Skip to content
بازگشت به نتایج جست‌وجو

رگرسیون لجستیک

معرفی‌شده توسط
David Roxbee Cox
سال
1958
نوع
Method
خانواده
classification-prediction

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

رگرسیون لجستیک یک روش آماری برای مدل‌سازی احتمال یک پیامد دوتایی (وجود/عدم وجود بیماری، موفقیت/شکست) به عنوان تابعی از پیش‌بینی‌کننده‌های پیوسته و طبقه‌بندی‌شده است. این روش که توسط دیوید راکسبی کاکس (1958) توسعه یافته است، با اعمال یک تبدیل لجستیک برای محدود کردن پیش‌بینی‌ها به بازه احتمال [0,1]، مشکل پیش‌بینی پیامدهای طبقه‌بندی‌شده را حل می‌کند و امکان طبقه‌بندی ریسک دقیق، پیش‌بینی تشخیصی و استنتاج علی را در اپیدمیولوژی، پزشکی و علوم اجتماعی فراهم می‌آورد.

شهود پشت روش

رگرسیون خطی استاندارد، پیامدهای پیوسته نامحدود را پیش‌بینی می‌کند؛ اعمال آن بر پیامدهای دوتایی (0 یا 1) پیش‌بینی‌های غیرممکن (مانند احتمال 1.5) را تولید می‌کند. رگرسیون لجستیک با مدل‌سازی لگاریتم شانس (لوجیت) پیامد به عنوان تابعی خطی از پیش‌بینی‌کننده‌ها این مشکل را حل می‌کند: logit(p) = ln[p/(1−p)] = β₀ + β₁X₁ + β₂X₂ + ... تبدیل لجستیک، پیش‌بینی‌های خطی را به احتمالات (0 تا 1) تبدیل می‌کند. این امر به پژوهشگران اجازه می‌دهد تا احتمال یک پیامد را با توجه به پیش‌بینی‌کننده‌ها تخمین بزنند، ارتباط عوامل خطر را به صورت نسبت شانس کمی‌سازی کنند و طبقه‌بندی‌های دوتایی را با عدم قطعیت اندازه‌گیری شده انجام دهند.

تاریخ

دیوید راکسبی کاکس در سال 1958 رگرسیون لجستیک را به عنوان امتداد طبیعی رگرسیون خطی برای پیامدهای دوتایی معرفی کرد. کار جروم کورنفیلد (1962) نسبت‌های شانس را در اپیدمیولوژی محبوب کرد. آزمون نیکویی برازش هاسمر-لمشو (دهه 1980) تشخیص‌هایی را برای ارزیابی مدل ارائه داد. امتدادهای مدرن شامل رگرسیون لجستیک جریمه‌شده (ریج، لسو؛ تیبشیرانی، 1996)، مدل‌های خطی تعمیم‌یافته (مک‌کالگ و نلدر، 1989) و امتدادهای چندجمله‌ای/ترتیبی (آگراستی، 2015) است. روش‌های محاسباتی فشرده (بوت استرپ، اعتبارسنجی متقابل) اکنون استنتاج قوی و اعتبارسنجی خارجی را امکان‌پذیر می‌سازند.

چه زمانی استفاده شود

هنگام پیش‌بینی یا توضیح یک پیامد دوتایی از رگرسیون لجستیک استفاده کنید. کاربردهای بالینی: پیش‌بینی تشخیص بیماری، پاسخ به درمان، مرگ‌ومیر؛ محاسبه نمرات ریسک (مانند نمره APACHE، شدت ذات‌الریه CURB-65). مطالعات اپیدمیولوژیک: تخمین شانس بیماری مرتبط با مواجهه‌ها در حالی که عوامل مخدوش‌کننده را تنظیم می‌کنید. دقت تشخیصی: اعتبارسنجی یک تست تشخیصی (پیش‌بینی بیماری از یافته‌های بالینی). تحقیقات پیمایشی: مدل‌سازی پاسخ‌های بله/خیر به سؤالات سیاست. برای پیامدهای پیوسته یا چندمقداری (>2 دسته)، از رگرسیون خطی یا چندجمله‌ای استفاده کنید. برای داده‌های بقا (زمان تا رویداد)، از رگرسیون کاکس استفاده کنید.

