การถดถอยโลจิสติก
- ผู้เสนอ
- David Roxbee Cox
- ปี
- 1958
- ประเภท
- Method
- กลุ่มวิธี
- classification-prediction
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การถดถอยโลจิสติก (Logistic regression) เป็นวิธีการทางสถิติสำหรับการสร้างแบบจำลองความน่าจะเป็นของผลลัพธ์แบบไบนารี (เช่น มี/ไม่มีโรค, สำเร็จ/ไม่สำเร็จ) โดยเป็นฟังก์ชันของตัวพยากรณ์แบบต่อเนื่องและแบบจำแนกประเภท พัฒนาโดย David Roxbee Cox (1958) เพื่อแก้ปัญหาการพยากรณ์ผลลัพธ์เชิงจำแนกประเภท โดยการประยุกต์ใช้การแปลงโลจิสติกเพื่อจำกัดการพยากรณ์ให้อยู่ในช่วงความน่าจะเป็น [0,1] ซึ่งช่วยให้สามารถจำแนกความเสี่ยงได้อย่างแม่นยำ การพยากรณ์การวินิจฉัย และการอนุมานเชิงสาเหตุในสาขาวิชาระบาดวิทยา การแพทย์ และสังคมศาสตร์
แนวคิดเบื้องหลังวิธีการ
การถดถอยเชิงเส้นมาตรฐานจะพยากรณ์ผลลัพธ์ต่อเนื่องที่ไม่มีขอบเขต การนำไปใช้กับผลลัพธ์แบบไบนารี (0 หรือ 1) จะทำให้เกิดการพยากรณ์ที่เป็นไปไม่ได้ (เช่น ความน่าจะเป็น 1.5) การถดถอยโลจิสติกแก้ปัญหานี้โดยการสร้างแบบจำลอง log-odds (logit) ของผลลัพธ์ให้เป็นฟังก์ชันเชิงเส้นของตัวพยากรณ์: logit(p) = ln[p/(1−p)] = β₀ + β₁X₁ + β₂X₂ + ... การแปลงโลจิสติกจะเปลี่ยนการพยากรณ์เชิงเส้นกลับไปเป็นความน่าจะเป็น (0 ถึง 1) ซึ่งช่วยให้นักวิจัยสามารถประมาณความน่าจะเป็นของผลลัพธ์เมื่อกำหนดตัวพยากรณ์ วัดความสัมพันธ์ของปัจจัยเสี่ยงในรูปของอัตราส่วนออดส์ (odds ratio) และทำการจำแนกแบบไบนารีพร้อมกับความไม่แน่นอนที่วัดได้
ประวัติศาสตร์
David Roxbee Cox ได้นำเสนอการถดถอยโลจิสติกในปี 1958 ในฐานะส่วนขยายที่เป็นธรรมชาติของการถดถอยเชิงเส้นสำหรับผลลัพธ์แบบไบนารี งานของ Jerome Cornfield (1962) ทำให้อัตราส่วนออดส์เป็นที่นิยมในระบาดวิทยา การทดสอบความเหมาะสมของแบบจำลอง Hosmer-Lemeshow (ทศวรรษ 1980) ให้การวินิจฉัยสำหรับการประเมินแบบจำลอง ส่วนขยายที่ทันสมัยรวมถึงการถดถอยโลจิสติกแบบมีบทลงโทษ (ridge, lasso; Tibshirani, 1996), แบบจำลองเชิงเส้นทั่วไป (generalized linear models หรือ GLM; McCullagh & Nelder, 1989), และส่วนขยายแบบพหุนาม (multinomial) และแบบอันดับ (ordinal) (Agresti, 2015) วิธีการที่ต้องใช้คอมพิวเตอร์อย่างเข้มข้น (bootstrap, cross-validation) ช่วยให้สามารถอนุมานที่แข็งแกร่งและการตรวจสอบความถูกต้องภายนอกได้
