งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

แนวทางการนำเสนอข้อมูลจากการ วิเคราะห์ โดยใช้ Logistic Regression ( ตัวอย่าง Case-control study กรณีมีวัตถุประสงค์ เพื่อหาปัจจัยเสี่ยง ) นำเสนอข้อมูล Measure.

งานนำเสนอที่คล้ายกัน


งานนำเสนอเรื่อง: "แนวทางการนำเสนอข้อมูลจากการ วิเคราะห์ โดยใช้ Logistic Regression ( ตัวอย่าง Case-control study กรณีมีวัตถุประสงค์ เพื่อหาปัจจัยเสี่ยง ) นำเสนอข้อมูล Measure."— ใบสำเนางานนำเสนอ:

1 แนวทางการนำเสนอข้อมูลจากการ วิเคราะห์ โดยใช้ Logistic Regression ( ตัวอย่าง Case-control study กรณีมีวัตถุประสงค์ เพื่อหาปัจจัยเสี่ยง ) นำเสนอข้อมูล Measure of association ( มิใช่ค่า Coefficient) ดังตารางหุ่นต่อไปนี้ ปัจจัย Case Control OR (95%CI) 1. 2. 3.... (n=....) (Adjusted)(Unadjusted) %%% %%%

2 ตัวอย่าง การนำเสนอข้อมูลจากการวิเคราะห์โดยใช้ Logistic Regression “... สมการการถดถอยลอจีสติค แสดงความสัมพันธ์ระหว่างการสูบบุหรี่ กับ การป่วย ด้วยโรคหัวใจโคโรนารี่ โดยควบคุมผลของอายุ และ เพศ เป็น ดังนี้ Logit P(X) = 1.421 + 1.609SMK + 0.095SEX + 0.301AGE ผู้สูบบุหรี่ มีความเสี่ยงต่อการป่วยด้วยโรคหัวใจโคโรนารี่เป็น 5 เท่าของผู้ไม่สูบ บุหรี่ (95%CI.OR: 2.1 ถึง 11.7) พบว่า เพศ และ อายุ มีความสัมพันธ์กับ การป่วยด้วยโรคหัวใจโคโรนารี่ โดย... ( ตารางที่ 1)” ตารางที่ 1 Adjusted Odds Ratio แสดงความสัมพันธ์ระหว่างการสูบบุหรี่ กับ การ ป่วย ด้วยโรคหัวใจโคโรนารี่ ปัจจัย Case Control OR(95%CI) 1. การสูบบุหรี่ - สูบ 80.7% 30.0% 9.7(5.5 ถึง 17.3) 5(2.1 ถึง 11.7) - ไม่สูบ 19.3% 70.0% 2. เพศ - ชาย 73.3% 63.3% 1.6(1.0 ถึง 2.7) 1.1(0.8 ถึง 3.7) - หญิง 36.7% 33.7%............... (n = 150) (Adjusted)(Unadjusted)

3 95% Confidence Interval (95% CI. OR.) บอก Precision ของ OR และ บอกว่าปัจจัยนั้นเป็น Significant risk factor หรือไม่ ตัวอย่าง Lower Limit Estimated OR. Upper Limit การศึกษา ก. การศึกษา ข. การศึกษา ค. 0 1+  ค่าความไม่แตกต่าง (Null value) แปลความหมาย : แม้ทุกการศึกษา จะได้ค่า OR เท่ากัน  การศึกษา ข. มี Precision มากที่สุดน่าเชื่อถือ มากที่สุด  ทั้ง ก. และ ข. บ่งชี้ว่าปัจจัยที่ศึกษามีความสัมพันธ์กับตัวแปรตามอย่างมี นัยสำคัญทางสถิติ  การศึกษา ค. มี Precision ต่ำสุด และยังได้ข้อสรุปว่า ปัจจัยที่ศึกษามี ความสัมพันธ์กับตัวแปรตาม อย่างไม่มีนัยสำคัญทางสถิติ และยังทราบว่า การศึกษาครั้งนี้มีขนาดตัวอย่าง (Sample Size) ไม่เพียงพอ

4 สูตรทั่วไป ค่าคะแนนมาตรฐาน จากการแจกแจงปกติ ค่าที่ใช้คำนวณ OR. กล่าวคือ EXP( L ) = OR. Standard error ของ L เมื่อกำหนดให้  = 0.05 เขียนสูตรได้ดังนี้ :- L หามาได้จากการหาค่า OR. ดังนี้ :- จาก OR.=EXP[ b i (X 1i - X 0i )] แทนค่า [ b i (X 1i - X 0i )]=L ดังนั้น OR.=EXP(L) ค่าความคลาดเคลื่อน การประมาณค่า