محدودیت‌ها و ملاحظات

  • به هم‌خطی حساس است: پیش‌بینی‌کننده‌های همبسته بالا، خطاهای استاندارد متورم و تخمین‌های ضریب ناپایدار تولید می‌کنند؛ فاکتورهای تورم واریانس را بررسی کنید.
  • رابطه خطی بین لگاریتم شانس و پیش‌بینی‌کننده‌ها را فرض می‌کند؛ مگر اینکه به صراحت مدل‌سازی شود (مانند تبدیل چندجمله‌ای، اسپلاین)، روابط غیرخطی را از دست می‌دهد.
  • پیامدهای نامتعادل (رویدادهای نادر): اگر نسبت پیامد شدید باشد (مثلاً 5% مثبت)، تخمین‌های پارامتر مغرضانه و فواصل اطمینان گسترده هستند؛ رگرسیون جریمه‌شده یا نمونه‌گیری مورد-شاهدی را در نظر بگیرید.
  • استقلال مشاهدات را فرض می‌کند؛ داده‌های خوشه‌ای (مانند بیماران در بیمارستان‌ها) فرض را نقض می‌کنند و به رگرسیون لجستیک چندسطحی نیاز دارند.
  • عملکرد طبقه‌بندی به شدت به نقطه برش احتمال انتخاب‌شده بستگی دارد؛ آستانه‌های مختلف حساسیت در مقابل ویژگی را بهینه می‌کنند و هیچ نقطه برش واحدی برای همه زمینه‌ها مناسب نیست.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • مستقیماً احتمال پیامد را تخمین می‌زند و امکان طبقه‌بندی ریسک و تصمیم‌گیری آگاهانه را در زمینه‌های بالینی و سیاستی فراهم می‌کند.
  • نسبت‌های شانس برای پزشکان قابل درک هستند: معیاری دوتایی از ارتباط که به راحتی به پزشکان و عموم منتقل می‌شود.
  • برخلاف رگرسیون خطی، در برابر نقض نرمال بودن مقاوم است؛ فقط نیازمند این است که توزیع‌های شرطی دوجمله‌ای باشند، نه نرمال.
  • پیش‌بینی‌کننده‌های پیوسته و طبقه‌بندی‌شده، تعاملات و جملات غیرخطی (مانند چندجمله‌ای، اسپلاین) را به طور انعطاف‌پذیر در بر می‌گیرد تا روابط پیچیده را ثبت کند.
  • خروجی احتمالی و منحنی‌های ROC امکان بهینه‌سازی آستانه را فراهم می‌کنند: انتخاب نقطه برش طبقه‌بندی بر اساس مصالحه حساسیت/ویژگی که مناسب زمینه کاربرد است.

کاربردها

  • پیش‌بینی ریسک بالینی: توسعه نمرات ریسک معتبر (مانند ریسک بستری مجدد 30 روزه، احتمال سپسیس) برای هدایت تخصیص منابع و مداخله زودهنگام.
  • دقت تشخیصی: پیش‌بینی تشخیص بیماری از یافته‌های بالینی، مقادیر آزمایشگاهی و تصویربرداری؛ ارزیابی حساسیت و ویژگی الگوریتم‌های تشخیصی.
  • پاسخ به درمان: مدل‌سازی احتمال موفقیت درمان (پاسخ به دارو، نتیجه جراحی) برای اطلاع‌رسانی به پزشکی شخصی و انتخاب درمان.
  • مطالعات ارتباط اپیدمیولوژیک: تخمین شانس بیماری مرتبط با مواجهه‌های محیطی یا رفتاری (سیگار کشیدن، رژیم غذایی، خطرات شغلی) در حالی که جمعیت‌شناسی را تنظیم می‌کنید.
  • بهبود کیفیت و تولید: پیش‌بینی احتمال نقص محصول از پارامترهای تولید؛ بهینه‌سازی تنظیمات فرآیند برای به حداقل رساندن شکست‌ها.

