteit van leven
- Negatief effect (-)
- Assumpties die je hebt voordat je een LG doet, waar kijken we naar?
o Lineaire tijd (hoe is het verdeeld)? Kan je een rechte lijn trekken?
o Normale verdeling van je observaties; of de uitkomst en determinant normaal
verdeeld zijn (wel lastiger kan je beter in een histogram doen)
o Homogeniteit variabelen: of de varianties gelijk zijn verdeeld over de verschillende
waarden van de x-as, gelijke spreiding over de verschillende waarden

2. Lineaire regressie output SPSS




Je kijkt naar de B’s
- Constante/intercept/Bo = 50.23
o Betekenis; vermoeidheid = 0 , kwaliteit van leven 50
- Regressie coëfficiënt = -3.103
o Betekenis; als vermoeidheid met een eenheid toeneemt, neemt de kwaliteit van
leven met 3 punten af

Voor je intercept als je regressie coëfficiënt krijg je in je output de P-waarde in SIG. Hier zie je dat
beide heel klein zijn, kleiner dan 0,001 dus dat er een significante associatie is met kwaliteit van
leven.
Hiervoor kan je ook een regressievergelijking opstellen 


= Verwachte kwaliteit van leven geschat op basis van dit regressiemodel

2

, Uitbreiding van dit model wat we tot nu toe hebben gehad
 zou de associatie tussen kwaliteit van leven en vermoeidheid verschillend zijn voor mannen en
vrouwen?  effectmodificatie, is het veschillend binnen beide groepen?

1. Begin opnieuw met een scatterplot
Zwarte bolletjes man, witte bolletjes vrouw. Groepen zijn apart weergegeven in de plot




 Meerdere determinanten toevoegen aan model om EM te toetsen
Dus nu kijk je naar meerdere determinanten:
a. Vermoeidheid
b. Geslacht
c. Vermoeidheid*geslacht (=productterm)

Er zijn meerdere determinanten in het regressiemodel = multiple lineaire regressie.


Multiple lineaire regressie
Uitkomstmaat (afhankelijke): nog steeds continu
Meer dan een determinant (onafhankelijke)  dit verschilt nu
- Confounders (corrigeren)
- Effectmodificatoren (effect anders in groepen?)
- Andere voorspellers van uitkomst

Twee typen modellen
Deze analyse kan worden gebruikt bij:
Associatiemodel  hoe kunnen we de associatie tussen X en Y zo zuiver mogelijk schatten?
 Zo precies mogelijke schatting van de associatie determinant en uitkomst. Zo zuiver mogelijk
schatten. Eigenlijk ook modellen waarin je confounders toevoegt om te kunnen corrigeren
Predictiemodel  welke determinanten verklaren de variantie in Y het beste? (blok 4)
 Gericht om zo goed mogelijk de uitkomst te voorspellen. Vaak gebruik je meerdere
determinanten om de variantie in de uitkomst te kunnen voorspellen.


Regressievergelijkingen:
 Bivariate lineaire regressie: (regressie met een determinant)



 Multiple lineaire regressie:




3