ควรใช้เมื่อใด
ใช้การถดถอยโลจิสติกเมื่อพยากรณ์หรืออธิบายผลลัพธ์แบบไบนารี การประยุกต์ใช้ทางคลินิก: การพยากรณ์การวินิจฉัยโรค, การตอบสนองต่อการรักษา, อัตราการเสียชีวิต; การคำนวณคะแนนความเสี่ยง (เช่น คะแนน APACHE, ความรุนแรงของปอดบวม CURB-65) การศึกษาทางระบาดวิทยา: การประมาณอัตราส่วนออดส์ของโรคที่เกี่ยวข้องกับการสัมผัสในขณะที่ปรับตัวแปรกวน ความแม่นยำในการวินิจฉัย: การตรวจสอบความถูกต้องของการทดสอบวินิจฉัย (พยากรณ์โรคจากผลการตรวจทางคลินิก) การวิจัยสำรวจ: การสร้างแบบจำลองการตอบสนองใช่/ไม่ใช่สำหรับคำถามนโยบาย สำหรับผลลัพธ์ต่อเนื่องหรือหลายประเภท (มากกว่า 2 หมวดหมู่) ให้ใช้การถดถอยเชิงเส้น หรือการถดถอยโลจิสติกแบบพหุนาม/แบบอันดับ สำหรับข้อมูลการรอดชีวิต (เวลาถึงเหตุการณ์) ให้ใช้การถดถอย Cox
ข้อจำกัดและข้อควรพิจารณา
- ไวต่อภาวะสหสัมพันธ์ร่วมเชิงเส้น: ตัวพยากรณ์ที่มีความสัมพันธ์กันสูงจะทำให้ค่าความคลาดเคลื่อนมาตรฐานสูงขึ้นและค่าสัมประสิทธิ์ไม่เสถียร; ตรวจสอบปัจจัยการเพิ่มความแปรปรวน (VIF)
- สมมติความสัมพันธ์เชิงเส้นระหว่าง log-odds และตัวพยากรณ์; พลาดความสัมพันธ์ที่ไม่เป็นเชิงเส้นเว้นแต่จะมีการสร้างแบบจำลองอย่างชัดเจน (เช่น การแปลงพหุนาม, spline)
- ผลลัพธ์ที่ไม่สมดุล (เหตุการณ์หายาก): หากสัดส่วนของผลลัพธ์สุดขีด (เช่น 5% เป็นบวก) ค่าประมาณพารามิเตอร์จะมีความลำเอียงและช่วงความเชื่อมั่นกว้าง; พิจารณาการถดถอยแบบมีบทลงโทษหรือการสุ่มตัวอย่างแบบกรณีควบคุม
- สมมติความเป็นอิสระของการสังเกตการณ์; ข้อมูลที่มีการรวมกลุ่ม (เช่น ผู้ป่วยในโรงพยาบาล) ละเมิดสมมติฐานและต้องใช้การถดถอยโลจิสติกหลายระดับ
- ประสิทธิภาพการจำแนกขึ้นอยู่กับจุดตัดความน่าจะเป็นที่เลือกอย่างมาก; จุดตัดที่แตกต่างกันจะปรับความไวเทียบกับความจำเพาะให้เหมาะสม และไม่มีจุดตัดใดที่เหมาะสมกับทุกบริบท
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ประมาณความน่าจะเป็นของผลลัพธ์โดยตรง ทำให้สามารถจำแนกความเสี่ยงและตัดสินใจได้อย่างมีข้อมูลในบริบททางคลินิกและนโยบาย
- อัตราส่วนออดส์เป็นสิ่งที่เข้าใจง่ายสำหรับผู้ปฏิบัติงาน: เป็นมาตรวัดความสัมพันธ์แบบทวิภาคีที่สื่อสารกับแพทย์และสาธารณชนได้ง่าย
