Multinomiale logistische regressie - Revision history

M Wolvers at 09:07, 24 June 2024

2024-06-24T09:07:47Z

← Older revision		Revision as of 11:07, 24 June 2024
Line 17:		Line 17:
	In [[Statistische_software#R\|R]] kun je voor het uitvoeren van een multinomiale logistische regressie bijvoorbeeld gebruik maken van de functie 'multinom' in de package 'nnet'.		In [[Statistische_software#R\|R]] kun je voor het uitvoeren van een multinomiale logistische regressie bijvoorbeeld gebruik maken van de functie 'multinom' in de package 'nnet'.

	~~==Referenties==~~		{{onderschrift}}


	~~<div style="background-color:#e8f1ff; margin:0.5em; padding:1em; border:1px solid #C8D0DC;">~~
	~~Terug naar [[OVERZICHT]] voor een overzicht van alle statistische onderwerpen op deze wiki.~~

	~~Terug naar [[KEUZE TOETS]] voor hulp bij het uitzoeken van een geschikte toets of analyse.~~
	~~<div>~~

M Wolvers at 12:53, 16 April 2024

2024-04-16T12:53:59Z

← Older revision		Revision as of 14:53, 16 April 2024
Line 3:		Line 3:
	== Hebben wij een multinomiaal logistisch regressiemodel nodig?==		== Hebben wij een multinomiaal logistisch regressiemodel nodig?==

	''We hebben een ordinale uitkomstmaat (tumorgraad 1,2,of 3) en een lineaire continue voorspeller (attenuatiecoëfficiënt). Wij zouden graag een model ontwikkelen om op basis van de bekende attenuatiecoëfficiënt te kunnen bepalen in welke categorie of graad		''We hebben een ordinale uitkomstmaat (tumorgraad 1,2 of 3) en een lineaire continue voorspeller (attenuatiecoëfficiënt). Wij zouden graag een model ontwikkelen om op basis van de bekende attenuatiecoëfficiënt te kunnen bepalen in welke categorie of graad deze tumor zal vallen. Onze gedachte was dat we hiervoor een multinomiale logistische regressie moeten doen. Is dat juist en zijn er ook andere mogelijkheden?
	deze tumor zal vallen. Onze gedachte was dat we hiervoor een multinomiale logistische regressie moeten doen. Is dat juist en zijn er ook andere mogelijkheden?''

	Het is inderdaad mogelijk om met een multinomiaal logistisch regressiemodel het mogelijke effect van een continue voorspeller op een ordinale uitkomstmaat te analyseren. Let wel op het volgende: dit model houdt geen rekening met de geordendheid van de categorieën. De tumorgraad 1 2 3 zou dus bij wijze van spreken ook rood groen blauw kunnen heten, zonder duidelijke volgorde. Indien het model graad 2 voorspelt i.p.v. graad 3 is dit "evenveel fout" als het voorspellen van graad 1 i.p.v. graad 3. Om ook met de geordendheid van de categorieën rekening te houden, zou je een [[ordinale logistische regressie]] kunnen doen.		Het is inderdaad mogelijk om met een multinomiaal logistisch regressiemodel het mogelijke effect van een continue voorspeller op een ordinale uitkomstmaat te analyseren. Let wel op het volgende: dit model houdt geen rekening met de geordendheid van de categorieën. De tumorgraad 1 2 3 zou dus bij wijze van spreken ook rood groen blauw kunnen heten, zonder duidelijke volgorde. Indien het model graad 2 voorspelt i.p.v. graad 3 is dit "evenveel fout" als het voorspellen van graad 1 i.p.v. graad 3. Om ook met de geordendheid van de categorieën rekening te houden, zou je een [[ordinale logistische regressie]] kunnen doen.

M Wolvers: /* Hebben wij een multinomiaal logistisch regressiemodel nodig? */

2024-04-16T12:46:26Z

Hebben wij een multinomiaal logistisch regressiemodel nodig?

