Regressiemodellen
Uw type uitkomst bepaalt het model. Uw vraag bepaalt de covariaten.
Elk model hieronder beantwoordt dezelfde vraag: hoe verandert de uitkomst met elke factor, bij gelijkblijvende overige factoren? Ze verschillen in het soort uitkomst dat ze aankunnen, en dus in wat de coëfficiënt betekent.
| Uitkomst | Model | U rapporteert | In R |
|---|---|---|---|
| Continu Bloeddruk, HbA1c, opnameduur | Linear regression | Verschil in gemiddelden per eenheid / ten opzichte van referentie | lm() |
| Continu Bloeddruk, HbA1c, opnameduur | ANCOVA (adjusting for baseline) | Gecorrigeerd verschil in gemiddelden | lm() |
| Continu Bloeddruk, HbA1c, opnameduur | Two-way ANOVA | Verschillen in gemiddelden, en de interactie | lm() / aov() |
| Binair Overlijden, complicatie, heropname | Conditional logistic regression | Odds ratio | survival::clogit() |
| Binair Overlijden, complicatie, heropname | Log-binomial regression | Prevalentieratio of risicoratio | glm(family = binomial(link = "log")) |
| Binair Overlijden, complicatie, heropname | Logistic regression | Odds ratio | glm(family = binomial) |
| Categorisch Bloedgroep, andere categorieën zonder volgorde | Multinomial logistic regression | Odds ratio per categorie ten opzichte van een referentiecategorie | nnet::multinom() |
| Tijd tot gebeurtenis Overleving, recidief, tijd tot ontslag | Cox proportional hazards regression | Hazard ratio | survival::coxph() |
| Tijd tot gebeurtenis Overleving, recidief, tijd tot ontslag | Competing risks: cumulative incidence and Fine-Gray | Subdistributie-hazard ratio; cumulatieve incidentie | tidycmprsk::crr() |
| Tellingen en snelheden Exacerbaties, opnames per jaar | Poisson and negative binomial regression | Rate ratio | MASS::glm.nb() |
| Ordinaal mRS, pijnscores, Likert-items | Proportional odds (ordinal logistic) regression | Gemeenschappelijke odds ratio | ordinal::clm() |
| Elk van bovenstaande, herhaald gemeten bezoeken, afdelingen, ziekenhuizen | Linear mixed model of GEE and mixed-effects logistic regression | Zoals hierboven | lme4::lmer() / lme4::glmer() / geepack::geeglm() |
Covariaten kiezen
- Beslis voordat u naar de gegevens kijkt, op basis van wat wat veroorzaakt.
- Teken het als diagram (een DAG) en corrigeer voor confounders.
- Corrigeer niet voor zaken op het causale pad, zoals een mediator.
- Bij binaire en overlevingsuitkomsten bepaalt het aantal events hoeveel covariaten u kunt opnemen, niet het aantal patiënten.
De uitvoer lezen
- Een coëfficiënt is het effect van die factor bij gelijkblijvende overige factoren.
- Een odds ratio van 2 verdubbelt de odds, niet het risico. Bij vaak voorkomende uitkomsten verschillen die twee sterk.
- Een hazard ratio gaat over de snelheid van events in de tijd, niet over het uiteindelijke aandeel.
- Geef altijd het 95%-betrouwbaarheidsinterval naast de schatting.
Vermijd het selecteren van variabelen stapsgewijs of op p-waarde
Het neigt naar overfitting, vertekent de schattingen en maakt betrouwbaarheidsintervallen te smal. Kies variabelen vooraf, bijvoorbeeld met een causaal diagram (DAG).
GEAVANCEERD
Voorbij de standaardmodellen
Copula’s voor afhankelijkheid tussen twee uitkomsten, gezamenlijke modellen voor een biomarker en overleving samen, concurrerende risico’s in de diepte en Bayesiaanse analyse. Uitgelegd, met een duidelijke aanwijzing wanneer u een statisticus erbij haalt.
Lees het overzicht- Copula’s
- Gezamenlijke modellen
- Concurrerende risico’s
- Bayesiaanse analyse