R'de Lojistik Regresyon (Oran Oranı)

İçinde lojistik bir regresyon analizi yapmaya çalışıyorum R. STATA kullanarak bu materyali kapsayan derslere katıldım. İçinde işlevselliği çoğaltmak çok zor buluyorum R. Bu alanda olgunlaşmış mu? Çok az dokümantasyon veya rehberlik mevcut gibi görünüyor. Olasılık oranı çıktısı üretmek , hiçbiri çalışamadığım, eskimiş veya belge eksikliği olan kurulum epicalcve / veya epitoolsve / veya diğerleri gerektiriyor . Ben glmlojistik regresyon yaptım. Herhangi bir öneriniz memnuniyetle karşılanacaktır.

Bunu gerçek bir soru yapsam iyi olur. Lojistik bir regresyonda nasıl çalışabilir ve oran oranlarını nasıl yükseltirim R?

Tek değişkenli bir analiz için yaptığım şey:

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

Ve çok değişkenli için:

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

Sonra baktım x, y, summary(x)ve summary(y).

Mı x$coefficientsherhangi değerin?

Tahmini etkileri göreli oran oranları olarak yorumlamak istiyorsanız, sadece exp(coef(x))( verir , oranındaki çarpımsal değişiklik, eğer ile ilişkili ortak değişken 1 artarsa). Bu miktar için profil olabilirlik aralıkları için, y = 1 $e^\beta$$y=1$$\beta$

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

EDIT: @caracal daha hızlıydı ...

R'nin çıktısının genellikle yalnızca temel bilgileri içerdiğini ve daha fazla hesaplamanın da yapılması gerektiği konusunda haklısınız.

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()Size tahmini regresyon parametrelerini verir . Ancak yorumlaması daha kolaydır hariç). e x p ( b j$b_{j}$$exp(b_{j})$

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

Olasılık oranını elde etmek için, ilk ikioton DV'in sınıflandırma çapraz tablosuna ve ilk olarak seçilmesi gereken bazı olasılık eşiğine göre öngörülen sınıflandırmaya ihtiyacımız var. Ayrıca ClassLog()paketi paket içinde görebilirsiniz QuantPsyc( ilgili soruda belirtilen chl ).

# 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

Oran oranı için, paketi kullanabilir vcdveya hesaplamayı manuel olarak yapabilirsiniz.

> 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 ***

UCLA istatistik sayfası vardır güzel bir Tarih gözden geçirme Bu ihtimaller oranlarının hesaplanmasına ilgili kısa bir bölümü içerir R. içinde lojistik regresyon gerçekleştirme.

EpiDisplay paketi bunu çok kolay bir şekilde yapar.

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