רפואה נתמכת ראיות

סטטיסטיקה מרפאת 62- R squared in the regression

Prediction Factors in the Determination of Final Height in Subjects Born Small for Gestational Age
רגרסיה לינארית מנסה לחזות עבור משתתפי המחקר מהו ערך המשתנה החזוי אצלם, בעזרת המשתנים המסבירים. עד כמה היא עושה את זה טוב? מדד פשוט הוא היחס בין השונות של המשתנה החזוי המוסברת על ידי נוסחת הרגרסיה, חלקי השונות הכללית של אותו משתנה חזוי. זהו ערך ה R בריבוע.
 
R squared
Total variation
Variation explained by the regression
Overfitting

סטטיסטיקה מרפאת 61- איך להבין תוצאות רגרסיה לינארית

Prediction Factors in the Determination of Final Height in Subjects Born Small for Gestational Age
ברגרסיה לינארית מרובה, תוצאת המחקר היא נוסחת רגרסיה עם מקדמים. אותם מקדמים הם הדבר שמעניין אותנו, כיוון שהם יראו לנו מהי השפעת משתנה מסוים, כששאר המשתנים נשארים קבועים. כאשר מדברים על תיקון (adjustment) למשתנים נוספים או שליטה (control) עליהם, הכוונה היא חישוב מקדם הרגרסיה של המשתנה שמעניין אותנו כאשר הרגרסיה כוללת גם את המשתנים הנוספים האלו.
מקדם הרגרסיה ברגרסיה לינארית אומר בכמה יחידות יעלה המשתנה החזוי כאשר יש עלייה של יחידה אחת במשתנה המסביר. אך כאשר יש משתנה מסביר קטגוריאלי (שהוא לא כמותי ולכן אין לו יחידות), צריך למצוא פתרון כדי לתת למשתנה הזה ערך מספרי. קטגוריה אחת בדרך כלל תקבל את הערך 0, וקטגוריה שניה את הערך 1, וערכים אלו יוכפלו במקדם. לכן עבור משתנה קטגוריאלי  מקדם הרגרסיה אומר לנו בכמה יחידות יעלה המשתנה החזוי אצל משתתף בקטגוריה 1 יחסית למשתתף בקטגוריה 0 כאשר כל שאר המשתנים נשארים קבועים.
R squared in linear regression
Regression coefficients
Controlling/adjusting for other variables

סטטיסטיקה מרפאת 60 - רגרסיה לינארית מרובה

 ברגרסיה לינארית מרובה יש יותר ממשתנה מסביר אחד, ולעתים קרובות משתנים מסבירים מרובים. כל משתנה מסביר מקבל מקדם משלו בנוסחת הרגרסיה, ואותו מקדם מייצג את השפעת אותו משתנה על המשתנה המוסבר, לו היינו שולטים על כל שאר המשתנים האחרים ("מנטרלים" אותם). מבחינת תיאור גרפי, המעבר מרגרסיה לינארית פשוטה לרגרסיה עם שני משתנים מסבירים דורש מעבר מקו על דף למרחב תלת ממדי, והמעבר לרגרסיה עם יותר משני משתנים מסבירים ניתן לדמיון רק בעולם בעל ממדים מרובים.
Multiple linear regression
Regression coefficients
Controlling for other variables

סטטיסטיקה מרפאת 59- קו הרגרסיה

Effects of Exposure to Road, Railway, Airport and Recreational Noise on Blood Pressure and Hypertension
קו הרגרסיה הלינארית הוא קו ישר שמייצג "דרך אמצע" ולא ייצוג מדוייק של קשר בין שני משתנים, אלא רק תיאור מקורב של הקשר הלינארי ביניהם. עבור משתתף בודד במחקר, הערך של המשתנה המוסבר לא ייפול בדיוק על קו הרגרסיה, כיוון שמלבד המשתנה המסביר ישנם תמיד עוד גורמים מסבירים וגם מרכיב של אקראיות. במלים אחרות, עבור אותו ערך של המשתנה המסביר, אצל שני משתתפים שונים במחקר הערך של המשתנה המוסבר יהיה שונה. למשל, גם לאחר קבלת קו הרגרסיה הלינארית המסבירה בעזרת רמת רעש באזור המגורים את לחץ הדם הדיאסטולי, אצל כל משתתף נותרת שארית, residual, בין המדידה של לחץ הדם אצלו לבין הערך שהיה צפוי אצלו לפי קו הרגרסיה. כדי שקו הרגרסיה ייצג בצורה הטובה ביותר את מירב המשתתפים במחקר, הוא נבנה בצורה כזו שתצמצם ככל האפשר את אותן שאריות, את ה residuals. הדרך המקובלת לעשות זאת היא על ידי מציאת הקו עבורו סכום ריבועי השאריות הוא הנמוך ביותר.
regression line
least squares
residuals
 