چگونه کار می‌کند

چگونه کار می‌کند

1

رگرسیون لجستیک را با تعریف یک پیامد دوتایی (کدگذاری شده 0/1) و جمع‌آوری متغیرهای پیش‌بینی‌کننده اجرا کنید. برای تخمین‌های پایدار، اندازه نمونه کافی را تضمین کنید: حداقل 10 تا 20 رویداد به ازای هر پیش‌بینی‌کننده (که رویدادها = تعداد کمتر در دسته پیامد است). استقلال مشاهدات را تأیید کنید؛ رگرسیون لجستیک فرض می‌کند که خوشه‌بندی وجود ندارد. پیش‌بینی‌کننده‌های طبقه‌بندی‌شده را با استفاده از متغیرهای مجازی کدگذاری کنید (k−1 شاخص برای k دسته). در صورت تمایل، پیش‌بینی‌کننده‌های پیوسته را برای مقایسه بدون مقیاس استاندارد کنید. قبل از برازش، ارتباطات دوتایی بین هر پیش‌بینی‌کننده و پیامد را بررسی کنید (نمودارهای رگرسیون لجستیک، همبستگی) تا به مشخصات مدل کمک کند.

2

ضرایب رگرسیون لجستیک را با استفاده از تخمین درست‌نمایی بیشینه (MLE)، نه کمترین مربعات معمولی، تخمین بزنید. نرم‌افزار، تخمین‌های پارامتر (ضرایب β) را محاسبه می‌کند که درست‌نمایی مشاهده داده‌های واقعی را به حداکثر می‌رساند. آماره‌های کلیدی: (1) ضرایب (β₀, β₁, ...): عرض از مبدأ و شیب‌ها در مقیاس لوجیت. (2) نسبت شانس (OR) = exp(β): تغییر در شانس به ازای افزایش یک واحدی در پیش‌بینی‌کننده. OR = 1 به معنای عدم تأثیر است؛ OR = 2 به معنای دو برابر شدن شانس است؛ OR = 0.5 به معنای نصف شدن شانس است. (3) خطاهای استاندارد و آماره‌های z (z = β/SE): آزمون اینکه آیا ضریب از صفر متفاوت است. (4) فواصل اطمینان برای ORها (معمولاً 95%): [exp(β − 1.96×SE), exp(β + 1.96×SE)]. (5) آزمون نیکویی برازش هاسمر-لمشو: آزمون χ² مشاهدات در مقابل پیامدهای پیش‌بینی‌شده در دهک‌های ریسک (p > 0.05 نشان‌دهنده برازش خوب است). (6) مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC): 0.5 = شانس تصادفی، 0.7–0.8 = تمایز قابل قبول، >0.8 = خوب، >0.9 = عالی.

3

تفسیر بر نسبت‌های شانس متمرکز است: OR 1.5 برای یک پیش‌بینی‌کننده به این معنی است که هر افزایش یک واحدی در آن پیش‌بینی‌کننده، شانس پیامد را 1.5 برابر می‌کند (شانس 50% بیشتر)، در حالی که سایر پیش‌بینی‌کننده‌ها ثابت نگه داشته می‌شوند. اگر فاصله اطمینان شامل 1 نباشد، OR از نظر آماری معنی‌دار است (p < 0.05). احتمال پیش‌بینی‌شده برای یک فرد = 1 / [1 + exp(−(β₀ + β₁X₁ + ...))] که در آن مقادیر X نمرات پیش‌بینی‌کننده فرد هستند. منحنی‌های ROC (نرخ مثبت واقعی در مقابل نرخ مثبت کاذب) را برای ارزیابی عملکرد طبقه‌بندی و انتخاب نقطه برش احتمال بهینه برای طبقه‌بندی دوتایی تولید کنید. مدل‌ها را (کامل در مقابل کاهش‌یافته) با استفاده از آزمون نسبت درست‌نمایی مقایسه کنید: −2 × (لگاریتم درست‌نمایی کاهش‌یافته − لگاریتم درست‌نمایی کامل) از توزیع χ² با درجه آزادی برابر با تعداد پارامترهای حذف‌شده پیروی می‌کند. تشخیص‌ها را بررسی کنید: نمودارهای جزئی، معیارهای نفوذ (نفوذ پریگیبون) و باقی‌مانده‌های پیرسون برای داده‌های پرت یا مشخصات نادرست مدل.

دام‌های رایج

  • اشتباه گرفتن ارتباط با علیت: رگرسیون لجستیک ارتباطات تعدیل‌شده را تخمین می‌زند؛ عوامل مخدوش‌کننده ناشناخته یا علیت معکوس همچنان تفسیر علی را تهدید می‌کنند.
  • استفاده صرف از دقت طبقه‌بندی برای ارزیابی مدل: با پیامدهای نامتعادل، مدلی که همه موارد را منفی پیش‌بینی می‌کند می‌تواند دقیق به نظر برسد؛ از AUC، حساسیت، ویژگی و ارزش پیش‌بینی مثبت استفاده کنید.
  • گزارش مقادیر p بدون فواصل اطمینان یا اندازه‌های اثر؛ اهمیت آماری، اهمیت بالینی نیست. همیشه ORها را با فاصله اطمینان 95% گزارش دهید.
  • عدم بررسی آزمون هاسمر-لمشو و تشخیص‌های باقی‌مانده؛ نقض نیکویی برازش نشان‌دهنده مشخصات نادرست مدل است.
  • بیش‌برازش مدل: برازش تعداد زیادی پیش‌بینی‌کننده نسبت به اندازه نمونه (به خصوص تعداد رویدادهای پیامد) تخمین‌های عملکرد خوش‌بینانه تولید می‌کند؛ از اعتبارسنجی متقابل استفاده کنید.
  • دیکوتومی کردن پیش‌بینی‌کننده‌های پیوسته (مانند سن > 65) منجر به از دست دادن اطلاعات و تخمین‌های ضریب ناپایدار می‌شود؛ شکل پیوسته را حفظ کنید یا از اسپلاین‌های مکعبی محدود استفاده کنید.

پرسش‌های متداول

چگونه یک نسبت شانس 2.5 با فاصله اطمینان 95% [1.8, 3.5] را تفسیر کنم؟

OR 2.5 به این معنی است که شانس پیامد 2.5 برابر بیشتر برای افزایش یک واحدی آن پیش‌بینی‌کننده (یا برای دسته شاخص‌گذاری شده در مقابل مرجع، اگر طبقه‌بندی‌شده باشد)، با تنظیم سایر پیش‌بینی‌کننده‌ها، است. فاصله اطمینان 95% [1.8, 3.5] نشان می‌دهد که با اطمینان 95%، OR جمعیت واقعی بین 1.8 و 3.5 قرار دارد. از آنجایی که فاصله اطمینان شامل 1 نمی‌شود، ارتباط از نظر آماری معنی‌دار است (p < 0.05). تفسیر بزرگی: OR 1–1.5 = اثر کوچک، 1.5–3 = متوسط، >3 = بزرگ. پزشکان اغلب می‌پرسند: آیا شانس 2.5 برابر بیشتر از نظر بالینی برای این پیامد معنی‌دار است؟ زمینه مهم است.

آزمون هاسمر-لمشو چه چیزی را به من می‌گوید و چه زمانی باید نگران مقدار p پایین باشم؟

آزمون هاسمر-لمشو ارزیابی می‌کند که آیا احتمالات پیش‌بینی‌شده با نسبت‌های پیامد مشاهده‌شده در دهک‌های ریسک مطابقت دارند یا خیر. p > 0.05 نشان‌دهنده کالیبراسیون خوب است؛ p < 0.05 نشان می‌دهد که مدل در برخی گروه‌های ریسک پیش‌بینی نادرستی دارد و مشخصات نادرست بالقوه را نشان می‌دهد. مقدار p پایین، تحقیق را تحریک می‌کند: نمودارهای کالیبراسیون دهک به دهک را بررسی کنید، روابط غیرخطی که ثبت نشده‌اند را بررسی کنید، تعاملات را کاوش کنید، یا داده‌های پرت را بررسی کنید. با این حال، با نمونه‌های بسیار بزرگ، حتی انحرافات جزئی از کالیبراسیون کامل می‌تواند مقادیر p پایین تولید کند؛ بازرسی بصری نمودارهای کالیبراسیون اغلب آموزنده‌تر از خود آزمون است.

چگونه یک نقطه برش احتمال را برای طبقه‌بندی افراد به عنوان در معرض خطر یا نه، انتخاب کنم؟

انتخاب به زمینه بالینی یا سیاستی و هزینه مثبت‌های کاذب در مقابل منفی‌های کاذب بستگی دارد. منحنی ROC، حساسیت (نرخ مثبت واقعی) در مقابل 1-ویژگی (نرخ مثبت کاذب) را در تمام آستانه‌های احتمال ترسیم می‌کند. نقطه برش 0.5 پیش‌فرض است اما به ندرت بهینه است. اگر از دست دادن موارد مثبت پرهزینه باشد (مانند تشخیص سرطان)، نقطه برش پایین‌تری (حساسیت بالاتر) انتخاب کنید. اگر هشدارهای کاذب پرهزینه باشند (مانند مداخلات غیرضروری)، نقطه برش بالاتری (ویژگی بالاتر) انتخاب کنید. از شاخص یودن (حساسیت + ویژگی - 1) استفاده کنید یا ارزش پیش‌بینی مثبت (PPV) و ارزش پیش‌بینی منفی (NPV) را در جمعیت خود بررسی کنید تا تصمیم بگیرید.

رگرسیون لجستیک چگونه با رگرسیون خطی برای پیش‌بینی پیامدهای دوتایی تفاوت دارد؟

رگرسیون خطی اعمال شده بر پیامدهای دوتایی، مقادیر پیش‌بینی‌شده خارج از [0, 1] تولید می‌کند، فرض نرمال بودن را نقض می‌کند و باقی‌مانده‌های ناهمسانی تولید می‌کند. رگرسیون لجستیک با تبدیل لجستیک، پیش‌بینی‌ها را به احتمالات محدود می‌کند، توزیع شرطی دوجمله‌ای را فرض می‌کند و باقی‌مانده‌های همسانی تولید می‌کند. علاوه بر این، خطاهای استاندارد رگرسیون خطی مغرضانه هستند؛ رگرسیون لجستیک از درست‌نمایی بیشینه استفاده می‌کند که استنتاج صحیح را برای داده‌های دوتایی ارائه می‌دهد. رگرسیون لجستیک به طور خاص برای پیامدهای دوتایی طراحی شده است و همیشه باید ترجیح داده شود؛ رگرسیون خطی بر روی پیامدهای دوتایی یک اشتباه رایج است.

روش‌های مرتبط

منابع

  1. Cox, D. R. (1958). The regression analysis of binary sequences. Journal of the Royal Statistical Society, Series B, 20(2), 215–242.

    باز کردن مرجع DOI
    کپی شد.
  2. Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression (3rd ed.). John Wiley & Sons.

    باز کردن مرجع DOI
    کپی شد.