Hallo,
Ik doe een ordinale logistische regressieanalyse en wil kijken wat de relatieve invloed is van mijn onafhankelijke variabelen. Hiervoor heb ik de odds ratios nodig, die in SPSS in de kolom 'exp(B)' in de tabel 'variables in the equation' zouden moeten staan. In mijn output heb ik deze tabel echter niet, en de odds ratios dus ook niet. Weet iemand hoe ik in de output van de ordinale logistische regressieanalyse wel de odds ratios kan krijgen?
Alvast bedankt.
Freke
Laatste berichten
-
15:29
[wiskunde] Prijs Product per KG; Alternatief Inzicht
-
14:55
wig
-
14:55
Herleiden afmetingen vanaf een foto 20
-
13:57
do-re-mi-fa-so vliegtuigen 9
-
13:16
geen minkowski-ruimte toch? Doe ik dit nou fout? 17
-
13:12
[natuurkunde] kroon van koning op Syracuse 10
-
12:01
Gravity and gravitation 1
-
10:15
2013 – Augustus Vraag 3 3
-
09:54
Bruine vlekken op treinaanwijzerbord 6
-
23:07
Rood laserlicht 2
-
24 apr
Vraag 2009 Juli Vraag 5 5
-
24 apr
positie 2
-
24 apr
Schroefdraad berekening 8
-
24 apr
[scheikunde] Kan chloorgas de geleiding van elektriciteit belemmeren? 9
-
23 apr
Weerfrustratie 9
-
23 apr
Kunnen quantum Zonnecellen 190% quantum efficiënt zijn 3
-
23 apr
De Euro Nederlandse 100 qubit computer komt eraan
-
23 apr
projectiel 8
-
23 apr
Verschil tussen deze 2 vragen 5
-
23 apr
[scheikunde] berekeningen labo vitamine c bepaling 1
Nieuwsberichten
-
04 mar
Een nieuw soort magnetisme: altermagnetisme
-
31 okt
AI kan via stem diabetes vaststellen 11
-
21 okt
Einstein krijgt wéér gelijk 45
-
07 feb
witter dan wit 20
-
19 jun
irrigatie en de aardas
SPSS - Odds Ratio's in ordinal logistic regression
Forumregels
(Middelbare) school-achtige vragen naar het forum "Huiswerk en Practica" a.u.b.
Zie eerst de Huiswerkbijsluiter
(Middelbare) school-achtige vragen naar het forum "Huiswerk en Practica" a.u.b.
Zie eerst de Huiswerkbijsluiter
-
- Berichten: 9
Re: SPSS - Odds Ratio's in ordinal logistic regression
Beste Feke,
ik weet niet precies wat je hebt gedaan, welke revisie e.d. van SPSS je gebruikt, en of je ook licentie hebt op de zogenaamde Advanced statistics-module, maar normaliter leidt de SPSS-syntax:
data list free / x, y, n.
begin data.
1 1 5
1 2 1
2 1 3
2 2 9
end data.
weight by n.
logistic regression y with x/print=ci.
o.a. tot de output:
_____Variables in the Equation
________________________B______S.E.____Wald_____df_____Sig______Exp(B)_____95,0% C.I. for EXP(B)
__________________________________________________________________________Lower_
______Upper
Step 1(a)_____x______2,708_____1,282_____4,460_____1_____,035_____15,000_____1,215___
__185,198
______Constant______-4,317_____2,290_____3,554_____1_____,059_______,013
[Tabs heb ik vervangen door streepjes, tabs werken blijkbaar niet in deze context of ik doe iets fout?]
Er is dan toch echt een kolom met Exp(B) en daarin het getal 15 met zijn 95% betrouwbaarheidsinterval. Die Odds Ratio van 15 is in dit voorbeeld uiteraard heel simpel het kruisproduct (5*9)/(3*1). Odds Ratio is overigens geen Relatief Risico. Elke 2*2 tabel heeft slechts één Odds Ratio (en zijn inverse), maar veel meer dan één Relatief Risico (vier en hun inversen). In onderstaande tabel is één daarvan cel rechtsonder in vergelijking tot cel linksonder: (9/(3+9))/(1/(5+1))=4.5, veel minder dan 15, dus. Je kunt hier dus niet zeggen dat de kans op y=2 15 keer zo groot is in kolom x=2 als in kolom x=1, die is slechts 4.5 keer zo groot, je zou moeten zeggen: De Odds in kolom 2 (9:3=3) zijn 15 keer de Odds in kolom 1 (1:5=0.2).
