Lineaire regressie - Revision history

M Wolvers: /* Hoeveel predictoren mag ik aan mijn model meegeven? */

2024-06-27T15:23:45Z

Hoeveel predictoren mag ik aan mijn model meegeven?

← Older revision		Revision as of 17:23, 27 June 2024
Line 298:		Line 298:
	== Hoeveel predictoren mag ik aan mijn model meegeven? ==		== Hoeveel predictoren mag ik aan mijn model meegeven? ==
	Zie de pagina over steekproefgrootte op deze wiki:		Zie de pagina over steekproefgrootte op deze wiki:
	*[[Poweranalyse#Welke_informatie_heb_ik_nodig_voor_een_poweranalyse_als_ik_een_multivariabele_lineaire_regressie_ga_doen.3F\|poweranalyse voor een multivariabel lineair regressiemodel]] en
	*[[Poweranalyse#Hoeveel_pati.C3.ABnten_heb_ik_nodig_om_een_predictie_model_te_bouwen.3F\|poweranalyse bij een predictiemodel]].		*[[Poweranalyse#Hoeveel_pati.C3.ABnten_heb_ik_nodig_om_een_predictie_model_te_bouwen.3F\|poweranalyse bij een predictiemodel]].

M Wolvers: /* Hoeveel predictoren mag ik aan mijn model meegeven? */

2024-06-27T14:40:14Z

Hoeveel predictoren mag ik aan mijn model meegeven?

← Older revision		Revision as of 16:40, 27 June 2024
Line 297:		Line 297:

	== Hoeveel predictoren mag ik aan mijn model meegeven? ==		== Hoeveel predictoren mag ik aan mijn model meegeven? ==
	Zie de pagina over ~~power~~ op deze wiki:		Zie de pagina over steekproefgrootte op deze wiki:
	*[[Poweranalyse#Welke_informatie_heb_ik_nodig_voor_een_poweranalyse_als_ik_een_multivariabele_lineaire_regressie_ga_doen.3F\|poweranalyse voor een multivariabel lineair regressiemodel]] en		*[[Poweranalyse#Welke_informatie_heb_ik_nodig_voor_een_poweranalyse_als_ik_een_multivariabele_lineaire_regressie_ga_doen.3F\|poweranalyse voor een multivariabel lineair regressiemodel]] en
	*[[Poweranalyse#Hoeveel_pati.C3.ABnten_heb_ik_nodig_om_een_predictie_model_te_bouwen.3F\|poweranalyse bij een predictiemodel]].		*[[Poweranalyse#Hoeveel_pati.C3.ABnten_heb_ik_nodig_om_een_predictie_model_te_bouwen.3F\|poweranalyse bij een predictiemodel]].

			==Hoe rapporteer ik mijn ANCOVA analyse?==

			''Wij doen een studie waarbij we kijken naar de verandering van een biomarker na 26 weken tov baseline. In een ANCOVA model bekijken we het verschil in verandering tussen twee groepen, gecorrigeerd voor baseline waarde van de biomarker. Nu komt het model in SPSS met een output waarin een "estimated marginal mean" wordt gegeven bij de "pairwise comparison". Met daarbij een bijbehorend 95% confidence interval. Ik dacht dat dit een soort gecorrigeerd gemiddeld verschil is voor de covariaten in het model. Mijn vraag is nu: wat moeten wij rapporteren? De estimated marginal mean met 95% CI en p-waarde uit het ANCOVA model, of is het beter het verschil in verandering over de originele data (dus gewoon een t-test) te rapporteren met 95% CI, met dan aangegeven of het significant is volgens ANCOVA?

			Kijk eens in [http://www.bmj.com/cgi/content/full/323/7321/1123?view=long&pmid=11701584 dit artikel van Vickers en Altman (Statistical Notes BMJ 2001)]. Klik op de tabel, je ziet dat daar meerdere scores worden gerapporteerd, wellicht ook iets voor jullie? Ook [http://www.ncbi.nlm.nih.gov/pubmed/16895814 dit paper van Gerard van Breukelen (J Clin Epidemiol 2006)] is misschien interessant voor je.

	== Aanvullende bronnen ==		== Aanvullende bronnen ==

M Wolvers: /* Mijn voorspeller is niet normaal verdeeld, kan ik nu nog lineaire regressie gebruiken? */

2024-06-27T13:09:31Z

Mijn voorspeller is niet normaal verdeeld, kan ik nu nog lineaire regressie gebruiken?

← Older revision		Revision as of 15:09, 27 June 2024
Line 295:		Line 295:

	Wat je alternatief zou kunnen doen is het opdelen van de afwijkvariabele in categorieën. Een grove indeling in wel of geen afwijking zou kunnen, of een meer fijnmazige in bijvoorbeeld 0, >0 tot 50, >500. Het liefst gebruik je 'logische afkappunten'. Let er wel op dat er nog een redelijk aantal patiënten in ieder van de categorieën valt om het schatbaar te houden. Een regressie met deze categorische variabele als voorspeller kan dan kijken of het behoren tot een andere categorie voorspellend is voor de testuitkomsten. Hierbij is het weer mogelijk te corrigeren voor andere factoren. Ook zou je kunnen proberen om door middel van een transformatie de variabele minder scheef verdeeld te krijgen, bijvoorbeeld een [[KEUZE_TOETS#Hoe_kan_ik_in_SPSS_mijn_data_transformeren.3F\|logtransformatie]].		Wat je alternatief zou kunnen doen is het opdelen van de afwijkvariabele in categorieën. Een grove indeling in wel of geen afwijking zou kunnen, of een meer fijnmazige in bijvoorbeeld 0, >0 tot 50, >500. Het liefst gebruik je 'logische afkappunten'. Let er wel op dat er nog een redelijk aantal patiënten in ieder van de categorieën valt om het schatbaar te houden. Een regressie met deze categorische variabele als voorspeller kan dan kijken of het behoren tot een andere categorie voorspellend is voor de testuitkomsten. Hierbij is het weer mogelijk te corrigeren voor andere factoren. Ook zou je kunnen proberen om door middel van een transformatie de variabele minder scheef verdeeld te krijgen, bijvoorbeeld een [[KEUZE_TOETS#Hoe_kan_ik_in_SPSS_mijn_data_transformeren.3F\|logtransformatie]].

			== Hoeveel predictoren mag ik aan mijn model meegeven? ==
			Zie de pagina over power op deze wiki:
			*[[Poweranalyse#Welke_informatie_heb_ik_nodig_voor_een_poweranalyse_als_ik_een_multivariabele_lineaire_regressie_ga_doen.3F\|poweranalyse voor een multivariabel lineair regressiemodel]] en
			*[[Poweranalyse#Hoeveel_pati.C3.ABnten_heb_ik_nodig_om_een_predictie_model_te_bouwen.3F\|poweranalyse bij een predictiemodel]].

	== Aanvullende bronnen ==		== Aanvullende bronnen ==

M Wolvers: /* Hoe interpreteer ik de resultaten van mijn lineaire model bij een logtransformatie van de uitkomstmaat? */

2024-06-11T13:17:54Z

Hoe interpreteer ik de resultaten van mijn lineaire model bij een logtransformatie van de uitkomstmaat?

← Older revision		Revision as of 15:17, 11 June 2024
Line 256:		Line 256:
	Inderdaad, één unit toename in X geeft B toename van de log(cortisol). Als we dit terug willen vertalen naar "gewone" cortisolwaarden, gebruiken we de inverse van de (natuurlijke) log:		Inderdaad, één unit toename in X geeft B toename van de log(cortisol). Als we dit terug willen vertalen naar "gewone" cortisolwaarden, gebruiken we de inverse van de (natuurlijke) log:

	: exp(log(cortisol)) = exp(intercept + B*X)		: exp(log(cortisol)) = exp(intercept + B*X), waarbij exp staat voor 'e tot de macht'.

	Dit is gelijk aan:		Dit is gelijk aan:

M Wolvers: /* Hoe interpreteer ik de resultaten van mijn lineaire model bij een logtransformatie van de uitkomstmaat? */

2024-06-11T13:04:38Z

Hoe interpreteer ik de resultaten van mijn lineaire model bij een logtransformatie van de uitkomstmaat?