5 การประมาณค่าช่วงเชื่อมั่น กรณีไม่มี Interaction term ด้วย OR = EXP (b) ดังนั้น 95% CI OR = ตัวอย่าง :- ผลจาก Computer print out ได้ดังนี้ Variable1 Coefficient SE Chisq p Constant -6.7727 1.1401 35.29 0.0000 SMK 0.5976 0.3520 2.88 0.0896 ECG 0.0322 0.0152 4.51 0.0337 CHL 0.0087 0.0033 7.17 0.0074 HPT 0.3695 0.2936 1.58 0.2083 ได้จาก Computer Print out } OR SMK = e 0.5976 = 1.82 95% CI OR SMK = e [0.5976+1.96(0.3520)] = e (-0.09,1.29) = 0.91, 3.63

6 Lower Limit Estimated OR. Upper Limit ช่วงความเชื่อมั่นคร่อมค่า 1 Non Significant ( ค่า p-value มากกว่า 0.05) ใน print out ได้ค่า p-value = 0.0896 ควรเขียนในรายงานเป็น p- value = 0.09 OR SMK = 1.82 95% CI. OR SMK = 0.91, 3.63 Null value 01234

7 การประมาณค่าช่วงความเชื่อมั่น กรณีมี Interaction เมื่อ CHL = 200, OR SMK = 26.1 Variable Coefficient SE Chisq p SMK 2.6809 3.1042 16.69 0.0000 ECG 0.0349 0.0161 4.69 0.0303 CHL -0.0065 0.3278 1.25 0.2635 HPT 1.0468 0.3316 9.96 0.0016 SMK*CHL 0.0029 0.7422 9.85 0.0417 Constant -4.0474 1.2549 10.40 0.0013 Logistic Regression Model ผลจาก คอมพิวเตอร์ L = b SMK + b SMK*CHL CHL ( ในที่นี้ สนใจศึกษาเฉพาะผู้ที่มีระดับโคเลสเตอร์รอล 200 มล. จึงระบุค่า ของ CHL = 200 ) OR.= EXP[2.6809 + (0.0029 x200)] = EXP(3.2609) = 26.1 ขั้นที่ 1. คำนวณค่า OR. จากสูตรทั่วไป OR = e L และ OR. ที่ปรับค่าผลกระทบจากผล ECG และ HPT เรียบร้อยแล้ว

8 Var(L) = var (b SMK ) + 2(200)cov(b SMK,b SMKxCHL )+(200) 2 var(b SMKxCHL ) = 1.7619 + 2(200)(-11.014) + (200) 2 (0.1101) = 0.1619 95% CI OR SMK = EXP(3.2609 1.96 ( ) = 11.85, 57.37 ขั้นที่ 2. คำนวณช่วงความเชื่อมั่น ของ OR. SMK ECG CHL HPT SMKxCHL Constant SMK 1.7619 ECG 0.2849 9.5361 CHL -0.0140 -0.3278 0.0003 HPT 0.1468 0.3316 0.9631 0.1075 SMKxCHL -11.014 -0.7422 1.9878 - 0.6717 0.1101 Constant 0.4474 0.2549 0.4056 0.8673 0.9104 1.3570 Variance-Covariace Matrix ผลจาก คอมพิวเตอร์ เมื่อ CHL = 200, OR SMK = 26.1 (95%CI.OR ; 11.85 ถึง 57.37)

9 ตัวอย่างสูตรสำหรับคำนวณค่า Var(L ) ในแต่ละ Model กรณี X 1 เป็น Dichotomous (1,0) Model: Logit P(X) = a + b 1 X 1 + b 2 X 2 + b 3 X 1 X 2 เมื่อ L = b 1 X 1 + b 3 (X 1 X 2 ) Var (L) = Var(b 1 ) + (X 2 ) 2 var(b 3 ) + 2(X 2 )cov(b 1,b 3 ) Model: Logit P(X) = a + b 1 X 1 + b 2 X 2 + b 3 X 3 + b 4 X 1 X 2 + b 5 X 1 X 3 เมื่อ L = b 1 X 1 + b 4 X 1 X 2 + b 5 X 1 X 3 Var (L) = Var(b 1 ) + (X 2 ) 2 var(b 4 ) + (X 3 ) 2 var(b 5 ) + 2X 2 cov(b 1,b 4 ) + 2X 3 cov(b 1,b 5 ) + 2X 2 X 3 Cov (b 4,b 5 ) ( ศึกษารายละเอียดใน Kleinbaum, 1994. หน้า 141 - 144)


ดาวน์โหลด ppt แนวทางการนำเสนอข้อมูลจากการ วิเคราะห์ โดยใช้ Logistic Regression ( ตัวอย่าง Case-control study กรณีมีวัตถุประสงค์ เพื่อหาปัจจัยเสี่ยง ) นำเสนอข้อมูล Measure.

งานนำเสนอที่คล้ายกัน


Ads by Google