- ทนทานต่อการละเมิดสมมติฐานการแจกแจงปกติ (ไม่เหมือนการถดถอยเชิงเส้น); ต้องการเพียงการแจกแจงแบบมีเงื่อนไขเป็นแบบทวินาม ไม่ใช่แบบปกติ
- สามารถรวมตัวพยากรณ์แบบต่อเนื่องและแบบจำแนกประเภท ปฏิสัมพันธ์ และพจน์ที่ไม่เป็นเชิงเส้น (เช่น พหุนาม, spline) ได้อย่างยืดหยุ่นเพื่อจับความสัมพันธ์ที่ซับซ้อน
- ผลลัพธ์เชิงความน่าจะเป็นและเส้นโค้ง ROC ช่วยให้สามารถปรับจุดตัดให้เหมาะสม: เลือกจุดตัดการจำแนกตามการแลกเปลี่ยนระหว่างความไว/ความจำเพาะที่เหมาะสมกับบริบทการใช้งาน
การประยุกต์ใช้
- การพยากรณ์ความเสี่ยงทางคลินิก: การพัฒนาคะแนนความเสี่ยงที่ได้รับการตรวจสอบความถูกต้อง (เช่น ความเสี่ยงการกลับเข้ารับการรักษาใน 30 วัน, โอกาสเกิดภาวะติดเชื้อในกระแสเลือด) เพื่อเป็นแนวทางในการจัดสรรทรัพยากรและการแทรกแซงตั้งแต่เนิ่นๆ
- ความแม่นยำในการวินิจฉัย: การพยากรณ์การวินิจฉัยโรคจากผลการตรวจทางคลินิก, ค่าทางห้องปฏิบัติการ, และภาพถ่าย; การประเมินความไวและความจำเพาะของอัลกอริทึมการวินิจฉัย
- การตอบสนองต่อการรักษา: การสร้างแบบจำลองความน่าจะเป็นของความสำเร็จในการรักษา (การตอบสนองต่อยา, ผลลัพธ์การผ่าตัด) เพื่อแจ้งข้อมูลสำหรับการแพทย์เฉพาะบุคคลและการเลือกการรักษา
- การศึกษาความสัมพันธ์ทางระบาดวิทยา: การประมาณอัตราส่วนออดส์ของโรคที่เกี่ยวข้องกับการสัมผัสทางสิ่งแวดล้อมหรือพฤติกรรม (การสูบบุหรี่, อาหาร, อันตรายจากการทำงาน) ในขณะที่ปรับตัวแปรทางประชากร
- การปรับปรุงคุณภาพและการผลิต: การพยากรณ์ความน่าจะเป็นของข้อบกพร่องของผลิตภัณฑ์จากพารามิเตอร์การผลิต; การปรับการตั้งค่ากระบวนการให้เหมาะสมเพื่อลดความล้มเหลว
วิธีการทำงาน
วิธีการทำงาน
ดำเนินการถดถอยโลจิสติกโดยกำหนดผลลัพธ์แบบไบนารี (เข้ารหัส 0/1) และรวบรวมตัวแปรพยากรณ์ ตรวจสอบให้แน่ใจว่ามีขนาดตัวอย่างที่เพียงพอสำหรับการประมาณค่าที่เสถียร: อย่างน้อย 10–20 เหตุการณ์ต่อตัวพยากรณ์ (โดยที่เหตุการณ์ = จำนวนหมวดหมู่ผลลัพธ์ที่น้อยกว่า) ตรวจสอบความเป็นอิสระของการสังเกตการณ์; การถดถอยโลจิสติกสมมติว่าไม่มีการรวมกลุ่ม เข้ารหัสตัวพยากรณ์เชิงจำแนกประเภทโดยใช้ตัวแปรหุ่น (k−1 ตัวบ่งชี้สำหรับ k หมวดหมู่) อาจทำการปรับมาตรฐานตัวพยากรณ์ต่อเนื่องเพื่อการเปรียบเทียบที่ไม่ขึ้นกับมาตราส่วน ก่อนการปรับแบบจำลอง ให้สำรวจความสัมพันธ์แบบทวิภาคีระหว่างตัวพยากรณ์แต่ละตัวกับผลลัพธ์ (แผนภาพการถดถอยโลจิสติก, สหสัมพันธ์) เพื่อเป็นแนวทางในการกำหนดแบบจำลอง