_x=1_x=2_
|__5_|__3_| y=1
|__1_|__9_| y=2
Alleen in sommige tabellen zijn die twee 'dingen' wel (ongeveer) gelijk, bijvoorbeeld:
_x=1_x=2_
|_99_|_98_| y=1
|__1_|__2_| y=2
De Odds Ratio is nu (99*2)/(98*1)=2.02, het Relatieve Risico=(2/100)/(1/100)=2, ongeveer gelijk dus, omdat de 98 wegvalt tegen de 99. Dat wordt dan vaak de 'zeldzame ziekte aanname' genoemd, alleen bij 'zeldzame' ziektes kun je logistische regressie gebruiken om de Relatieve Risico's van de risicofactoren daarvan te onderzoeken.
Het meer algemene model van logistische regressie is, als p het kolompercentage in de rij y=2 is:
ln(p/(1-p))=a+b*x.
Dus:
p/(1-p)=exp(a+b*x),
(1-p)/p=1/exp(a+b*x),
1/p-1=exp-(a+b*x), [let op die min ineens, 1/exp(x)=exp(-x)],
1/p=1+exp-(a+b*x), en:
p=1/(1+exp-(a+b*x)).
De berekende b is in de output 2.708, en exp(2.708) is afgerond weer gelijk aan 15.
Wald ((2.708/1.282)kwadraat=4.460 op afronding na), is eigenlijk gewoon Z-kwadraat, dus Z=wortel(Wald). Wortel(4.460)=2.11 en de bijbehorende 2-zijdige p-waarde van de normale verdeling is 0.035. In dit kleine voorbeeld zou x dus een significante relatie hebben met aandoening y.
Je kunt in SPSS ook direct de Relatieve Risicos berekenen en modeleren, ook met meerdere predictoren, alleen de p-waardes kloppen niet met onderstaande truc (in dit voorbeeld met alleen x, het kan uiteraard met x1 t/m x100 etc.).
compute time=1.
coxreg time/status=y(2)/enter=x/print=ci.
Variables in the Equation
____________B_______SE_____Wald____df_________Sig.____Exp(B)_____95,0% CI for Exp(B)
________________________________________________________________Lower____Upper
x________1,504_____1,054____2,036_____1________,154_____4,500______,570_____35,5
19
Dus let op, het Relatieve Risico van 4.5 is wel goed; de p-waarde van 0.154 en het betrouwbaarheidsinterval zijn met deze truc niet goed en moet je niet publiceren, die is veel te hoog (0.154 is voor een p-waarde nogal verschillend van 0.035, dat is geen afronding meer!). Cox survival-analyse gebruiken om Relatieve Risicos te modelleren door de tijd op één te zetten is dan ook echt een truc! In plaats daarvan is mijn advies om gewoon de p-waarde van de logistische te nemen en niet die van Cox. Dus, de Odds Ratio is 15 en is significant (p<0.035); het overeenkomstige Relatieve Risico is 4.5. Of zelfs, afhankelijk van de context ingekort tot: Het Relatieve Risico is 4.5 (p<0.035).
Het model van of met die Relatieve Risicos is eigenlijk heel simpel: p=(a)*(b tot de macht x1)*(c tot de macht x2) etc. etc., maar naar mijn weten is er buiten bovenstaande truc met verkeerde p-waardes momenteel geen software die nu net dit model correct en makkelijk op grote aantallen respondenten en variabelen kan uitrekenen. Als iemand weet of dat er wel is dan hou ik me aanbevolen, want het is meestal zo dat je het Relatieve Risico (en de juiste p-waardes daarvan) wilt weten, en niet de wat ontoegankelijke Odds Ratios. Net doen alsof een Odds Ratio hetzelfde is als een Relatief Risico lijkt me niet de juiste weg, 15 is geen 4.5. Nu wordt die zeldzame ziekte aanname gewoonlijk genegeerd, maar ik vermoed dat dat slechts zeer zeldzaam terecht is.
Met groet, Ernest de Vroome
ik weet niet precies wat je hebt gedaan, welke revisie e.d. van SPSS je gebruikt, en of je ook licentie hebt op de zogenaamde Advanced statistics-module, maar normaliter leidt de SPSS-syntax:
data list free / x, y, n.
begin data.
1 1 5
1 2 1
2 1 3
2 2 9
end data.
weight by n.
logistic regression y with x/print=ci.
o.a. tot de output:
_____Variables in the Equation
________________________B______S.E.____Wald_____df_____Sig______Exp(B)_____95,0% C.I. for EXP(B)
__________________________________________________________________________Lower_
______Upper
Step 1(a)_____x______2,708_____1,282_____4,460_____1_____,035_____15,000_____1,215___
__185,198
______Constant______-4,317_____2,290_____3,554_____1_____,059_______,013
[Tabs heb ik vervangen door streepjes, tabs werken blijkbaar niet in deze context of ik doe iets fout?]
Er is dan toch echt een kolom met Exp(B) en daarin het getal 15 met zijn 95% betrouwbaarheidsinterval. Die Odds Ratio van 15 is in dit voorbeeld uiteraard heel simpel het kruisproduct (5*9)/(3*1). Odds Ratio is overigens geen Relatief Risico. Elke 2*2 tabel heeft slechts één Odds Ratio (en zijn inverse), maar veel meer dan één Relatief Risico (vier en hun inversen). In onderstaande tabel is één daarvan cel rechtsonder in vergelijking tot cel linksonder: (9/(3+9))/(1/(5+1))=4.5, veel minder dan 15, dus. Je kunt hier dus niet zeggen dat de kans op y=2 15 keer zo groot is in kolom x=2 als in kolom x=1, die is slechts 4.5 keer zo groot, je zou moeten zeggen: De Odds in kolom 2 (9:3=3) zijn 15 keer de Odds in kolom 1 (1:5=0.2).
_x=1_x=2_
|__5_|__3_| y=1
|__1_|__9_| y=2
Alleen in sommige tabellen zijn die twee 'dingen' wel (ongeveer) gelijk, bijvoorbeeld:
_x=1_x=2_
|_99_|_98_| y=1
|__1_|__2_| y=2
De Odds Ratio is nu (99*2)/(98*1)=2.02, het Relatieve Risico=(2/100)/(1/100)=2, ongeveer gelijk dus, omdat de 98 wegvalt tegen de 99. Dat wordt dan vaak de 'zeldzame ziekte aanname' genoemd, alleen bij 'zeldzame' ziektes kun je logistische regressie gebruiken om de Relatieve Risico's van de risicofactoren daarvan te onderzoeken.
Het meer algemene model van logistische regressie is, als p het kolompercentage in de rij y=2 is:
ln(p/(1-p))=a+b*x.
Dus:
p/(1-p)=exp(a+b*x),
(1-p)/p=1/exp(a+b*x),
1/p-1=exp-(a+b*x), [let op die min ineens, 1/exp(x)=exp(-x)],
1/p=1+exp-(a+b*x), en:
p=1/(1+exp-(a+b*x)).
De berekende b is in de output 2.708, en exp(2.708) is afgerond weer gelijk aan 15.
Wald ((2.708/1.282)kwadraat=4.460 op afronding na), is eigenlijk gewoon Z-kwadraat, dus Z=wortel(Wald). Wortel(4.460)=2.11 en de bijbehorende 2-zijdige p-waarde van de normale verdeling is 0.035. In dit kleine voorbeeld zou x dus een significante relatie hebben met aandoening y.
Je kunt in SPSS ook direct de Relatieve Risicos berekenen en modeleren, ook met meerdere predictoren, alleen de p-waardes kloppen niet met onderstaande truc (in dit voorbeeld met alleen x, het kan uiteraard met x1 t/m x100 etc.).
compute time=1.
coxreg time/status=y(2)/enter=x/print=ci.
Variables in the Equation
____________B_______SE_____Wald____df_________Sig.____Exp(B)_____95,0% CI for Exp(B)
________________________________________________________________Lower____Upper
x________1,504_____1,054____2,036_____1________,154_____4,500______,570_____35,5
19
Dus let op, het Relatieve Risico van 4.5 is wel goed; de p-waarde van 0.154 en het betrouwbaarheidsinterval zijn met deze truc niet goed en moet je niet publiceren, die is veel te hoog (0.154 is voor een p-waarde nogal verschillend van 0.035, dat is geen afronding meer!). Cox survival-analyse gebruiken om Relatieve Risicos te modelleren door de tijd op één te zetten is dan ook echt een truc! In plaats daarvan is mijn advies om gewoon de p-waarde van de logistische te nemen en niet die van Cox. Dus, de Odds Ratio is 15 en is significant (p<0.035); het overeenkomstige Relatieve Risico is 4.5. Of zelfs, afhankelijk van de context ingekort tot: Het Relatieve Risico is 4.5 (p<0.035).
Het model van of met die Relatieve Risicos is eigenlijk heel simpel: p=(a)*(b tot de macht x1)*(c tot de macht x2) etc. etc., maar naar mijn weten is er buiten bovenstaande truc met verkeerde p-waardes momenteel geen software die nu net dit model correct en makkelijk op grote aantallen respondenten en variabelen kan uitrekenen. Als iemand weet of dat er wel is dan hou ik me aanbevolen, want het is meestal zo dat je het Relatieve Risico (en de juiste p-waardes daarvan) wilt weten, en niet de wat ontoegankelijke Odds Ratios. Net doen alsof een Odds Ratio hetzelfde is als een Relatief Risico lijkt me niet de juiste weg, 15 is geen 4.5. Nu wordt die zeldzame ziekte aanname gewoonlijk genegeerd, maar ik vermoed dat dat slechts zeer zeldzaam terecht is.
Met groet, Ernest de Vroome
Re: SPSS - Odds Ratio's in ordinal logistic regression
Beste Ernest,
Bedankt voor je uitgebreide antwoord.
Mijn eerder gestelde vraag had eigenlijk betrekking op de ordinale regressie-analyse, waarbij je geen exp(b) krijgt. Ik geloof ook dat dit niet kan, omdat spss bij de ordinale regressieanalyse op een andere manier de predicted values berekent. In ieder geval heb ik nu begrepen dat je gewoon naar de 'estimates' kunt kijken in de output tabel en op die manier kunt zien welke variabelen het meeste bijdragen. (Ik heb inderdaad het uitbreidingspakket van spss (advanced models).)
Ik doe trouwens ook een 'gewone' logistische regressieanalyse, dus heel erg bedankt voor je uitleg m.b.t. de relatieve risico's en odds, etc!
Groeten,
Freke
Bedankt voor je uitgebreide antwoord.
Mijn eerder gestelde vraag had eigenlijk betrekking op de ordinale regressie-analyse, waarbij je geen exp(b) krijgt. Ik geloof ook dat dit niet kan, omdat spss bij de ordinale regressieanalyse op een andere manier de predicted values berekent. In ieder geval heb ik nu begrepen dat je gewoon naar de 'estimates' kunt kijken in de output tabel en op die manier kunt zien welke variabelen het meeste bijdragen. (Ik heb inderdaad het uitbreidingspakket van spss (advanced models).)
Ik doe trouwens ook een 'gewone' logistische regressieanalyse, dus heel erg bedankt voor je uitleg m.b.t. de relatieve risico's en odds, etc!
Groeten,
Freke
-
- Berichten: 647
Re: SPSS - Odds Ratio's in ordinal logistic regression
off-topic: plaats (code) tekst met spaties etc.(/code) erond[Tabs heb ik vervangen door streepjes, tabs werken blijkbaar niet in deze context of ik doe iets fout?]
PS: vierkante haakjes hé
???
Re: SPSS - Odds Ratio's in ordinal logistic regression
volgens mij kun je de odds ratios makkelijk zelf berekenen met de beta's die je in de ordinale regressie krijgt.
je doet dan e^B=odds ratio (de Exp B uit gewone logistic regressions) SPSS doet dit volgens mij niet zelf.
je doet dan e^B=odds ratio (de Exp B uit gewone logistic regressions) SPSS doet dit volgens mij niet zelf.