סטטיסטיקה מרפאת 58- משוואת הקו הישר ורגרסיה לינארית

Effects of Exposure to Road, Railway, Airport and Recreational Noise on Blood Pressure and Hypertension
משוואת קו ישר מייצגת קשר בין שני משתנים. הקשר הזה מבוטא בעזרת מקדם (המספר בו מוכפל המשתנה הראשון) ועוד קבוע. ברגרסיה לינארית, המקדם נקרה "בטא". הערך של המקדם הזה תלוי גם בעצמה של הקשר בין שני המשתנים וגם בקנה המידה שבו מדדו את המשתנים עצמם.
Y=mX+n
ובצורה המקובלת לכתיבה ברגרסיה לינארית
Y=beta(X)+beta 0
Simple linear regression
Beta (regression coefficient)

סטטיסטיקה מרפאת 57- איך נוסחת הרגרסיה עוזרת לה לתפקד

בפרקים הקודמים דברנו גם על תפקידי הרגרסיה וגם על נוסחת הרגרסיה. בפרק זה ננסה לחבר בין שניהם ולהבין איך נוסחת רגרסיה עוזרת להבין השפעה של מאפיין מסוים של מטופל, בעזרת המקדם שאותו מאפיין מקבל בנוסחה, איך היא עוזרת לנטרל ערפלנים, כאשר מכניסים לנוסחה משתנה שהוא ערפלן, ואיך היא יכולה לעזור לחיזוי עבור מטופל מחוץ למחקר.
Regression formula/equation- נוסחת הרגרסיה
Confounder- ערפלן
Prediction- חיזוי
 

סטטיסטיקה מרפאת 56- המח מבצע רגרסיות בחיי היום יום

בחיים הרגילים, המח שלנו מבצע משהו קצת דומה לרגרסיות, בפעולה של חישובים ותחזיות. הוא מתחשב במשתנים שונים, שכל אחד מהם מקבל חשיבות שונה. למשל, יכול להיות שהמשתנה "כמות האננסים" יקבל חשיבות שונה מ"כמות המלפפונים" כאשר אנחנו חוזים את התשלום הסופי בקופה אצל הירקן. המח מעריך את החשיבות (מקדם) של כל אחד מהמשתנים, ומבצע תחזית של הסכום הסופי. זו פעולה מוחית שדומה לרגרסיה לינארית. אפשר לחשוב על פעולה מוחית שדומה לרגרסיה לוגיסטית: איך העונה, כיסוי העננים בשמיים ומה שקרה אתמול עוזר לנו לחיזוי הסיכוי לגשם היום, ועל פעולה מוחית דומה לרגרסיית קוקס: איך סוג המכונית, כמות העליות הצפויה בדרך והמהירות בעליה יעזרו לנו לחזות את קצב צריכת הדלק.
 

סטטיסטיקה מרפאת 55- נוסחת הרגרסיה

(וגם: מפת דרכים לפרקים הבאים)
בנוסחאות הרגרסיה מאפיינים שונים של המשתתפים במחקר מקבלים חשיבות שונה. המאפיינים נקראים "משתנים", והחשיבות נקראת "מקדם". הרעיון המרכזי בנוסחה הוא שערך של משתנה מוכפל במקדם שלו, למשל, המשקל בק"ג מוכפל במקדם מסויים, וכאשר מבצעים את זה עבור כמה משתנים ואז מסכמים את התוצאות מקבלים מספר שהוא בסיס לחיזוי. עם המספר הזה אפשר לעשות כל מיני דברים שנציג בפרקים הבאים- למשל להוסיף לו קבוע מסוים, ולקבל תחזית למשתנה כמותי כמו לחץ הדם סיסטולי של מטופל. נוסחת הרגרסיה מופקת מתוך מחקר, והעיקר בה, השונה מנוסחאות רגרסיה אחרות, הוא המקדמים. בעזרת נוסחה זו אפשר לבצע תחזית: לקחת מאפיינים של משתתף במחקר, כמו המשקל והגיל, ולחזות מה יהיה לחץ הדם הסיסטולי שלו. במקרה של רגרסיה לוגיסטית או רגרסיית קוקס, נצטרך להפוך את המספר את אותו מספר (סכום המכפלות של המקדמים וערכי המשתנים) לסיכוי או לקצב. בהמשך הפרקים נסביר איך זה מתבצע. נדגיש כבר עכשיו שנוסחת הרגרסיה מייצרת תחזית, אך זוהי תחזית שאינה מדויקת.
בפרק הזה נסביר גם מה הולך לקרות בפרקים הבאים. מעין מפת דרכים להמשך. כדי לדבר על רגרסיות נצטרך לבנות את ההבנה בהדרגה ולהסתכל עליהן מכיוונים שונים. תחילה נבין באופן כללי ופשטני את נוסחת הרגרסיה, זו המשותפת לכמה סוגי רגרסיות, אחר כך נבין איך הנוסחה הזו עוזרת לרגרסיה לבצע את תפקידה. בהמשך נדבר בנפרד על שלושת סוגי הרגרסיות שכבר הזכרנו, וכל אחת מהן תדרוש פרק מבוא שיוצר בסיס להבנה של המתמטיקה שמאחורי אותה רגרסיה.
Regression
Regression coefficients- מקדמי הרגרסיה
Prediction- חיזוי