← Older revision		Revision as of 15:04, 11 June 2024
Line 264:		Line 264:
	Bekijken we nu het verschil in cortisolwaarden bij toename van 1 unit X:		Bekijken we nu het verschil in cortisolwaarden bij toename van 1 unit X:

	: cortisol = exp(intercept + B*X + B)		: cortisol = exp(intercept + B(X+1)) = exp(intercept + BX + B)

	Dan is dit, gebruikmakend van de rekenregels, gelijk aan:		Dan is dit, gebruikmakend van de rekenregels, gelijk aan:

M Wolvers: /* Hoe interpreteer ik de resultaten van mijn lineaire model bij een logtransformatie van de uitkomstmaat? */

2024-06-11T13:00:24Z

Hoe interpreteer ik de resultaten van mijn lineaire model bij een logtransformatie van de uitkomstmaat?

← Older revision		Revision as of 15:00, 11 June 2024
Line 252:		Line 252:
	Als je een linear model fit om het effect van X op de log-getransformeerde cortisolwaarde te beoordelen, ziet dat er als volgt uit:		Als je een linear model fit om het effect van X op de log-getransformeerde cortisolwaarde te beoordelen, ziet dat er als volgt uit:

	log(cortisol) = intercept + B*X		: log(cortisol) = intercept + B*X

	Inderdaad, één unit toename in X geeft B toename van de log(cortisol). Als we dit terug willen vertalen naar "gewone" cortisolwaarden, gebruiken we de inverse van de log:		Inderdaad, één unit toename in X geeft B toename van de log(cortisol). Als we dit terug willen vertalen naar "gewone" cortisolwaarden, gebruiken we de inverse van de (natuurlijke) log:

	exp(log(cortisol)) = exp(intercept + B*~~SRIP~~)		: exp(log(cortisol)) = exp(intercept + B*X)

	Dit is gelijk aan:		Dit is gelijk aan:

	cortisol = exp(intercept + B*~~SRIP~~)		: cortisol = exp(intercept + B*X)

	Bekijken we nu het verschil in cortisolwaarden bij toename van 1 unit ~~SRIP~~:		Bekijken we nu het verschil in cortisolwaarden bij toename van 1 unit X:

	cortisol = exp(intercept + B*X + B)		: cortisol = exp(intercept + B*X + B)

	Dan is dit, gebruikmakend van de rekenregels, gelijk aan:		Dan is dit, gebruikmakend van de rekenregels, gelijk aan:

	exp(intercept + BX) exp(B)		: cortisol = <span style="background-color:lightgrey> exp(intercept + BX) </span style> exp(B)

	Nu is het ~~eerste~~ gedeelte van bovenstaande vergelijking precies gelijk aan de cortisolwaarde op het "beginpunt", dus inderdaad: een unit extra ~~SRIP~~ geeft vermenigvuldiging van de cortisolwaarde met de factor exp(B). En ook inderdaad: indien de exp(B) = 0.97, dan geeft vermenigvuldiging hiermee een afname van 3%.		Nu is het gearceerde gedeelte van bovenstaande vergelijking precies gelijk aan de cortisolwaarde op het "beginpunt", dus inderdaad: een unit extra X geeft vermenigvuldiging van de cortisolwaarde met de factor exp(B). En ook inderdaad: indien de exp(B) = 0.97, dan geeft vermenigvuldiging hiermee een afname van 3%.

	Je interpretatie was dus juist. (In het bovenstaande ben ik er wel vanuit gegaan dat de cortisolwaardes met de natuurlijke logaritme getransformeerd zijn en niet bijvoorbeeld met een 10log).		Je interpretatie was dus juist. (In het bovenstaande ben ik er wel vanuit gegaan dat de cortisolwaardes met de natuurlijke logaritme getransformeerd zijn en niet bijvoorbeeld met een 10log).