← Older revision		Revision as of 14:46, 16 April 2024
Line 3:		Line 3:
	== Hebben wij een multinomiaal logistisch regressiemodel nodig?==		== Hebben wij een multinomiaal logistisch regressiemodel nodig?==

	''We hebben een ordinale uitkomstmaat (tumorgraad 1,2,of 3) en een lineaire continue voorspeller (attenuatiecoëfficiënt). Wij zouden graag een model ontwikkelen om op basis van de bekende attenuatiecoëfficiënt te kunnen bepalen in welke categorie/graad		''We hebben een ordinale uitkomstmaat (tumorgraad 1,2,of 3) en een lineaire continue voorspeller (attenuatiecoëfficiënt). Wij zouden graag een model ontwikkelen om op basis van de bekende attenuatiecoëfficiënt te kunnen bepalen in welke categorie of graad
	deze tumor zal vallen. Onze gedachte was dat we hiervoor een multinomiale logistische regressie moeten doen. Is dat juist en zijn er ook andere mogelijkheden?''		deze tumor zal vallen. Onze gedachte was dat we hiervoor een multinomiale logistische regressie moeten doen. Is dat juist en zijn er ook andere mogelijkheden?''

M Wolvers at 12:45, 16 April 2024

2024-04-16T12:45:54Z

← Older revision		Revision as of 14:45, 16 April 2024
Line 1:		Line 1:
	Een multinomiaal ~~logistische regressie model~~ wordt gebruikt om het effect van voorspellers op een nominale uitkomstmaat te analyseren. De uitkomstmaat bestaat dus uit (meer dan twee) ~~categorien,~~ die ~~niet een~~ logische ordening hebben~~. Bijvoorbeeld~~ in een onderzoek naar voorspellers van de gekozen behandeling bij ~~hartpatienten~~, waarbij er drie opties zijn: 'PTCA', 'Bypass surgery' of 'Medication only'.		Een multinomiaal logistisch regressiemodel wordt gebruikt om het effect van voorspellers op een nominale uitkomstmaat te analyseren. De uitkomstmaat bestaat dus uit (meer dan twee) categorieën die geen logische ordening hebben, bijvoorbeeld in een onderzoek naar voorspellers van de gekozen behandeling bij hartpatiënten, waarbij er drie opties zijn: 'PTCA', 'Bypass surgery' of 'Medication only'.

	== Hebben wij een multinomiaal logistisch regressiemodel nodig?==		== Hebben wij een multinomiaal logistisch regressiemodel nodig?==

	''We hebben een ordinale uitkomstmaat (tumorgraad 1,2,of 3) en een lineaire continue voorspeller (~~attenuatiecoefficient~~). Wij zouden graag een model ontwikkelen om ~~obv~~ de bekende ~~attenuatiecoefficient~~ te kunnen bepalen in welke categorie graad		''We hebben een ordinale uitkomstmaat (tumorgraad 1,2,of 3) en een lineaire continue voorspeller (attenuatiecoëfficiënt). Wij zouden graag een model ontwikkelen om op basis van de bekende attenuatiecoëfficiënt te kunnen bepalen in welke categorie/graad
	deze tumor zal vallen. Onze gedachte was dat we hiervoor een multinomiale logistische		deze tumor zal vallen. Onze gedachte was dat we hiervoor een multinomiale logistische regressie moeten doen. Is dat juist en zijn er ook andere mogelijkheden?''
	regressie moeten doen. Is dat juist en zijn er ook andere mogelijkheden?

	Het is inderdaad mogelijk om met een multinomiaal logistisch regressiemodel het mogelijke effect van een continue voorspeller op een ordinale uitkomstmaat te analyseren. Let wel op het volgende: dit model houdt geen rekening met de geordendheid van de ~~categorien~~. De tumorgraad 1 2 3 zou dus bij wijze van ~~spreke~~ ook rood groen blauw kunnen heten, zonder duidelijke volgorde. Indien het model graad 2 voorspelt ~~ipv~~ graad 3 is dit "evenveel fout" als het voorspellen van graad 1 ~~ipv~~ graad 3. Om ook met de geordendheid van de ~~categorien~~ rekening te houden, zou je een [[ordinale logistische regressie]] kunnen doen.		Het is inderdaad mogelijk om met een multinomiaal logistisch regressiemodel het mogelijke effect van een continue voorspeller op een ordinale uitkomstmaat te analyseren. Let wel op het volgende: dit model houdt geen rekening met de geordendheid van de categorieën. De tumorgraad 1 2 3 zou dus bij wijze van spreken ook rood groen blauw kunnen heten, zonder duidelijke volgorde. Indien het model graad 2 voorspelt i.p.v. graad 3 is dit "evenveel fout" als het voorspellen van graad 1 i.p.v. graad 3. Om ook met de geordendheid van de categorieën rekening te houden, zou je een [[ordinale logistische regressie]] kunnen doen.

	Bij beide modellen echter blijven de geschatte parameters altijd wat ver afstaan van de "klinische interpretatie" van het probleem. Jullie zouden daarom ook kunnen overwegen de assen om te draaien en -bijvoorbeeld in een (boxplotachtige) grafiek- de ~~attenuatiecoefficient~~ uit te zetten voor de drie verschillende groepen. Daarbij zou je met een [[One-way ANOVA\|ANOVA]] / [[Kruskal Wallis]] het verschil tussen de drie groepen aan kunnen geven. Deze aanpak draait de relatie in zeker opzicht om, het berekent namelijk het verschil veroorzaakt door de tumorgroep in de uitkomstmaat ~~attenuatiecoefficient~~. Maar de analysemethode is wel een stuk helderder/bekender. Let op: je loopt met deze aanpak vast als je ook andere ~~predictors~~ dan ~~attenuatiecoefficient~~ wilt meenemen in het model.		Bij beide modellen echter blijven de geschatte parameters altijd wat ver afstaan van de "klinische interpretatie" van het probleem. Jullie zouden daarom ook kunnen overwegen de assen om te draaien en -bijvoorbeeld in een (boxplotachtige) grafiek- de attenuatiecoëfficiënt uit te zetten voor de drie verschillende groepen. Daarbij zou je met een [[One-way ANOVA\|ANOVA]] / [[Kruskal Wallis]] het verschil tussen de drie groepen aan kunnen geven. Deze aanpak draait de relatie in zeker opzicht om, het berekent namelijk het verschil veroorzaakt door de tumorgroep in de uitkomstmaat attenuatiecoëfficiënt. Maar de analysemethode is wel een stuk helderder/bekender. Let op: je loopt met deze aanpak vast als je ook andere voorspellers dan attenuatiecoëfficiënt wilt meenemen in het model.

	== Waar vind ik multinomiale logistische regressie in SPSS? ==		== Waar vind ik multinomiale logistische regressie in SPSS? ==

Nan van Geloven: /* Waar vind ik multinomiale logistische regressie in SPSS? */

2018-03-20T13:49:58Z

Waar vind ik multinomiale logistische regressie in SPSS?

← Older revision		Revision as of 15:49, 20 March 2018
Line 13:		Line 13:
	== Waar vind ik multinomiale logistische regressie in SPSS? ==		== Waar vind ik multinomiale logistische regressie in SPSS? ==

	Je vindt multinomiale logistische regressie in SPSS onder Analyze -> Regression -> Multinomial Logistic. Zie bijvoorbeeld deze [~~http~~://~~www~~.~~ats~~.ucla.edu~~/stat~~/spss/output/~~mlogit.htm~~ annotated output] van de UCLA voor uitleg hoe de output van deze procedure te interpreteren.		Je vindt multinomiale logistische regressie in SPSS onder Analyze -> Regression -> Multinomial Logistic. Zie bijvoorbeeld deze [https://stats.idre.ucla.edu/spss/output/multinomial-logistic-regression/ annotated output] van de UCLA voor uitleg hoe de output van deze procedure te interpreteren.

	== Hoe voer ik multinomiale logistische regressie uit in [[Statistische_software#R\|R]]? ==		== Hoe voer ik multinomiale logistische regressie uit in [[Statistische_software#R\|R]]? ==

Nan van Geloven at 10:53, 10 February 2010

2010-02-10T10:53:08Z

← Older revision		Revision as of 12:53, 10 February 2010
Line 18:		Line 18:

	In [[Statistische_software#R\|R]] kun je voor het uitvoeren van een multinomiale logistische regressie bijvoorbeeld gebruik maken van de functie 'multinom' in de package 'nnet'.		In [[Statistische_software#R\|R]] kun je voor het uitvoeren van een multinomiale logistische regressie bijvoorbeeld gebruik maken van de functie 'multinom' in de package 'nnet'.

			==Referenties==


			<div style="background-color:#e8f1ff; margin:0.5em; padding:1em; border:1px solid #C8D0DC;">
			Terug naar [[OVERZICHT]] voor een overzicht van alle statistische onderwerpen op deze wiki.

			Terug naar [[KEUZE TOETS]] voor hulp bij het uitzoeken van een geschikte toets of analyse.
			<div>

Nan van Geloven at 10:41, 10 February 2010

2010-02-10T10:41:49Z

← Older revision		Revision as of 12:41, 10 February 2010
Line 1:		Line 1:
	Een multinomiaal logistische regressie model wordt gebruikt om het effect van voorspellers op een nominale uitkomstmaat te analyseren. De uitkomstmaat bestaat dus uit (meer dan twee) categorien, die niet een logische ordening hebben.		Een multinomiaal logistische regressie model wordt gebruikt om het effect van voorspellers op een nominale uitkomstmaat te analyseren. De uitkomstmaat bestaat dus uit (meer dan twee) categorien, die niet een logische ordening hebben. Bijvoorbeeld in een onderzoek naar voorspellers van de gekozen behandeling bij hartpatienten, waarbij er drie opties zijn: 'PTCA', 'Bypass surgery' of 'Medication only'.

	== Hebben wij een multinomiaal logistisch regressiemodel nodig?==		== Hebben wij een multinomiaal logistisch regressiemodel nodig?==

Nan van Geloven at 10:35, 10 February 2010

2010-02-10T10:35:25Z

← Older revision		Revision as of 12:35, 10 February 2010
Line 10:		Line 10:

	Bij beide modellen echter blijven de geschatte parameters altijd wat ver afstaan van de "klinische interpretatie" van het probleem. Jullie zouden daarom ook kunnen overwegen de assen om te draaien en -bijvoorbeeld in een (boxplotachtige) grafiek- de attenuatiecoefficient uit te zetten voor de drie verschillende groepen. Daarbij zou je met een [[One-way ANOVA\|ANOVA]] / [[Kruskal Wallis]] het verschil tussen de drie groepen aan kunnen geven. Deze aanpak draait de relatie in zeker opzicht om, het berekent namelijk het verschil veroorzaakt door de tumorgroep in de uitkomstmaat attenuatiecoefficient. Maar de analysemethode is wel een stuk helderder/bekender. Let op: je loopt met deze aanpak vast als je ook andere predictors dan attenuatiecoefficient wilt meenemen in het model.		Bij beide modellen echter blijven de geschatte parameters altijd wat ver afstaan van de "klinische interpretatie" van het probleem. Jullie zouden daarom ook kunnen overwegen de assen om te draaien en -bijvoorbeeld in een (boxplotachtige) grafiek- de attenuatiecoefficient uit te zetten voor de drie verschillende groepen. Daarbij zou je met een [[One-way ANOVA\|ANOVA]] / [[Kruskal Wallis]] het verschil tussen de drie groepen aan kunnen geven. Deze aanpak draait de relatie in zeker opzicht om, het berekent namelijk het verschil veroorzaakt door de tumorgroep in de uitkomstmaat attenuatiecoefficient. Maar de analysemethode is wel een stuk helderder/bekender. Let op: je loopt met deze aanpak vast als je ook andere predictors dan attenuatiecoefficient wilt meenemen in het model.

			== Waar vind ik multinomiale logistische regressie in SPSS? ==

			Je vindt multinomiale logistische regressie in SPSS onder Analyze -> Regression -> Multinomial Logistic. Zie bijvoorbeeld deze [http://www.ats.ucla.edu/stat/spss/output/mlogit.htm annotated output] van de UCLA voor uitleg hoe de output van deze procedure te interpreteren.

			== Hoe voer ik multinomiale logistische regressie uit in [[Statistische_software#R\|R]]? ==

			In [[Statistische_software#R\|R]] kun je voor het uitvoeren van een multinomiale logistische regressie bijvoorbeeld gebruik maken van de functie 'multinom' in de package 'nnet'.

