Oletetaan, että sinulla harkita vaikutus riskitekijä aika tapahtumasta. Esimerkiksi, Arnlov et al (2010) pitävät vaikutusta body mass index (BMI) ja metabolinen oireyhtymä kehitystä sydän-ja verisuonitautien ja kuoleman keski-ikäiset miehet. Yhdistysten tutkittiin käyttämällä tietoja kohortti tutkimus 1758 keski-ikäinen ruotsin miehet asuvat yksi maakunta, jolla on yli 30 vuoden seuranta., Alla oleva kuva kuvaa aikaa merkittävään sydän-ja verisuonitapahtumaan BMI-luokan ja metabolisen oireyhtymän (B) tai puuttumisen (A) mukaan. Onko näissä selviytymiskäyrissä eroa?
(Luvut toistettu Arnlov, J et al., Painoindeksin ja metabolisen oireyhtymän vaikutus sydän-ja verisuonitautien ja kuoleman riskiin keski-ikäisillä miehillä. Levikki 2010; 121; 230-236, julkaistu alun perin verkossa 12/28/2009; DOI 10.1161/CIRCULATIONAHA.109. 88752)
merkittävän sydän-ja verisuonitapahtuman esiintyminen on binäärivaste. Olisiko logistinen regressio, jossa BMI on prediktorimuuttuja, sopiva analysoimaan näitä tietoja?,
Vastaus
suhde läsnäolo tai puuttuminen on merkittävä sydän-tapahtuma ja ennustaja muuttuja voidaan arvioida logistinen regressio tiettyyn aikaan, mutta tämä ei suoraan verrata selviytyminen käyrät. Selviytymisanalyysissä käyriä verrattaisiin ajan perusteella tapahtumaan.
Selviytyminen-analyysin menetelmiä, kuten suhteellinen vaaran regressio eroaa logistinen regressio arvioimalla määrä sen sijaan suhteessa.,
Logistinen regressio sen sijaan katsoo, osuus uutta tapausta, joka kehittää tiettynä ajanjaksona, eli kumulatiivinen ilmaantuvuus., Logistinen regressio arvioi kerroinsuhteen; suhteellinen vaarojen regressio arvioi riskisuhteen.
suhde vaaran toiminnot voidaan pitää suhteessa riskin toimintoja, joten suhteellisen vaaran regressiomalli voidaan pitää funktiona suhteellinen riski (vaikka logistinen regressio malleja ovat funktio odds ratio). Kovariaatin muutoksilla on kerrannaisvaikutus lähtötilanteen riskiin. Malli vaaratekijän toiminto hetkellä t on:
\(\lambda \left ( t|X_{1i},X_{2i},…,X_{Ki} \right )=\lambda_{0} (t)exp\left ( \beta_{1}X_{1i}+\beta_{2}X_{2i}+…,+\beta_{K}X_{Ki} \right )\)
Vaikka mitään erityistä todennäköisyys malli on valittu edustamaan selviytymisen kertaa, suhteellisen vaaran regressio ei ole tärkeä oletus: vaaran tahansa yksittäisen on kiinteä osa vaaraa muulle. (eli suhteelliset vaarat)., Huomaa, jos \(\lambda_0 (t)\) on vaara-toiminto aihe, jossa kaikki ennustaja-arvot nolla ja \(\lambda_1 (t)\) on vaara-toiminto aihe, jossa muut arvot ennustaja muuttujat, sitten riskisuhde riippuu vain ennustaja muuttujat ja ei ole aikaa t. Tämä oletus tarkoittaa sitä, että jos a kovariaatin kaksinkertaistaa riskin tapahtuman ensimmäisenä päivänä, se myös kaksinkertaistaa riskin tapahtuma tahansa muu päivä.,
Suhteellinen vaarat malleja voidaan käyttää diskreetti tai jatkuva toimenpiteitä tapahtuma-aika ja voi sisällyttää aika-riippuvien muuttujien (muuttujien, joiden arvot, jotka voivat muutos seuranta-aikana). Suhteellista vaarojen regressiota käyttäen voidaan tuottaa kovariaattitasoitettuja vaara – (tai riskisuhteita) – suhdelukuja.
palataan alkuperäiseen kysymykseen, jonka Arnlov ja työtovereiden-tee BMI ja metabolinen oireyhtymä vaikuttaa kehitystä sydän-ja verisuonitautien? Lue Arnlov et al., Vaikutusta painoindeksin ja Metabolisen Oireyhtymän Riski Sydän-ja verisuonitautien ja Kuoleman Keski-Ikäisten Miesten Circulation 2010;121;230-236, jolloin erityistä huomiota tilastolliset menetelmät, tulokset ja päätelmät.
Vertaa ja kontrasti suhteellisen vaaran regressio lähestymistapa logistinen regressio lähestymistapa lukemalla Franco et al. Metaboliseen oireyhtymään siirtymisen Trajectories: Framingham Heart Study. Levikki 2009;120;1943-1950; julkaistu alun perin verkossa Nov 2, 2009; American Heart Association. 7272 Greenville Avenue, Dallas, TX DOI: 10.,1161 / CIRCULATIONAHA.109.855817
Voit myös vertailla näiden kahden tutkimuksen tuloksia. Molemmat paperit ovat Lukukansiossa viikolla 14.
(pääsee http://www.oxfordjournals.org/our_journals/tropej/online/ma_chap12.pdf )