M Wolvers: /* Referenties */

2024-05-30T13:36:47Z

Referenties

← Older revision		Revision as of 15:36, 30 May 2024
Line 296:		Line 296:
	Wat je alternatief zou kunnen doen is het opdelen van de afwijkvariabele in categorieën. Een grove indeling in wel of geen afwijking zou kunnen, of een meer fijnmazige in bijvoorbeeld 0, >0 tot 50, >500. Het liefst gebruik je 'logische afkappunten'. Let er wel op dat er nog een redelijk aantal patiënten in ieder van de categorieën valt om het schatbaar te houden. Een regressie met deze categorische variabele als voorspeller kan dan kijken of het behoren tot een andere categorie voorspellend is voor de testuitkomsten. Hierbij is het weer mogelijk te corrigeren voor andere factoren. Ook zou je kunnen proberen om door middel van een transformatie de variabele minder scheef verdeeld te krijgen, bijvoorbeeld een [[KEUZE_TOETS#Hoe_kan_ik_in_SPSS_mijn_data_transformeren.3F\|logtransformatie]].		Wat je alternatief zou kunnen doen is het opdelen van de afwijkvariabele in categorieën. Een grove indeling in wel of geen afwijking zou kunnen, of een meer fijnmazige in bijvoorbeeld 0, >0 tot 50, >500. Het liefst gebruik je 'logische afkappunten'. Let er wel op dat er nog een redelijk aantal patiënten in ieder van de categorieën valt om het schatbaar te houden. Een regressie met deze categorische variabele als voorspeller kan dan kijken of het behoren tot een andere categorie voorspellend is voor de testuitkomsten. Hierbij is het weer mogelijk te corrigeren voor andere factoren. Ook zou je kunnen proberen om door middel van een transformatie de variabele minder scheef verdeeld te krijgen, bijvoorbeeld een [[KEUZE_TOETS#Hoe_kan_ik_in_SPSS_mijn_data_transformeren.3F\|logtransformatie]].

	== ~~Referenties~~ ==		== Aanvullende bronnen ==
	[https://isqr.uni-freiburg.de/reginmed2011/interaction.pdf Course material on interaction and effect modification] from the web based distance learning course - Regression Models as a Tool in Medical Research - International School of Quantitative Research, University of Freiburg.		[https://isqr.uni-freiburg.de/reginmed2011/interaction.pdf Course material on interaction and effect modification] from the web based distance learning course - Regression Models as a Tool in Medical Research - International School of Quantitative Research, University of Freiburg.

	{{onderschrift}}		{{onderschrift}}

M Wolvers: /* Referenties */ link aangepast

2024-05-30T13:36:18Z

Referenties: link aangepast

← Older revision		Revision as of 15:36, 30 May 2024
Line 297:		Line 297:

	== Referenties ==		== Referenties ==
	[~~http~~://~~www.~~isqr.uni-freiburg.de/reginmed2011/interaction.pdf Course material on interaction and effect modification] from the web based distance learning course - Regression Models as a Tool in Medical Research - International School of Quantitative Research, University of Freiburg.		[https://isqr.uni-freiburg.de/reginmed2011/interaction.pdf Course material on interaction and effect modification] from the web based distance learning course - Regression Models as a Tool in Medical Research - International School of Quantitative Research, University of Freiburg.

	{{onderschrift}}		{{onderschrift}}

M Wolvers at 13:27, 27 May 2024

2024-05-27T13:27:20Z

← Older revision		Revision as of 15:27, 27 May 2024
Line 12:		Line 12:
	#Voor elke waarde van <math>X</math> moeten de observaties van <math>Y</math> onafhankelijk van elkaar zijn; dat wil zeggen dat de <math>Y</math> variabelen slechts 1 keer bij een persoon zijn gemeten. Lineaire regressie is dus niet geschikt om voor onderzoeksgegevens te analyseren waarbij de patiënten herhaaldelijk in de tijd zijn gemeten (voor [[herhaalde metingen]] bestaan andere technieken).		#Voor elke waarde van <math>X</math> moeten de observaties van <math>Y</math> onafhankelijk van elkaar zijn; dat wil zeggen dat de <math>Y</math> variabelen slechts 1 keer bij een persoon zijn gemeten. Lineaire regressie is dus niet geschikt om voor onderzoeksgegevens te analyseren waarbij de patiënten herhaaldelijk in de tijd zijn gemeten (voor [[herhaalde metingen]] bestaan andere technieken).
	#De variabele <math>Y</math> heeft een normaalverdeling voor elke waarde van <math>X</math>.		#De variabele <math>Y</math> heeft een normaalverdeling voor elke waarde van <math>X</math>.
	#De verdelingen van de <math>Y</math> variabele hebben een gelijke variantie (of ~~standaard deviatie~~) voor elke waarde van <math>X</math>.		#De verdelingen van de <math>Y</math> variabele hebben een gelijke variantie (of standaarddeviatie) voor elke waarde van <math>X</math>.