ประมาณค่าสัมประสิทธิ์การถดถอยโลจิสติกโดยใช้วิธีการประมาณค่าความน่าจะเป็นสูงสุด (Maximum Likelihood Estimation หรือ MLE) ไม่ใช่วิธีกำลังสองน้อยที่สุดสามัญ ซอฟต์แวร์จะคำนวณค่าประมาณพารามิเตอร์ (สัมประสิทธิ์ β) ที่ทำให้ความน่าจะเป็นของการสังเกตข้อมูลจริงสูงสุด สถิติสำคัญ: (1) สัมประสิทธิ์ (β₀, β₁, ...): ค่าคงที่และค่าความชันในมาตราส่วน logit (2) อัตราส่วนออดส์ (Odds Ratio หรือ OR) = exp(β): การเปลี่ยนแปลงของอัตราส่วนออดส์ต่อหน่วยที่เพิ่มขึ้นของตัวพยากรณ์ OR = 1 หมายถึงไม่มีผล; OR = 2 หมายถึงอัตราส่วนออดส์เพิ่มขึ้นสองเท่า; OR = 0.5 หมายถึงอัตราส่วนออดส์ลดลงครึ่งหนึ่ง (3) ค่าความคลาดเคลื่อนมาตรฐานและสถิติ z (z = β/SE): ทดสอบว่าสัมประสิทธิ์แตกต่างจากศูนย์หรือไม่ (4) ช่วงความเชื่อมั่นสำหรับ ORs (โดยทั่วไป 95%): [exp(β − 1.96×SE), exp(β + 1.96×SE)] (5) การทดสอบความเหมาะสมของแบบจำลอง Hosmer-Lemeshow: การทดสอบ χ² ของผลลัพธ์ที่สังเกตได้เทียบกับที่พยากรณ์ไว้ในกลุ่มความเสี่ยงเดไซล์ (p > 0.05 บ่งชี้ว่าแบบจำลองเหมาะสม) (6) พื้นที่ใต้เส้นโค้ง Receiver Operating Characteristic (AUC): 0.5 = โอกาสสุ่ม, 0.7–0.8 = การจำแนกที่ยอมรับได้, >0.8 = ดี, >0.9 = ยอดเยี่ยม
การตีความมุ่งเน้นไปที่อัตราส่วนออดส์: OR เท่ากับ 1.5 สำหรับตัวพยากรณ์หมายความว่าทุกหน่วยที่เพิ่มขึ้นจะเพิ่มอัตราส่วนออดส์ของผลลัพธ์เป็น 1.5 เท่า (อัตราส่วนออดส์สูงขึ้น 50%) โดยที่ตัวพยากรณ์อื่น ๆ คงที่ หากช่วงความเชื่อมั่นไม่รวม 1 แสดงว่า OR มีนัยสำคัญทางสถิติ (p < 0.05) ความน่าจะเป็นที่พยากรณ์สำหรับแต่ละบุคคล = 1 / [1 + exp(−(β₀ + β₁X₁ + ...))] โดยที่ค่า X คือคะแนนตัวพยากรณ์ของแต่ละบุคคล สร้างเส้นโค้ง ROC (อัตราการเป็นบวกจริงเทียบกับอัตราการเป็นบวกปลอม) เพื่อประเมินประสิทธิภาพการจำแนกและเลือกจุดตัดความน่าจะเป็นที่เหมาะสมที่สุดสำหรับการจำแนกแบบไบนารี เปรียบเทียบแบบจำลอง (แบบเต็มเทียบกับแบบลดทอน) โดยใช้การทดสอบอัตราส่วนความน่าจะเป็น: −2 × (log-likelihood ของแบบจำลองลดทอน − log-likelihood ของแบบจำลองเต็ม) จะเป็นไปตามการแจกแจง χ² โดยมี df = จำนวนพารามิเตอร์ที่ถูกลบออก ตรวจสอบการวินิจฉัย: แผนภาพบางส่วน, มาตรวัดอิทธิพล (Pregibon influence), และส่วนเหลือแบบเพียร์สัน (Pearson residual) สำหรับค่าผิดปกติหรือการกำหนดแบบจำลองที่ไม่ถูกต้อง