Nan van Geloven at 08:49, 6 May 2009

2009-05-06T08:49:54Z

← Older revision		Revision as of 10:49, 6 May 2009
Line 1:		Line 1:
	Een multinomiaal logistische regressie model wordt gebruikt om het effect van voorspellers op een ~~nomiale~~ uitkomstmaat te analyseren. De uitkomstmaat bestaat dus uit (meer dan twee) categorien, die niet een logische ordening hebben.		Een multinomiaal logistische regressie model wordt gebruikt om het effect van voorspellers op een nominale uitkomstmaat te analyseren. De uitkomstmaat bestaat dus uit (meer dan twee) categorien, die niet een logische ordening hebben.

	== Hebben wij een multinomiaal logistisch regressiemodel nodig?==		== Hebben wij een multinomiaal logistisch regressiemodel nodig?==

Docent5: /* Hebben wij een multinomiaal logistisch regressiemodel nodig? */

2009-03-12T14:12:41Z

Hebben wij een multinomiaal logistisch regressiemodel nodig?

← Older revision		Revision as of 16:12, 12 March 2009
Line 9:		Line 9:
	Het is inderdaad mogelijk om met een multinomiaal logistisch regressiemodel het mogelijke effect van een continue voorspeller op een ordinale uitkomstmaat te analyseren. Let wel op het volgende: dit model houdt geen rekening met de geordendheid van de categorien. De tumorgraad 1 2 3 zou dus bij wijze van spreke ook rood groen blauw kunnen heten, zonder duidelijke volgorde. Indien het model graad 2 voorspelt ipv graad 3 is dit "evenveel fout" als het voorspellen van graad 1 ipv graad 3. Om ook met de geordendheid van de categorien rekening te houden, zou je een [[ordinale logistische regressie]] kunnen doen.		Het is inderdaad mogelijk om met een multinomiaal logistisch regressiemodel het mogelijke effect van een continue voorspeller op een ordinale uitkomstmaat te analyseren. Let wel op het volgende: dit model houdt geen rekening met de geordendheid van de categorien. De tumorgraad 1 2 3 zou dus bij wijze van spreke ook rood groen blauw kunnen heten, zonder duidelijke volgorde. Indien het model graad 2 voorspelt ipv graad 3 is dit "evenveel fout" als het voorspellen van graad 1 ipv graad 3. Om ook met de geordendheid van de categorien rekening te houden, zou je een [[ordinale logistische regressie]] kunnen doen.

	Bij beide modellen echter blijven de geschatte parameters altijd wat ver afstaan van de "klinische interpretatie" van het probleem. Jullie zouden daarom ook kunnen overwegen de assen om te draaien en -bijvoorbeeld in een (boxplotachtige) grafiek- de attenuatiecoefficient uit te zetten voor de drie verschillende groepen. Daarbij zou je met een [[One-way ANOVA\|ANOVA]] / [[~~Kruskall-~~Wallis ~~toets~~]] het verschil tussen de drie groepen aan kunnen geven. Deze aanpak draait de relatie in zeker opzicht om, het berekent namelijk het verschil veroorzaakt door de tumorgroep in de uitkomstmaat attenuatiecoefficient. Maar de analysemethode is wel een stuk helderder/bekender. Let op: je loopt met deze aanpak vast als je ook andere predictors dan attenuatiecoefficient wilt meenemen in het model.		Bij beide modellen echter blijven de geschatte parameters altijd wat ver afstaan van de "klinische interpretatie" van het probleem. Jullie zouden daarom ook kunnen overwegen de assen om te draaien en -bijvoorbeeld in een (boxplotachtige) grafiek- de attenuatiecoefficient uit te zetten voor de drie verschillende groepen. Daarbij zou je met een [[One-way ANOVA\|ANOVA]] / [[Kruskal Wallis]] het verschil tussen de drie groepen aan kunnen geven. Deze aanpak draait de relatie in zeker opzicht om, het berekent namelijk het verschil veroorzaakt door de tumorgroep in de uitkomstmaat attenuatiecoefficient. Maar de analysemethode is wel een stuk helderder/bekender. Let op: je loopt met deze aanpak vast als je ook andere predictors dan attenuatiecoefficient wilt meenemen in het model.