	De assumpties 1, 4 en 5 kunnen met behulp van de residuen van het lineaire model worden gecontroleerd.		De assumpties 1, 4 en 5 kunnen met behulp van de residuen van het lineaire model worden gecontroleerd.

M Wolvers: /* Hoe interpreteer ik de resultaten van mijn lineaire model bij een logtransformatie van de uitkomstmaat? */

2024-04-16T12:24:24Z

Hoe interpreteer ik de resultaten van mijn lineaire model bij een logtransformatie van de uitkomstmaat?

← Older revision		Revision as of 14:24, 16 April 2024
Line 254:		Line 254:
	log(cortisol) = intercept + B*X		log(cortisol) = intercept + B*X

	Inderdaad, ~~een~~ unit toename in X geeft B toename van de log(cortisol). Als we dit terug willen vertalen naar "gewone" cortisolwaarden, gebruiken we de inverse van de log:		Inderdaad, één unit toename in X geeft B toename van de log(cortisol). Als we dit terug willen vertalen naar "gewone" cortisolwaarden, gebruiken we de inverse van de log:

	~~Exp~~(log(cortisol)) = exp (intercept + B*SRIP)		exp(log(cortisol)) = exp(intercept + B*SRIP)

	Dit is gelijk aan:		Dit is gelijk aan:

	cortisol = exp ( intercept + B*SRIP)		cortisol = exp(intercept + B*SRIP)

	Bekijken we nu het verschil in cortisolwaarden bij toename van 1 unit SRIP:		Bekijken we nu het verschil in cortisolwaarden bij toename van 1 unit SRIP:

	cortisol = exp ( intercept + B*X + B)		cortisol = exp(intercept + B*X + B)

	Dan is dit ~~gebruik makend~~ van de rekenregels gelijk aan:		Dan is dit, gebruikmakend van de rekenregels, gelijk aan:

	exp (intercept + BX) exp (B)		exp(intercept + BX) exp(B)

	Nu is het eerste gedeelte van bovenstaande vergelijking precies gelijk aan de cortisolwaarde op het "beginpunt", dus inderdaad: een unit extra SRIP geeft vermenigvuldiging van de cortisolwaarde met de factor exp(B). En ook inderdaad: indien de exp(B) = 0.97, dan geeft vermenigvuldiging hiermee een afname van 3%.		Nu is het eerste gedeelte van bovenstaande vergelijking precies gelijk aan de cortisolwaarde op het "beginpunt", dus inderdaad: een unit extra SRIP geeft vermenigvuldiging van de cortisolwaarde met de factor exp(B). En ook inderdaad: indien de exp(B) = 0.97, dan geeft vermenigvuldiging hiermee een afname van 3%.

	Je interpretatie was dus juist. (In het bovenstaande ben ik wel vanuit gegaan dat de ~~cortisol waardes~~ met de natuurlijke logaritme getransformeerd zijn en niet bijvoorbeeld met een 10log).		Je interpretatie was dus juist. (In het bovenstaande ben ik er wel vanuit gegaan dat de cortisolwaardes met de natuurlijke logaritme getransformeerd zijn en niet bijvoorbeeld met een 10log).

	Zie voor uitgebreidere uitleg over het interpreteren van regressiecoëfficiënten bij gebruik van een logtransformatie deze pagina van [https://stats.idre.ucla.edu/other/mult-pkg/faq/general/faqhow-do-i-interpret-a-regression-model-when-some-variables-are-log-transformed UCLA: Academic Technology Services, Statistical Consulting Group].		Zie voor uitgebreidere uitleg over het interpreteren van regressiecoëfficiënten bij gebruik van een logtransformatie deze pagina van [https://stats.idre.ucla.edu/other/mult-pkg/faq/general/faqhow-do-i-interpret-a-regression-model-when-some-variables-are-log-transformed UCLA: Academic Technology Services, Statistical Consulting Group].