Molbiol.ru | О проекте | Справочник | Методы | Растворы | Расчёты | Литература | Орг.вопросы Web | Фирмы | Coffee break | Картинки | Работы и услуги | Биржа труда | Zbio-wiki NG SEQUENCING · ЖИЗНЬ РАСТЕНИЙ · БИОХИМИЯ · ГОРОДСКИЕ КОМАРЫ · А.А.ЛЮБИЩЕВ · ЗООМУЗЕЙ Темы за 24 часа [ Вход* | Регистрация* ] Форум: | |
Statin Постоянный участник |
Несколько раз встречал в статьях нетрадиционное использование метода логистической регрессии, с его помощью оценивали уровень р статистический различий между выборками. Как-то даже проскальзывало, что такое использование имеет преимущество перед Стьюдентом и Вилкоксоном, поскольку не нужна проверка нормальности распределения. Может кто-нибудь прояснить правомочность или неправомочность такой нетрадиционной ориентации логистической регрессии , желательно со ссылками. Заранее спасибо |
Esya Постоянный участник PA, USA |
из того, что я поняла вытекает, что существование систематических изменений делает более достоверными измерения в одной точке, и с этим трудно спорить |
Statin Постоянный участник |
Я вот как-то так понял. Это правомочно? |
Den-N Постоянный участник |
(Statin @ 27.02.2014 14:27) Уважаемы форумчане. Несколько раз встречал в статьях нетрадиционное использование метода логистической регрессии, с его помощью оценивали уровень р статистический различий между выборками. Как-то даже проскальзывало, что такое использование имеет преимущество перед Стьюдентом и Вилкоксоном, поскольку не нужна проверка нормальности распределения. Может кто-нибудь прояснить правомочность или неправомочность такой нетрадиционной ориентации логистической регрессии , желательно со ссылками. Заранее спасибо Для некоторых задач такой способ действительно имеет преимущества. Здесь важно определиться, что в исследовании и анализе является зависимой переменной, а что независимой. Различия сходу могут показаться размытыми, но они есть, нужно просто порассуждать, что именно нас интересует и как собирались данные. Если зависимой переменной является количественный показатель, а независимой (фактором) – качественный бинарный, то для сравнения 2х групп следует использовать классическую схему с критерием Стьюдента и его непараметрическими эквивалентами. Большинство исследований с экспериментальной и контрольной группой попадают именно в эту категорию, т.е логистическая регрессия - не альтернатива им, она для другого. Если зависимой переменной является качественный бинарный признак, а независимым – количественный показатель, то следует использовать логистическую регрессию или пробит-анализ. Традиционно эти анализы использовались в токсикологии и радиобиологии, где наступление качественного события (гибель, мутация и т.п.) зависело от количественного показателя (концентрация, доза), тогда как в других областях биологии и медицины для аналогичных случаев использовалась схема как-бы "Стьюдента наоборот". Т.е. например, группа умерших и выживших пациентов сравнивалась по количественным показателям и те, по которым обнаруживались статистически значимые различия объявлялись предикторами или индикаторами летальности. Сейчас в этих случаях всё чаще применяют логистическую регрессию; т.е. это – не столько нетрадиционное её использование, сколько её применение именно по назначению: для моделирования и прогноза качественного альтернативного показателя. Это даёт следующие преимущества. 1). Не нарушется логика. Зависимый бинарный признак выступает в анализе именно в качестве зависимого. Например, наличие/отсутствие заболеваний сердечно-сосудистой системы от уровня холестерина. Не нужно сравнивать группы "есть" и "нет" по уровню холестерина Стьюдентом или Вилкоксоном-Манном-Уитни, логичнее и грамотнее строить регрессию. 2). Модель на основе логистической регрессии позволяет напрямую прогнозировать вероятность исхода, причём в каждом конкретном случае, что так популяризировало этот анализ в медицине при её переходе на доказательные рельсы. Несмотря на то, что объекты с р=0,6 и р=0,99 попадают в "группу риска", ясно, что при высокой диагностической эффективности модели при р=0,99 этот риск - практически приговор и случай требует особого внимания. 3). Модель логистической регрессии позволяет легко и естественно включать всякие вмешивающиеся (confounding) неподконтрольные исследователю факторы, по которым группы с разным исходом могут отличаться (множественная логистическая регрессия), причём как количественные, так и качественные. При этом оценки всех показателей в регрессионной модели получаются согласованными (adjusted), т.е. "очищенными" от взаимных влияний. Также простым потенцированием они конвертируются в легко интерпретируемые отношения шансов (Odds Ratio, OR). Литературу быстро не посоветую, посмотрите на форуме
|
guest: great IP-штамп: frj5GEfdEWR5M гость |
|
kubeo88 Постоянный участник |
|
phamyen |
|
palata3224 |
|
guest: 123 IP-штамп: frJhOCvSv9ICE гость |
|
guest: 123 IP-штамп: frXqkB4MpP2jQ гость |
|
guest: 123 IP-штамп: frpYd0YygcNIA гость |
|
guest: 123 IP-штамп: frAWeMdOsBSXM гость |
|
« Предыдущая тема · Биофизика и матметоды в биологии · Следующая тема » |