Jestem studentem medycyny próbującym zrozumieć statystyki (!) - więc proszę, bądź delikatny! ;)
Piszę esej zawierający sporo analizy statystycznej, w tym analizy przeżycia (regresja Kaplana-Meiera, Log-Ranka i regresji Coxa).
Przeprowadziłem regresję Coxa na moich danych, próbując dowiedzieć się, czy mogę znaleźć znaczącą różnicę między zgonami pacjentów w dwóch grupach (pacjenci wysokiego lub niskiego ryzyka).
Dodałem kilka zmiennych towarzyszących do regresji Coxa, aby kontrolować ich wpływ.
Risk (Dichotomous)
Gender (Dichotomous)
Age at operation (Integer level)
Artery occlusion (Dichotomous)
Artery stenosis (Dichotomous)
Shunt used in operation (Dichotomous)
Usunąłem okluzję tętnicy z listy zmiennych towarzyszących, ponieważ jej SE była bardzo wysoka (976). Wszystkie pozostałe SE mają wartość od 0,064 do 1118. Oto co otrzymuję:
B SE Wald df Sig. Exp(B) 95,0% CI for Exp(B)
Lower Upper
risk 2,086 1,102 3,582 1 ,058 8,049 ,928 69,773
gender -,900 ,733 1,508 1 ,220 ,407 ,097 1,710
op_age ,092 ,062 2,159 1 ,142 1,096 ,970 1,239
stenosis ,231 ,674 ,117 1 ,732 1,259 ,336 4,721
op_shunt ,965 ,689 1,964 1 ,161 2,625 ,681 10,119
Wiem, że ryzyko ma znaczenie graniczne tylko na poziomie 0,058. Ale poza tym, jak interpretować wartość Exp (B)? Czytam artykuł o regresji logistycznej (która jest nieco podobna do regresji Coxa?), W której wartość Exp (B) została zinterpretowana jako: „Bycie w grupie wysokiego ryzyka obejmuje 8-krotny wzrost prawdopodobieństwa wyniku”, co w tym przypadku jest śmierć. Czy mogę powiedzieć, że moi pacjenci wysokiego ryzyka umierają 8 razy częściej niż ... co?
Proszę pomóż mi! ;)
Przy okazji używam SPSS 18 do uruchomienia analizy.
źródło
Nie jestem statystykiem, ale medykiem, który próbuje uporządkować sprawy w świecie statystyki.
Sposób interpretacji tych danych wyjściowych polega na spojrzeniu naexp(B ) wartości. Wartość <1 mówi, że wzrost o jedną jednostkę dla tej konkretnej zmiennej zmniejszy prawdopodobieństwo wystąpienia punktu końcowego w całym okresie obserwacji. Odwracając (to znaczy1 / exp( B ) ), znajdziesz „efekt ochronny”, na przykład jeśli exp( B ) = 0,407 (jak w przypadku wartości „Płeć”), interpretacja będzie taka, że posiadanie wartości gender = 1 oznacza, że zmniejszasz prawdopodobieństwo wystąpienia punktu z 1 / 0,407 = 2,46 , w porównaniu do tego, kiedy wartość Płeć = 0.
Dlaexp( B ) > 1 , interpretacja jest jeszcze łatwiejsza, powiedzmy, wartość exp( B ) = 1,259 (jak ma to miejsce w przypadku zmiennej „zwężenie”) oznacza, że ocena „zwężenia” = 1 spowoduje zwiększenie prawdopodobieństwa (25,9%) wystąpienia punktu końcowego w porównaniu do tego, gdy „zwężenie” = 0.
Przedział ufności (CI) mówi nam, w jakim zakresie (z prawdopodobieństwem 95%) możemy oczekiwać, że ta wartość będzie się różnić, jeśli powtórzymy tę ankietę nieskończoną liczbę razy. Jeśli 95% CI pokrywa się z wartością 1, wynik nie jest statystycznie istotny (odexp( B ) = 1 oznacza, że nie ma różnicy między prawdopodobieństwem wystąpienia punktu końcowego, jeśli wartość zmiennej wynosi „0” lub „1”), a wartość P przekroczy 0,05. Jeśli 95% CI utrzymuje się poza wartością 1 (po obu stronach), symbolexp( B ) jest statystycznie istotny.
Z analizy wynika, że żadna ze zmiennych nie jest znaczącymi predyktorami (na poziomie 5%) punktu końcowego, chociaż bycie pacjentem „wysokiego ryzyka” ma znaczenie graniczne.
Czytanie książki „ Podręcznik przetrwania SPSS ” autorstwa Julie Pallant prawdopodobnie jeszcze bardziej oświeci cię w tym (i nie tylko) temacie.
źródło