Saya telah mengembangkan model regresi logistik berdasarkan data retrospektif dari database trauma nasional cedera kepala di Inggris. Hasil utama adalah kematian 30 hari (dilambangkan sebagai Outcome30
ukuran). Langkah-langkah lain di seluruh database dengan bukti yang dipublikasikan yang berpengaruh signifikan terhadap hasil dalam penelitian sebelumnya termasuk:
Yeardecimal - Date of procedure = 1994.0-2013.99
inctoCran - Time from head injury to craniotomy in minutes = 0-2880 (After 2880 minutes is defined as a separate diagnosis)
ISS - Injury Severity Score = 1-75
Age - Age of patient = 16.0-101.5
GCS - Glasgow Coma Scale = 3-15
Sex - Gender of patient = Male or Female
rcteyemi - Pupil reactivity (1 = neither, 2 = one, 3 = both)
neuroFirst2 - Location of admission (Neurosurgical unit or not)
Other - other traums (0 - No, 1 - Yes)
othopYN - Other operation required
LOS - Length of stay in days
LOSCC - Length of stay in critical care in days
Ketika saya melakukan analisis univariat variabel, saya telah melakukan regresi logistik untuk setiap variabel kontinu. Saya tidak dapat memodelkan Yeardecimal, dengan hasil sebagai berikut:
> rcs.ASDH<-lrm(formula = Survive ~ Yeardecimal, data = ASDH_Paper1.1)
singular information matrix in lrm.fit (rank= 1 ). Offending variable(s):
Yeardecimal
Error in lrm(formula = Survive ~ Yeardecimal, data = ASDH_Paper1.1) :
Unable to fit model using “lrm.fit”
Namun, spline kubik terbatas berfungsi:
> rcs.ASDH<-lrm(formula = Survive ~ rcs(Yeardecimal), data = ASDH_Paper1.1)
>
> rcs.ASDH
Logistic Regression Model
lrm(formula = Survive ~ rcs(Yeardecimal), data = ASDH_Paper1.1)
Model Likelihood Discrimination Rank Discrim.
Ratio Test Indexes Indexes
Obs 5998 LR chi2 106.61 R2 0.027 C 0.578
0 1281 d.f. 4 g 0.319 Dxy 0.155
1 4717 Pr(> chi2) <0.0001 gr 1.376 gamma 0.160
max |deriv| 2e-08 gp 0.057 tau-a 0.052
Brier 0.165
Coef S.E. Wald Z Pr(>|Z|)
Intercept -68.3035 45.8473 -1.49 0.1363
Yeardecimal 0.0345 0.0229 1.51 0.1321
Yeardecimal' 0.1071 0.0482 2.22 0.0262
Yeardecimal'' -2.0008 0.6340 -3.16 0.0016
Yeardecimal''' 11.3582 4.0002 2.84 0.0045
Adakah yang bisa menjelaskan mengapa ini? Saya gugup menggunakan model mode rumit jika saya tidak dapat memodelkan dengan pendekatan yang lebih sederhana.
Saat ini saya menggunakan splines kubik terbatas untuk memodelkan Age, ISS, dan Yeardecimal. Adakah yang akan merekomendasikan pendekatan alternatif?
sumber
glm
fungsi vanilla , sesuai r.789695.n4.nabble.comJawaban:
Tanggal sebagai prediktor mungkin gagal karena sangat collinear dengan konstanta. Jika Anda memasukkannya sebagai tahun, variabilitasnya adalah sekitar 10/2000 = 0,005 (sebenarnya kurang karena sebagian besar data Anda ada di tahun-tahun terakhir), dan ketika kuadratkan menjadi 4e-6. Saat membalikkan matriks dengan nilai eigen 1 dan 4e-6, paket yang Anda gunakan dapat memutuskan bahwa itu adalah nol dalam aritmatika presisi terbatas , dan melemparkan pesan kesalahan ini. Solusinya sederhana - pusatkan data Anda, setidaknya kira-kira, dengan mengurangi 2000 dari tahun itu.
sumber
Spline kubik terbatas akan diharapkan bekerja dengan baik di sini. Anda sedikit terlalu khawatir tentang distribusi prediksi yang kecil.
Lama tinggal adalah di bagian yang salah dari jalur sebab akibat untuk menggunakannya sebagai prediktor kematian. Dan waspada terhadap operasi lain yang diperlukan.
Saya tidak melihat banyak nilai dalam analisis univariabel.
sumber