סטטיסטיקה מרפאת 54- רגרסיות: שלושה שימושים, שלושה סוגים

Trajectories of Adolescent Media Use and Their Associations With Psychotic Experiences
 
רגרסיה מרובת משתנים היא טכניקה שבא לוקחים בחשבון מאפיינים שונים של המטופל כדי לבצע תחזית לגבי מאפיין אחר או תוצא.
מלבד אפשרות לבצע תחזית רגרסיות מאפשרות לנו לנטרל ערפלנים כדי לבדוק האם מאפיין מסוים משפיע על התוצא, וגם לכמת את השפעת המאפיין על התוצא. יש שלוש סוגי רגרסיות נפוצות במחקרים רפואיים: רגרסיה לוגיסטית, המנבאת משתנה קטגוריאלי (למשל, שימוש יתר במשחקי מחשב- כן או לא), רגרסייה לינארית, המנבאת ערך מסוים (למשל ערך לחץ דם סיסטולי), ורגרסיית קוקס, המנבאת זמן עד אירוע (למשל זמן עד תמותה ממחלת לב)
 Regression
Multivariate analysis
Logistic regression
Multiple linear regression
Cox regression
Prediction
Adjustment for confounders
 

סטטיסטיקה מרפאת 53- מקדם המתאם של ספירמן

Serum Immunoreactive-Leptin Concentrations in Normal-Weight and Obese Humans
 
ביצוע מתאם פירסון עליו דברנו בפרק הקודם מתאים כאשר מתקיימות כמה הנחות, ביניהן קשר ישר בין שני המשתנים, משתנים כמותיים והתפלגות קרובה להתפלגות נורמלית של כל אחד משני המשתנים . כאשר יש קשר שאינו ישר, כשהמשתנים לא מתפלגים נורמלית, או כשמדובר במשתנה אורדינלי אחד לפחות, צריך להשתמש במתאם ספירמן. זוהי המקבילה הא-פרמטרית של מתאם פירסון.
חישוב מתאם ספירמן מתבצע, בדומה למבחנים א-פרמטריים אחרים, בעזרת דירוג, כל משתתף מדורג לפי מיקומו בין שאר המשתתפים במשתנה הראשון, ובנפרד מדורג לפי המשתנה השני. קשר מונוטוני בין שני משתנים יתבטא בדירוג דומה עבור שני המשתנים- למשל, המשתתף המדורג  שלישי ברמת אחוז השומן בגוף, ידורג שלישי גם ברמת הורמון הלפטין בדם. לאחר הדירוגים אנחנו מקבלים מספר חדש עבור כל משתתף- זהו הדירוג שלו. עבור הדירוגים עצמם מתבצע מתאם פירסון. ככל שהדירוגים מייצגים קשר מונוטוני, כך מתאם פירסון על הדירוגים יראה לנו קשר ישר. כך שאפשר להתייחס למתאם ספירמן כמתאם פירסון על הדירוגים.  התוצאה של מתאם ספירמן, שהיא מקדם המתאם של ספירמן, מתארת את מידת המונוטוניות של הקשר בין המשתנים, ככל שקרובה ל 1 או למינוס 1, כך מדובר במתאם חזק יותר.
Spearman correlation
Non-linear Correlation
Ranks
Spearman's rank correlation coefficient
Monotonic relationship