Làm thế nào để giải thích tỷ lệ nguy hiểm từ một biến liên tục - đơn vị chênh lệch?


10

Tôi đang đọc một bài viết cho thấy Tỷ lệ Nguy hiểm cho các biến liên tục, nhưng tôi không chắc làm thế nào để diễn giải các giá trị đã cho.

Sự hiểu biết hiện tại của tôi về các tỷ lệ nguy hiểm là con số đại diện cho khả năng tương đối của [sự kiện] với một số điều kiện. Ví dụ: nếu tỷ lệ nguy cơ tử vong do ung thư phổi do hút thuốc (một sự kiện nhị phân) là 2, thì những người hút thuốc có khả năng tử vong cao gấp đôi trong khoảng thời gian được theo dõi so với người không hút thuốc.

Nhìn trên wikipedia, cách hiểu cho các biến liên tục là tỷ lệ nguy hiểm áp dụng cho một đơn vị chênh lệch. Điều này có ý nghĩa với tôi đối với các biến số thứ tự (ví dụ: số lượng thuốc lá hút trong một ngày), nhưng tôi không biết cách áp dụng khái niệm này cho các biến liên tục (ví dụ: gram nicotine hút mỗi ngày?)

Câu trả lời:


13

Giả sử các mối nguy theo tỷ lệ (như trong mô hình Cox) và tỷ lệ nguy hiểm khi tăng 1 mg nicotine hút thuốc mỗi ngày là 1,02, thì điều này cho bạn biết rằng những người hút 11 mg có khả năng chết trong khoảng thời gian được theo dõi so với những người hút thuốc 10 mg. Điều tương tự cũng áp dụng cho 12 so với 11 mg, v.v ... Nếu đơn vị cộng hưởng liên tục của bạn quá nhỏ để giải thích, thì đơn giản là lũy thừa tỷ lệ nguy hiểm tương ứng: Người hút 20 mg trong đó (1,02) ^ 10 = 1,22 có khả năng tử vong so với người hút thuốc 10 mg, vv (Điều này được gây ra bởi cấu trúc mô hình nhân của hồi quy Cox.)


4

Nếu biến của bạn là gam nicotine (mỗi ngày?) Thì đơn vị là 1 gram nicotine. Nếu biến của bạn được đo bằng miligam thì đơn vị là 1 miligram. Loại thứ hai nghe có vẻ hợp lý hơn đối với tôi, vì tôi nghi ngờ 1 gram nicotine là khá nguy hiểm.

Vì vậy, trong bối cảnh này, đơn vị không đề cập đến những thứ rời rạc (như sigaretes), mà là đơn vị đo biến số (số sigaretes, gram hoặc miligram nicotine, lít hoặc pint bia, ...)


2

Theo mặc định, các rmsgói cphsummarychức năng của R tính toán tỷ lệ rủi ro giữa các nhóm tứ phân vị. Điều này xử lý các phi tuyến (nhưng không phải là không đơn điệu) và tương tác khá dễ dàng, đặt gần như tất cả các biến trên một cơ sở như nhau.


Bạn có thể giải thích một chút về các ý kiến ​​liên quan đến phi tuyến tính và tương tác?
ocram

1
Nếu có nhiều hơn một hệ số cho công cụ dự đoán trong mô hình, bạn không thể diễn giải bất kỳ hệ số đơn lẻ nào. Một trường hợp đơn giản sẽ có và trong mô hình; bạn cần thay đổi để có được tỷ lệ lợi ích quan tâm. xx2β1x+β2x2
Frank Harrell
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.