Звітування про результати логістичної регресії

У мене є такий результат регресії логістики:

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)   0.5716     0.1734   3.297 0.000978 ***
R1           -0.4662     0.2183  -2.136 0.032697 *  
R2           -0.5270     0.2590  -2.035 0.041898 *  

Чи доцільно повідомити про це наступним чином:

Бета-коефіцієнт, коефіцієнт коефіцієнта, значення Zvalue, P. Якщо так, то як я можу отримати коефіцієнт коефіцієнта?

Пропоновані вами звіти для таблиці виглядають розумними, хоча значення z та p-значення є зайвими. У багатьох знайомих мені журналах взагалі не повідомляється z-value / p-value, а лише використовуються зірочки для повідомлення статистичної значущості. Я також бачив логістичні таблиці лише з наведеними коефіцієнтами непарності, хоча я особисто віддаю перевагу як коефіцієнтам коефіцієнта журналу, так і коефіцієнтам шансів, якщо простір дозволяє в таблиці.

Але різні місця можуть мати різні посібники щодо процедур звітування, тому очікуване може відрізнятися. Якщо я надсилаю газету до журналу, я часто бачу, як інші недавні газети складають свої таблиці і просто імітують їх. Якщо це ваш власний особистий папір, запитання до того, хто може переглядати, було б розумним проханням. Як я вже згадував вище, обмеження місця в деяких майданчиках може заважати вам повідомляти в кінцевому підсумку зайву інформацію (наприклад, як коефіцієнт коефіцієнта журналу та коефіцієнт шансів). Деякі місця можуть змусити вас повідомляти результати повністю у тексті!

Існує також питання про те, які ще зразки моделей потрібно звітувати. Хоча в багатьох журналах, з якими я знайомий, часто повідомляються про значення псевдо , ось на сайті розміщена тема, в якій обговорюються слабкі сторони різних заходів. Я особисто вважаю за краще звітувати про класифікаційні тарифи, але, знову ж таки, підозрюю, що це змінюється залежно від місця (я можу уявити, що деякі журнали спеціально вимагають повідомити про один із псевдозалежних заходів ).R $R^2$$R^2$

Для отримання коефіцієнта непарності просто експонентуйте коефіцієнт регресії (тобто візьміть де основа природного логарифму, а - розрахунковий коефіцієнт логістичної регресії.) Хороша здогадка будь-якою статистичною мовою для її обчислення . е $e^{\hat{\beta}}$$e$$\hat{\beta}$exp(coefficient)

Також на замітку, хоча це сьогодні прийнята відповідь, Лейон і Френк Гаррелл дають дуже корисні поради. Хоча, як правило, завжди хочеться, щоб статистичні дані у запитанні десь були подані, інші відповіді на поради щодо інших заходів є корисними способами оцінки розмірів ефекту щодо інших оцінених ефектів у моделі. Графічні процедури також корисні для вивчення відносних розмірів ефектів і див. Ці два документи про перетворення таблиць у графіки як приклади ( Kastellec & Leoni, 2007 ; Gelman et al., 2002 )

Відповідь на це питання може залежати від вашого дисциплінарного походження.

Ось деякі загальні міркування.

Бета-версію в логістичній регресії досить важко інтерпретувати безпосередньо. Таким чином, явне повідомлення про них є лише дуже обмеженим. Ви повинні дотримуватися коефіцієнтів шансів або навіть граничних ефектів. Граничний ефект змінної x є похідною від ймовірності того, що ваші залежні змінні рівні 1, відносно x. Цей спосіб представлення результатів дуже популярний серед економістів. Особисто я вважаю, що граничні наслідки миряни легше розуміють (але не лише вони ...), ніж коефіцієнти шансів.

Ще одна цікава можливість - використання графічних дисплеїв. Місце, де ви знайдете кілька ілюстрацій такого підходу, - це книга Гельмана та Хілла . Я вважаю це навіть кращим, ніж повідомлення про граничні ефекти.

Щодо питання про те, як отримати коефіцієнт шансів, ось як це зробити в R:

model <- glm(y ~ x1 + x2, family=binomial("logit"))
oddrat <- exp(coef(model))

Це лише в окремих випадках, коли коефіцієнти та їх анти-журнали (коефіцієнти шансів) є хорошими підсумками. Це коли лінійні зв’язки лінійні і є один коефіцієнт, пов'язаний з предиктором, і коли зміна однієї одиниці є хорошою основою для обчислення коефіцієнта шансів (більше ОК для віку, не стільки для показників білої крові, що мають діапазон 500-100 000). Взагалі, корисні речі, такі як коефіцієнт шансів між квартальним діапазоном. Детальніше про це я маю на http://biostat.mc.vanderbilt.edu/wiki/pub/Main/RmS/rms.pdf, і rmsпакет R робить це все автоматично (обробка нелінійних термінів та взаємодій, обчислення квартілів X, тощо).

Це, мабуть, залежить від вашої аудиторії та дисципліни. Відповідь нижче - те, що зазвичай робиться для журналів епідеміології та в меншій мірі медичних журналів.

Щоб бути тупими, нас не хвилює значення p. Якщо серйозно, ми цього не робимо. Епідеміологія навіть не дозволить вам повідомити про них, якщо у вас є справді, дуже гостра потреба, і поле по суті слідує відповідності.

Ми можемо навіть не перейматися бета-оцінками, залежно від питання. Якщо ваш звіт орієнтований на щось більш методологічне чи імітаційне, я б, мабуть, повідомив про бета-оцінку та стандартну помилку. Якщо ви намагаєтеся повідомити про ефект, який оцінюється в чисельності населення, я б дотримувався коефіцієнта шансів і 95% довірчого інтервалу. Це м'ясо вашої оцінки, і що читачі в цій галузі будуть шукати.

Вище були розміщені відповіді про те, як отримати коефіцієнт шансів, але для ІЛИ та 95% ІС:

OR = exp(beta)
95% CI = exp(beta +/- 1.96*std error)