Förstå utdata från logistisk regression

Generaliserade linjära modeller i R

Richard Erickson

Instructor

Kommunicera resultat från logistisk regression?

Linjär regression är enkel:
- Addera intercept
- Multiplicera lutningar
Poissonregression:
- Kräver exponentiell transformation
- Liknar linjär regression efter transformation
Logistisk regression???

Ojämt mynt:
- Jämför krona och klave
- Krona 3 gånger för varje klave
- 3-till-1 odds
- Oddskvot 3,0
Vanligt inom sport och spel
Medicinska studier

Log-odds ("logit"):

$\phi(x) = \text{ln}(\frac{p(x)}{1 - p(x)}) = \beta_0 + \beta_1 x$

Odds, ta exponentialen ($e^{x}$):

$\frac{p(x)}{1 - p(x)} = e^{\beta_0 + \beta_1x}$

Oddskvot (OR) för kontinuerlig variabel:

$\text{OR} = \frac{e^{\beta_0 + \beta_1(x +1)}}{e^{\beta_0 + \beta_1x}} = e^{\beta_1}$

OR-värden:

Icke-rökande vs rökande män (Pesch m.fl. 2012)

OR: 103,5 (95% KI 74,8–143,2)
$>$ 100-till-1 odds att drabbas av cancer för rökande män!
Medicinsk litteratur rapporterar ofta 95% konfidensintervall i stället för p-värden
Bredare trend bort från p-värden

glm_out <- glm(y ~ x, family = 'binomial')

coef(glm_out)

exp(coef(glm_out))

confint(glm_out)

exp(confint(glm_out))

library(broom)

glm_out <- glm(y ~ x, family = 'binomial')

tidy(glm_out, exponentiate = TRUE, conf.int= TRUE)

Generaliserade linjära modeller i R