승산 비와 위험률간에 기능적 차이가 있습니까?


10

로지스틱 회귀 분석에서 승산 비 2는 예측 변수의 1 단위 증가로 인해 사건이 2 배 더 가능성이 높다는 것을 의미합니다. 콕스 회귀 분석에서 위험률 2는 예측 변수가 1 단위 증가 할 때 각 시점에서 이벤트가 두 배 더 자주 발생 함을 의미합니다. 이것들은 실제로 같은 것이 아닌가?

로지스틱 회귀의 승산 비에서 기능적으로 동일한 정보를 얻을 수 있다면 콕스 회귀를 수행하고 위험 비를 얻는 이점은 무엇입니까?

답변:


12

승산 비 2는 예측 변수의 1 단위 증가로 인해 사건이 2 배 더 가능성이 있음을 의미합니다.

그것은 확률이 두 배가된다는 것을 의미하며 이는 확률이 배가되는 것과 동일하지 않습니다.

콕스 회귀 분석에서 위험률 2는 예측 변수가 1 단위 증가 할 때 각 시점에서 이벤트가 두 배 더 자주 발생 함을 의미합니다.

약간의 핸드 웨이브를 제외하고 예-발생률이 두 배입니다. 그것은 스케일 된 순간 확률과 같습니다.

이것들은 실제로 같은 것이 아닌가?

이벤트 확률을 두 배로 늘리는 것은 이벤트 위험을 두 배로 늘리는 것과 거의 같습니다. 그것들은 자동적으로 비슷하지는 않지만, (공통적으로) 어떤 상황에서는 매우 밀접하게 대응할 수 있습니다.

확률과 확률의 차이를 더 신중하게 고려할 수 있습니다.

예를 들어, 첫 번째 문장을 참조하십시오 . 이것은 확률이 확률 대 보수의 비율이라는 것을 분명히합니다. 예를 들어 확률을 1에서 2로 늘리는 것은 에서 증가 할 확률과 같습니다 . 확률은 확률 증가보다 빠르게 증가합니다. 매우 작은 확률의 경우 선호 확률과 확률은 매우 유사하지만 확률은 확률이 작아 질수록 확률의 역수와 점점 유사 해집니다 (비율이 1이된다는 의미에서). 승산 비는 단순히 두 세트의 승산 비입니다. 기본 승률 상수를 유지하면서 승산 비를 높이는 것은 다른 승산을 증가시키는 것에 해당하지만, 확률의 상대적인 변화와 유사하거나 유사하지 않을 수 있습니다.1223

당신은 또한 위험과 확률의 차이를 숙고하고 싶을 수도 있습니다. 예를 들어 확률이 0.6 인 경우 두 배로 늘릴 수 없지만 순간 위험은 0.6 으로 두 배가 될 있습니다. 확률 밀도가 확률이 아닌 것과 같은 방식으로 동일하지 않습니다.


2
+1 이벤트 히스토리 분석의 일부 형태는 위험 함수의 다른 정의를 사용한다고 언급합니다 (예 : 이산 시간 이벤트 히스토리 모델에서 는 발생 하지 않은 조건에 따라 시간 에서 이벤트가 발생할 확률입니다. 그 이전 버전과 같은 은 이러한 모델에서는 의미가 없습니다. h(t)t2×0.6
Alexis

1
고마워, 그것은 확실히 관련이 있습니다. 이것은 개별 pmf가 1을 초과 할 수없고 밀도는 확실히 할 수 있다는 사실과 관련이 있습니다.
Glen_b-복지 주 모니카

3

좋은 질문입니다. 그러나 실제로 묻는 것은 통계를 해석하는 방법이 아니라 각 모델 (위험 또는 물류)의 기초가되는 가정입니다. 로지스틱 모델은 관찰 가능한 정보가 주어지면 특정 시간에 이벤트가 발생할 가능성을 효과적으로 예측하는 정적 모델입니다. 그러나 위험 모델 또는 Cox 모델은 시간에 따른 생존율을 모델링하는 지속 기간 모델입니다. "로지스틱 회귀 분석을 사용하는 비 사용자와 비교했을 때 담배 사용자가 75 세까지 생존 할 가능성은 얼마입니까?"(75 세 이하의 코호트 사망률에 대한 정보가있는 경우)와 같은 질문을 할 수 있습니다. . 그러나 대신 데이터의 전체 시간 차원을 최대한 활용하려면 위험 모델을 사용하는 것이 더 적합합니다.

궁극적으로 모델링하려는 대상이됩니다. 모델링하는 것이 일회성 이벤트라고 생각하십니까? 물류를 사용하십시오. 이벤트가 관측 가능한 시간 스펙트럼에서 각 기간마다 발생하거나 일정 확률로 발생했다고 생각하십니까? 위험 모델을 사용하십시오.

방법 선택은 통계를 해석하는 방법을 기반으로하지 않아야합니다. 이 경우 OLS, LAD, Tobit, Heckit, IV, 2SLS 또는 기타 여러 회귀 분석 방법에는 차이가 없습니다. 대신 추정하려고하는 기본 모델이 어떤 형식을 취하는 지에 따라 결정해야합니다.


-1 (혼합) 로지스틱 모델은 시간이 지남에 따라 생존율을 확실히 모델링 할 수 있습니다 . 예를 들어 Allison, PD (1982)를 참조하십시오. 이벤트 이력 분석을위한 이산 시간 방법 . 사회 학적 방법론 , 13 (1982), 61–98, 또는 Allison, PD (1984). 사건 이력 분석 : 종적 사건 데이터에 대한 회귀 (Vol. 12). 세이 지 비벌리 힐스, 캘리포니아.
Alexis
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.