ข้อผิดพลาดที่พบบ่อย
- ความสับสนระหว่างความสัมพันธ์กับความเป็นเหตุเป็นผล: การถดถอยโลจิสติกประมาณความสัมพันธ์ที่ปรับแล้ว; ตัวแปรกวนที่ไม่รู้จักหรือความเป็นเหตุเป็นผลย้อนกลับยังคงเป็นภัยคุกคามต่อการตีความเชิงสาเหตุ
- การใช้ความแม่นยำในการจำแนกเพียงอย่างเดียวในการประเมินแบบจำลอง: ด้วยผลลัพธ์ที่ไม่สมดุล แบบจำลองที่พยากรณ์ค่าลบทั้งหมดอาจดูแม่นยำ; ใช้ AUC, ความไว, ความจำเพาะ และค่าทำนายผลบวก
- การรายงานค่า p โดยไม่มีช่วงความเชื่อมั่นหรือขนาดผลกระทบ; นัยสำคัญทางสถิติไม่ใช่ความสำคัญทางคลินิก ควรรายงาน ORs พร้อม 95% CI เสมอ
- การไม่ตรวจสอบการทดสอบ Hosmer-Lemeshow และการวินิจฉัยส่วนเหลือ (residual); การละเมิดความเหมาะสมของแบบจำลองบ่งชี้ถึงการกำหนดแบบจำลองที่ไม่ถูกต้อง
- การสร้างแบบจำลองที่มากเกินไป (Model overfitting): การปรับตัวพยากรณ์มากเกินไปเมื่อเทียบกับขนาดตัวอย่าง (โดยเฉพาะจำนวนเหตุการณ์ผลลัพธ์) ทำให้เกิดการประมาณประสิทธิภาพที่มองโลกในแง่ดี; ใช้การตรวจสอบความถูกต้องแบบไขว้
- การแบ่งตัวพยากรณ์ต่อเนื่องเป็นสองส่วน (เช่น อายุ > 65 ปี) ทำให้ข้อมูลสูญหายและค่าสัมประสิทธิ์ไม่เสถียร; ควรคงรูปแบบต่อเนื่องไว้หรือใช้ restricted cubic splines
คำถามที่พบบ่อย
ฉันจะตีความอัตราส่วนออดส์ (odds ratio: OR) ที่ 2.5 พร้อมช่วงความเชื่อมั่น 95% [1.8, 3.5] ได้อย่างไร?
OR ที่ 2.5 หมายความว่าอัตราส่วนออดส์ของผลลัพธ์สูงขึ้น 2.5 เท่าสำหรับการเพิ่มขึ้น 1 หน่วยในตัวพยากรณ์นั้น (หรือสำหรับหมวดหมู่ที่ระบุเทียบกับหมวดหมู่อ้างอิง หากเป็นตัวแปรเชิงจำแนก) โดยปรับสำหรับตัวพยากรณ์อื่น ๆ ช่วงความเชื่อมั่น 95% [1.8, 3.5] บ่งชี้ว่าด้วยความเชื่อมั่น 95% OR ที่แท้จริงของประชากรอยู่ระหว่าง 1.8 ถึง 3.5 เนื่องจากช่วงความเชื่อมั่นไม่รวม 1 ความสัมพันธ์จึงมีนัยสำคัญทางสถิติ (p < 0.05) การตีความขนาด: OR 1–1.5 = ผลกระทบเล็กน้อย, 1.5–3 = ปานกลาง, >3 = มาก แพทย์มักจะถามว่า: อัตราส่วนออดส์ที่สูงขึ้น 2.5 เท่ามีความสำคัญทางคลินิกสำหรับผลลัพธ์นี้หรือไม่? บริบทมีความสำคัญ
การทดสอบ Hosmer-Lemeshow บอกอะไรฉัน และฉันควรกังวลเกี่ยวกับค่า p ที่ต่ำเมื่อใด?
