Bài giảng trình bày ứng dụng mô hình hồi quy Logistic; ba ứng dụng hình hồi quy logistic; đánh giá mối liên quản, ảnh hưởng, hiệu chỉnh, tiên lượng; mô hình hiệu chỉnh cho yếu tố nhiễu; áp dụng BMA vào nghiên cứu thiếu cân; diễn giải kết quả BMA. | Bài giảng Ứng dụng mô hình hồi quy Logistic Ứng dụng mô hình hồi qui logistic Tuan V. Nguyen Senior Principal Research Fellow, Garvan Institute of Medical Research Professor, UNSW School of Public Health and Community Medicine Professor of Predictive Medicine, University of Technology Sydney Adj. Professor of Epidemiology and Biostatistics, School of Medicine Sydney, University of Notre Dame Australia Phân tích dữ liệu và ứng dụng | Đại học Dược Hà Nội | 12/6 to 17/6/2019 © Tuan V. Nguyen Ba ứng dụng hình hồi qui logistic • Đánh giá mối liên quan, ảnh hưởng (association) • Hiệu chỉnh (adjustment) cho yếu tố nhiễu • Tiên lượng (prediction) Ứng dụng 1: Đánh giá mối liên quan, ảnh hưởng Cân nặng của trẻ sơ sinh và mẹ hút thuốc lá • Câu hỏi nghiên cứu: có mối liên quan giữa mẹ hút thuốc lá và trọng lượng sơ sinh? • Nghiên cứu cắt ngang trên 189 bà mẹ và trẻ sơ sinh • Biến outcome: low, biến tiên lượng: smoke bw = ("~/Dropbox/_Conferences and Workshops/Dai hoc Duoc 6- 2019/Datasets/;) head(bw) id low age lwt race smoke ptl ht ui ftv bwt 1 85 0 19 182 2 0 0 0 1 0 2523 2 86 0 33 155 3 0 0 0 0 3 2551 3 87 0 20 105 1 1 0 0 0 1 2557 Hiển thị mối liên quan bằng biểu đồ Summary: bw$smoke = (bw$smoke) estimate bs$low = ' (bw$low) library(DescTools) odds ratio Desc(bw$smoke ~ bw$low) rel. risk (col1) rel. risk (col2) bw$low 0 1 Sum Mô hình hồi qui logistic Mô hình liên quan giữa smoke và low như sau: gọi P là xác suất trọng lượng thấp P log = α + β smoke 1− P # Triển khai bằng R m = glm(low ~ smoke, family=binomial, data=bw) summary(m) # tính odds ratio library(epiDisplay) (m) Kết quả phân tích Mô hình liên quan giữa smoke và low như sau: gọi P là xác suất trọng lượng thấp P log = α + β smoke 1− P Coefficients: Estimate Std. Error z .
