ดาวน์โหลดงานนำเสนอ
งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ
1
แนวทางการนำเสนอข้อมูลจากการวิเคราะห์ โดยใช้ Logistic Regression
(ตัวอย่าง Case-control study กรณีมีวัตถุประสงค์เพื่อหาปัจจัยเสี่ยง) นำเสนอข้อมูล Measure of association (มิใช่ค่า Coefficient) ดังตารางหุ่นต่อไปนี้ ปัจจัย Case Control OR (95%CI) 1. 2. 3. ... (n=....) (Adjusted) (Unadjusted) % %
2
การนำเสนอข้อมูลจากการวิเคราะห์โดยใช้ Logistic Regression
ตัวอย่าง การนำเสนอข้อมูลจากการวิเคราะห์โดยใช้ Logistic Regression “...สมการการถดถอยลอจีสติค แสดงความสัมพันธ์ระหว่างการสูบบุหรี่ กับ การป่วย ด้วยโรคหัวใจโคโรนารี่ โดยควบคุมผลของอายุ และ เพศ เป็น ดังนี้ Logit P(X) = SMK SEX AGE ผู้สูบบุหรี่ มีความเสี่ยงต่อการป่วยด้วยโรคหัวใจโคโรนารี่เป็น 5 เท่าของผู้ไม่สูบบุหรี่(95%CI.OR: 2.1 ถึง 11.7) พบว่า เพศ และ อายุ มีความสัมพันธ์กับ การป่วยด้วยโรคหัวใจโคโรนารี่ โดย ... (ตารางที่ 1)” ตารางที่ 1 Adjusted Odds Ratio แสดงความสัมพันธ์ระหว่างการสูบบุหรี่ กับ การป่วย ด้วยโรคหัวใจโคโรนารี่ ปัจจัย Case Control OR(95%CI) 1. การสูบบุหรี่ - สูบ % % (5.5 ถึง 17.3) 5(2.1 ถึง 11.7) - ไม่สูบ % % 2. เพศ - ชาย % % (1.0 ถึง 2.7) (0.8 ถึง 3.7) - หญิง % % (n = 150) (n = 150) (Unadjusted) (Adjusted)
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. a ค่าความไม่แตกต่าง (Null value) แปลความหมาย: แม้ทุกการศึกษา จะได้ค่า OR เท่ากัน การศึกษา ข. มี Precision มากที่สุดน่าเชื่อถือ มากที่สุด ทั้ง ก. และ ข. บ่งชี้ว่าปัจจัยที่ศึกษามีความสัมพันธ์กับตัวแปรตามอย่างมีนัยสำคัญทางสถิติ การศึกษา ค. มี Precision ต่ำสุด และยังได้ข้อสรุปว่า ปัจจัยที่ศึกษามีความสัมพันธ์กับตัวแปรตาม อย่างไม่มีนัยสำคัญทางสถิติ และยังทราบว่า การศึกษาครั้งนี้มีขนาดตัวอย่าง (Sample Size) ไม่เพียงพอ
4
สูตรทั่วไป L หามาได้จากการหาค่า OR. ดังนี้:- ดังนั้น OR. = EXP(L)
ค่าความคลาดเคลื่อน การประมาณค่า ค่าที่ใช้คำนวณ OR. กล่าวคือ EXP(L) = OR. ค่าคะแนนมาตรฐาน จากการแจกแจงปกติ Standard error ของ L เมื่อกำหนดให้ a = เขียนสูตรได้ดังนี้:- L หามาได้จากการหาค่า OR. ดังนี้:- จาก OR. = EXP[ bi(X1i - X0i)] แทนค่า [ bi(X1i - X0i)] = L ดังนั้น OR. = EXP(L)
5
การประมาณค่าช่วงเชื่อมั่น กรณีไม่มี Interaction term
ด้วย OR = EXP (b) ดังนั้น 95% CI OR = ตัวอย่าง :- ผลจาก Computer print out ได้ดังนี้ Variable Coefficient SE Chisq p Constant SMK ECG CHL HPT } ได้จาก Computer Print out ORSMK = e = 1.82 95% CI ORSMK = e[ (0.3520)] = e(-0.09,1.29) = 0.91, 3.63
6
ช่วงความเชื่อมั่นคร่อมค่า 1 Non Significant (ค่า p-value มากกว่า 0.05)
ORSMK = 1.82 95% CI. ORSMK = 0.91, 3.63 Lower Limit Estimated OR Upper Limit ช่วงความเชื่อมั่นคร่อมค่า 1 Non Significant (ค่า p-value มากกว่า 0.05) ใน print out ได้ค่า p-value = ควรเขียนในรายงานเป็น p-value = 0.09 1 2 3 4 Null value
7
การประมาณค่าช่วงความเชื่อมั่น กรณีมี Interaction
Variable Coefficient SE Chisq p SMK ECG CHL HPT SMK*CHL Constant Logistic Regression Model ผลจากคอมพิวเตอร์ ขั้นที่ 1. คำนวณค่า OR. จากสูตรทั่วไป OR = eL และ L = bSMK + bSMK*CHLCHL (ในที่นี้ สนใจศึกษาเฉพาะผู้ที่มีระดับโคเลสเตอร์รอล 200 มล. จึงระบุค่าของ CHL = 200) OR. = EXP[ ( x200)] = EXP(3.2609) = เมื่อ CHL = 200 , ORSMK = 26.1 OR.ที่ปรับค่าผลกระทบจากผลECG และ HPT เรียบร้อยแล้ว
8
ขั้นที่ 2. คำนวณช่วงความเชื่อมั่น ของ OR.
SMK ECG CHL HPT SMKxCHL Constant SMK ECG CHL HPT SMKxCHL Constant Variance-Covariace Matrix ผลจากคอมพิวเตอร์ Var(L) = var (bSMK) + 2(200)cov(bSMK ,bSMKxCHL)+(200)2var(bSMKxCHL) = (200)( ) + (200)2(0.1101) = 95% CI ORSMK = EXP( ( ) = , 57.37 เมื่อ CHL = 200 , ORSMK = (95%CI.OR ; ถึง 57.37)
9
ตัวอย่างสูตรสำหรับคำนวณค่า Var(L ) ในแต่ละ Model
กรณี X1เป็น Dichotomous (1,0) Model: Logit P(X) = a + b1X1 + b2X2 + b3X1X2 เมื่อ L = b1X1 + b3(X1X2) Var (L) = Var(b1) + (X2)2var(b3) + 2(X2)cov(b1,b3) Model: Logit P(X) = a + b1X1 + b2X2 + b3X3 + b4X1X2 + b5X1X3 เมื่อ L = b1 X1 + b4X1X2 + b5X1X3 Var (L) = Var(b1) + (X2)2var(b4) + (X3)2var(b5) + 2X2cov(b1,b4) + 2X3cov(b1,b5) + 2X2X3Cov (b4,b5) (ศึกษารายละเอียดใน Kleinbaum, หน้า )
งานนำเสนอที่คล้ายกัน