การทดสอบ Hosmer-Lemeshow ประเมินว่าความน่าจะเป็นที่พยากรณ์ไว้ตรงกับสัดส่วนผลลัพธ์ที่สังเกตได้ในกลุ่มความเสี่ยงเดไซล์หรือไม่ ค่า p > 0.05 บ่งชี้ว่าการปรับเทียบดี; ค่า p < 0.05 บ่งชี้ว่าแบบจำลองพยากรณ์ผิดพลาดในบางกลุ่มความเสี่ยง ซึ่งบ่งชี้ถึงการกำหนดแบบจำลองที่ไม่ถูกต้อง ค่า p ที่ต่ำกระตุ้นให้เกิดการตรวจสอบ: ตรวจสอบแผนภาพการปรับเทียบแบบเดไซล์, ตรวจสอบความสัมพันธ์ที่ไม่เป็นเชิงเส้นที่ไม่ได้ถูกจับ, สำรวจปฏิสัมพันธ์, หรือตรวจสอบค่าผิดปกติ อย่างไรก็ตาม ด้วยตัวอย่างขนาดใหญ่มาก แม้แต่ความคลาดเคลื่อนเล็กน้อยจากการปรับเทียบที่สมบูรณ์แบบก็สามารถให้ค่า p ที่ต่ำได้; การตรวจสอบด้วยสายตาจากแผนภาพการปรับเทียบมักให้ข้อมูลมากกว่าการทดสอบเพียงอย่างเดียว
ฉันจะเลือกจุดตัดความน่าจะเป็นสำหรับการจำแนกบุคคลว่ามีความเสี่ยงหรือไม่ได้อย่างไร?
การเลือกขึ้นอยู่กับบริบททางคลินิกหรือนโยบาย และต้นทุนของผลบวกปลอมเทียบกับผลลบปลอม เส้นโค้ง ROC จะพล็อตความไว (อัตราการเป็นบวกจริง) เทียบกับ 1-ความจำเพาะ (อัตราการเป็นบวกปลอม) ในทุกจุดตัดความน่าจะเป็น จุดตัด 0.5 เป็นค่าเริ่มต้นแต่ไม่ค่อยเหมาะสม หากการพลาดกรณีที่เป็นบวกมีค่าใช้จ่ายสูง (เช่น การพลาดการวินิจฉัยมะเร็ง) ให้เลือกจุดตัดที่ต่ำกว่า (ความไวสูงขึ้น) หากสัญญาณเตือนที่ผิดพลาดมีค่าใช้จ่ายสูง (เช่น การแทรกแซงที่ไม่จำเป็น) ให้เลือกจุดตัดที่สูงขึ้น (ความจำเพาะสูงขึ้น) ใช้ดัชนี Youden (ความไว + ความจำเพาะ − 1) หรือตรวจสอบค่าทำนายผลบวก (PPV) และค่าทำนายผลลบ (NPV) ในประชากรของคุณเพื่อตัดสินใจ
การถดถอยโลจิสติกแตกต่างจากการถดถอยเชิงเส้นสำหรับการพยากรณ์ผลลัพธ์แบบไบนารีอย่างไร?
การถดถอยเชิงเส้นที่นำไปใช้กับผลลัพธ์แบบไบนารีจะสร้างค่าที่พยากรณ์ไว้นอกช่วง [0, 1] ละเมิดสมมติฐานการแจกแจงปกติ และสร้างค่าความคลาดเคลื่อนที่มีความแปรปรวนไม่คงที่ การถดถอยโลจิสติกจำกัดการพยากรณ์ให้อยู่ในรูปของความน่าจะเป็นผ่านการแปลงโลจิสติก สมมติการแจกแจงแบบทวินามแบบมีเงื่อนไข และสร้างค่าความคลาดเคลื่อนที่มีความแปรปรวนคงที่ ยิ่งไปกว่านั้น ค่าความคลาดเคลื่อนมาตรฐานจากการถดถอยเชิงเส้นมีความลำเอียง; การถดถอยโลจิสติกใช้วิธีความน่าจะเป็นสูงสุด ซึ่งให้การอนุมานที่ถูกต้องสำหรับข้อมูลไบนารี การถดถอยโลจิสติกได้รับการออกแบบมาโดยเฉพาะสำหรับผลลัพธ์แบบไบนารีและควรได้รับการเลือกใช้เสมอ; การถดถอยเชิงเส้นกับผลลัพธ์แบบไบนารีเป็นข้อผิดพลาดที่พบบ่อย
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Cox, D. R. (1958). The regression analysis of binary sequences. Journal of the Royal Statistical Society, Series B, 20(2), 215–242.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วHosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression (3rd ed.). John Wiley & Sons.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว