Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

3031 intra > Régression logistique mutliple > Flashcards

Régression logistique mutliple Flashcards

1
Q

Objectif de la régression logistique multiple

A

probabilité de développer l’outcome en fct de pluseurs variables indépendantes

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

Régression logistique multiple généralise ???

A

la régression logistique simple au cas où il y a plusieurs variables explicatives X1…. Xp

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

interprétation de b0

A

représente la probabilité d’avoir l’évent lorsque toutes les variables sont mises à zéro

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

Des valeurs positives de b0 donnent ?

valeurs négatives b0

A 
log (P/1-P) > 0 
p/1-p>1
p>1-p
2p>1
p>0.5
log (P/1-P) < 0 
p/1-p<1
p<1-p
2p<1
p<0.5
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Interprétation des coefficients b1

A

accroissement de logit(pi(x) par unité de x

en prenant l’exponentielle de b1 => on obtient OR pour chaque augmentation d’une unité de xi ajusté pour les autres variables

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Interprétation des coefficients

b1

A

association entre le traitement et la mesure d’efficacité en ajustant pour les autres variables

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

résumé du cours

A

on essait d’expliquer la prob. d’avoir la maladie à partir de pluseurs variables explicatives en ajustant l’effet de chacune

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

exemple de résultats D’OR

traitement t : 0.083
sexe F : .179
age : 1.182
…

A

personnes traitées sont mieux que chez n-traitées

femmes moins de douleur

+ on est vieux, + on a de la douleur

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

Test de significativité

h0 : profs de maths à l’udem de 80k$

est ce que je peux généraliser ce salaire partout au canada

vrai : généralisable
et faux : salaire est seulement respectif à l’éch

cest quoi h0 et h1 pr bêta ?

A

h0 : b0 = 0 : aucun effet du facteur de risque

on va utiliser la forme logit pour déterminer si la pente =0 ou non

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

Test de significativité

2 approches pour faire le test

A
  • s’appuyer sur la normalité asymptotique des estimateurs et utiliser le test WALD
  • principe de rapport de vraisemblance (approche en cohérence avec la démarche d’estimation des paramètres)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Comment faire un test statistique ?

6 étapes

A

1- énoncer H0 et h1
2- chercher statistique du test
3- distribution de la statistique (khi2, student, z) statistique S

4- spécifier le niveau du test (déterminer alpha = erreur tolérable)
5- calculer la valeur p = P (S>s) s = seuil critique

6- décision du test , si p < alpha , on rejette h0 sinon on accpete

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

Concept du test WALD

pour chaque paramètre b(k)

A

h0 : bk=0

h1 : bk=/=0

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

TEst de wald

A

Les estimateurs de maximum de vraisemblance ont une distribution asymptotique normale. Lorsque n est grand, la statistique de WALD définie par bk /sk est ditribuée selon une loi normale N(0,1)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

WALD

bêta/ s

b^2 /s^2

A

> 1,96 (distribution normale), on rejette

> 3,84 (khi2) => on rejette

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

wald exemples de valeurs

treatment : b2/s2 = 10.27

duration : b2/s2 = 0.6288

A

treatment : effet significatif du traitement sur la douleur (pcq or ««1 => 91,7% de réduction de la douleur

et valeur p<0.05

pas pour la duration

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Test de rapport de vraisemblance (LRT)

1.permet de comparer ?

L1 = vraisemblance des données du modèle 1
L2 : same shit pr modèle 2

  1. pour tester la significativité du b2, il faut ?
  2. Statistique du rapport de maximum de vraisemblance qui suit une loi ?
  3. rejet ?
A

2 modèles embôités
b0 + b1x1
et b0 + b1x1 +b2x2

  • comparer les logarithmes des vraisemblances
    V = 2LogL1 vs 2LogL2
  • de khi 2 avec 1 DDL
  • h0 : b2 =0 , au risque alpha si V > 3.84
17
Q

particularité d’avoir plus de variables ?

A

interaction possible

=> elle va avoir un impact sur l’outcome

18
Q

Analyse des interactions

on parle de ça quand ?

A

qd l’effet d’une variable explicative sur la variable dépendante dépend du niveau/valeur d’une autre variable explicative

19
Q

eg : un tx + efficace chez les femmes que chez les hommes

=> interaction entre tx et sexe

il faut (4)

A
  • décrire interaction sous la forme nouvelle variable que la régression logistique saura prendre en compte
  • vérifier si cette conjonction produit un effet significatif sur la variable dépendante (y)
  • la mesurer en termes de surcroît de risque, d,OR
  • interpréter correctement les coefficients fournis par l’Estimation
20
Q

pour déterminer s’i y a interaction ou non entre 2 variables

A

x1*x2 dans la modèle de régression logistique

21
Q 
exemple
d'intéraction
modèle 1 : b0+b1x1+b2x2
modèle 2 :
b0+b1x1+b2x2 + b12X1*x2

on tester quoi comme h0

A

la variable x1*x2 prend la valeur 1 pr les femmes traitées et 0 dans les autres cas ( femmes n-traitées, h traités ou non)

h0 : b12 =0

22
Q

modèle
b0+b1x1+b2x2 + b12X1*x2

si c’est 2 variables explicatives binaires ( x1 :traitement / x2 ; sexe)

pour les hommes x2 =0, or = ?

pour femmes x2=1, or=?

particularité si b12=0?

A

or = e^b1

or= e^b1+b12 (b0 et b2 sont des constantes)

=> OR est le meme dans les 2 sexes

juste quand les variables sont binaires

23
Q

modèle
b0+b1x1+b2x2 + b12X1*x2

1binaire et 1 explicative

OR =?

A

consécutif à une variation d’une unité d’âge correspond à e^(b1+b12)

24
Q

modèle
b0+b1x1+b2x2 + b12X1*x2

si c’est 2 variables explicatives continues (x1 :duration etx2: âge)

e^b12 représente ?

A

OR de la variable duration lorsque la variable âge augmente d’une unité

25
Q

Estimer le odds ration de l’association entre T et Y dans le groupe (z=1)

logit PR(y=1) = -0.7 + 0.6T -0.8Z +0.5T x Z

A

z=1 ,
logit (P(y=1) = -1,5 +1,1T
OR : e^b1 = > e^1,1

pour trouver b1, il fallait mettre z=1 pour trouver avant

26
Q

Facteurs de confusion :

A

variables qu’on est obligé de garder ds nos modèles

27
Q

Facteurs de confusion

triangle

si le facteur confondant a un lien avec les 2, il faut le mettre ds notre modèle. (exemple ?)

A

autres facteurs => cause => effet/outcome

autres facteurs => effet/outcome

cause : LDL
Effet/outcome : accidents CV

sexe => on sait que le LDL et accidents CV ne se comportent pas de la mm façon ds les 2 sexe

28
Q

2 définitions théoriques pr la confusion

A

F est facteur de confusion s’il existe un lien entre F et la maladie M (F est facteur de risque pour M) et un lien entre F et l’exposition E (F est concomittant de E)

F est un facteur de confusion si la relation brute entre le facteur de risque E et la maladie M n’est pas la mm que celle obtenue aux différents niveaux Fi de F

29
Q

But d’ajustement pr les facteurs de confusion

A

1- peut ^ la mesure de l’association entre E et M ou diminuer la mesure de l’association entre E et M

2 - ^ la précision (prend en compte un facteur qui augmente la variabilité de la mesure d’efficacité)
- ajustement reposant sur les variables de stratification de la randomisation peut se traduire par un gain de puissance et de précision

30
Q

NE pas ajuster un facteur de confusion peut… ?

A

créer un biais de confusion en suggérant un effet inexistant dans la réalité ou en ignorant un effet réel

31
Q

la randomisation assure ?

A

répartition harmonieuse entre les grps de variables pronostiques et analyse ajustée n’est pas justifiée

3031 intra (8 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions