2 - Régression logistique simple Flashcards

1
Q

Quelles sont les autres termes pour les variables dépendantes et indépendantes ?

A

Y vs X :
Expliquée vs explicative
Issue vs facteur de risque
Réponse vs covariable
Outcome vs exposition

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Quelle est la différence entre la régression linéaire et la régression logistique ?

A

Linéaire = variables dépendantes continues, droite
Logistique = variables dépendantes non continues (binaires), courbe sigmoïdale

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Quelles sont les conditions pour une régression linéaire ?

A
  1. Les erreurs (ε : différence entre les observations et la régression) sont distribuées selon une loi normale
  2. La variance des erreurs est constante
  3. Les observations sont indépendantes
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Quelles sont les conditions pour une régression logistique ?

A
  1. Les erreurs sont contraintes à prendre deux valeurs possibles ce qui exclue une distribution normale
  2. La variance des erreurs dépend de x donc n’est pas constante
  3. La quantité E(Y|X) = β₀ + β₁xᵢ correspond à une probabilité de développer la condition (Y = 1) et devient E(Y|X = x) = π (x)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Quels sont les objectifs de la régression logistique ?

A
  1. Estimation : estimer l’ampleur de la relation entre Y et X
  2. Prédiction : développer une équation qui détermine comment la probabilité qu’un individu avec la condition (Y = 1) dépend de X
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Quelle est la fonction logistique d’une régression logistique simple ?

A

E(Y|X = x) = π (x) = (eᵝ⁰ ⁺ ᵝ¹ˣ)/(1 + eᵝ⁰ ⁺ ᵝ¹ˣ)
La fonction logistique donne la probabilité de développer l’outcome Y en fonction de l’exposition X

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Quelle est la fonction logit d’une régression logistique simple ?

A

logit(π (x)) = ln ( (π (x)) / (1 - (π (x) ) = β₀ + β₁x
La fonction logit exprime la relation linéaire qui lie X à Y

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Quelle est l’interprétation de β₀ et de β₁ lorsque X est continue ?

A

β₀ = risque de base, probabilité d’avoir la maladie sans exposition
β₁ = accroissement de logit(π (x)) par unité de x

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Quelle est l’interprétation du odds ratio lorsque X est continue ?

A

Évolution des rapports des probabilités d’apparition de la condition (Y = 1) contre l’évènement (Y = 0) lorsque X passe de x à x + 1 mesurée par le ratio de l’exponentielle de β₁ de x + 1 sur l’exponentielle de β₁ de x

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Quelle est l’interprétation du odds ratio lorsque X est binaire ?

A

Évolution des rapports des probabilités de Y avec l’exposition (X = 1) et sans l’exposition (X = 0) mesurée par le ratio de de P(Y = 1|X = 1) × P(Y = 0|X = 0) sur P(Y = 1|X = 0) × P(Y = 0|X = 1)
Exemple :
X = 1 indique un fumeur
Y = 1 indique une maladie coronarienne
OR = 2.66 indique qu’un fumeur à 2.66 de risque de développer une maladie coronarienne

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Quelle est la méthode pour estimer les paramètres β₀ et de β₁ ?

A

Méthode du maximum de vraisemblance

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Quelles sont les propriétés des estimateurs de maximum de vraisemblance ?

A
  1. Asymptomatiquement sans biais = estimation non biaisée peu importe le n donc pas de sur/sous-estimation
  2. Variance minimale donc estimation précise
  3. Distribution normale asymptomatique = estimation suit une loi normale peu importe le n
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Quelle est l’intervalle de confiance à 95% de β₁ ?

A

[ β₁ - 1.96 × s(β₁) , β₁ + 1.96 × s(β₁) ]
OR : utiliser l’exponentielle des bornes de l’IC de β₁

How well did you know this?
1
Not at all
2
3
4
5
Perfectly