BAI 6 TUONG QUAN VA HOI QUY

Phương trình hồi qui cho 2 chỉ số gồm: BMI, độ tuổi. Và nghiên cứu đề nghị: nam giới có PBF > 30 và nữ PBF > 40 thì được xem là béo phì. PBF (nữ) = 18.9 + 0.044tuổi + 3.473BMI 0.051BMIBMI PBF (nam) = 29.8 + 0.044tuổi + 3.473BMI 0.051BMIBMI http:journals.plos.orgplosonearticle?id=10.1371%2Fj ournal.pone.0127198 Mục tiêu 1 Xác định được ý nghĩa và cách sử dụng phân tích tương quang, mô hình hồi quy thích hợp. 2 Thực hiện được cách lệnh phân tích tương quan, mô hình hồi quy trong SPSS. 3 Đọc phiên giãi ý nghĩa và trình bày kết quả phân tích. Tin học ứng dụng NCKH Bộ môn: TKYT – DS SKSS PHÂN TÍCH TƯƠNG QUAN Thường xét đến khi 2 biến NC là biến định lượng. Chú ý đến tính phân bố của số liệu định lượng. Xác định ngưỡng ý nghĩa của hệ số tương quan (r ) r0,7 : tương quan rất chặt chẽ Ví dụ: tính hệ số tương quan giữa tuổi và chiều cao

TƯƠNG QUAN VÀ HỒI QUY

TIN HỌC ỨNG DỤNG

TRƯỜNG ĐẠI HỌC Y DƯỢC HUẾ

BỘ MÔN THỐNG KÊ – DÂN SỐ - SỨC KHỎE SINH SẢN

TRƯỜNG ĐẠI HỌC Y DƯỢC HUẾ

BỘ MÔN THỐNG KÊ – DÂN SỐ - SỨC KHỎE SINH SẢN

1

Phương trình hồi qui cho 2 chỉ số gồm: BMI, độ tuổi Và

nghiên cứu đề nghị: nam giới có PBF > 30 và nữ PBF > 40 thì được xem là béo phì

PBF (nữ) = -18.9 + 0.044*tuổi + 3.473*BMI - 0.051*BMI*BMIPBF (nam) = -29.8 + 0.044*tuổi + 3.473*BMI -

0.051*BMI*BMI

http://journals.plos.org/plosone/article?

id=10.1371%2Fjournal.pone.0127198

Mục tiêu

1/ Xác định được ý nghĩa và cách sử dụng phân tích tương quang, mô hình hồi quy thích hợp 2/ Thực hiện được cách lệnh phân tích tương quan, mô hình hồi quy trong SPSS.

3/ Đọc phiên giãi ý nghĩa và trình bày kết quả phân tích

PHÂN TÍCH TƯƠNG QUAN

 Thường xét đến khi 2 biến NC là biến định

lượng

 Chú ý đến tính phân bố của số liệu định lượng.

 Xác định ngưỡng ý nghĩa của hệ số tương quan

Ví dụ: tính hệ số tương quan giữa tuổi và chiều cao

Thực hiện: Analyze/ Correlate/Bivariate

Biến số

Hệ số tương quan r

Ngưỡng ý nghĩa p value

Số trường hợp quan sát

Kết quả thực

hiện

9

Thể hiện mối tương quan trên biểu đồ scatter plot: graph/legacy Dialogs/Scatter plot

Biến phụ thuộc

Biến độc lập

11

MÔ HÌNH HỒI QUY

Phân loại: (dựa vào kiểu biến số phụ

thuộc )

• Thông thường chúng ta có nhiều mô hình hồi quy khác nhau tùy thuộc vào kiểu biến

số của biến phụ thuộc

• Một số mô hình chính hay gặp trong các phân tích thống kê: Hồi quy tuyến tính, hồi quy logistic, và hồi quy Cox ( sự kiện theo thời gian)

13

• Chương trình này chúng tôi chỉ đề cập đến 2 mô hình

là hồi quy tuyến tính (linear regression) và mô hình logistic với biến phụ thuộc là nhị phân (Binary logistic)

• Dựa vào số lượng biến độc lập đưa vào mô hình

hồi quy đơn biến ( 1 biến độc lập)

 Hồi quy đa biến ( ≥ 2 biến độc lập)

MÔ HÌNH HỒI QUY

Hồi quy tuyến tính đơn biến có dạng:

• Biến phụ thuộc (y): là biến định lượng

• Biến độc lập (x): thường là biến định lượng hoặc thứ bậc.

• : là điểm cắt y khi x = 0 ( hằng số constant)

• : là độ dốc là sự thay đổi của mỗi đơn vị y khi x thay đổi.

• Sử dụng phương pháp ước tính bình phương tối

thiểu để lựa chọn mô hình tối ưu

Mô hình hồi quy tuyến tính đơn biến

15

Mô hình hồi quy tuyến tính

Thực hiện:

Analyza/ Regression/ Linear

Lưu ý: Các giả định số liệu phải có phân bố chuẩn, các quan sát độc lấp

Biến phụ thuộc

Biến độc lập

Phương pháp

đưa phân tích

17

Ví dụ: Hồi quy tuyến tính đơn biến

Viết phương trình tuyến tính giữa t score cổ xương đùi với tuổi nghiên cứu

19

Phương pháp đưa biến độc lập vào mô

hình

Tóm tắt mô hình ( lưu ý

ý nghĩa hệ số R2)

Kiểm định sự tồn tại có ý nghĩa của mô hình

*Lưu ý hệ số B, sig ( giá trị p) và 95% của hệ số B

Standardized Coefficients

95.0% Confidence Interval for B

B

Std

Error Beta

Lower Bound

Upper Bound

a Dependent Variable: tscore_coxdui

21

Mô hình hồi quy binary logistic đơn biến

• Với biến phụ thuộc là nhị phân ( mã 0;1)

• Thường sử dụng để đo lường chỉ số nguy cơ

(OR)

• Biến độc lập có thể định lượng hoặc định tính.

• Phương pháp này về nguyên tắc tương tự như

mô hình tuyến tính Sử dụng hàm log

• Dạng :

Logit = ln(Odds) = ln[p/(1 - p)] = a + bx

Đo lường hệ số nguy cơ ( OR)

Theo lý thuyết odds được tính như sau :

Odd nhóm bệnh = tỷ lệ có phơi nhiễm nhóm bênh/ tỷ

lệ không phơi nhiễm của nhóm bệnh = a/(a+c) / c/(a+c)

Trong mô hình hồi quy logistic thì

OR chính là ?

(SỬ DỤNG THUẬT TOÁN LOGIT thì OR chính là log cơ số e của hệ số hồi quy B)

Ví dụ: xây dựng mô hình logistic giữa tình trạng loãng xương (cổ xương đùi) với trình trạng giảm chiều cao (có; không )

thuộc

Biến độc lập

Phương pháp lựa chọn

Lưu ý: Chọn

nhóm reference

tùy thuộc vào

mong muốn giải

Biến định tính

Biến định lượng

Chọn khoảng 95% của OR

Số trường hợp tham gia vào mô hình, số mising

Đọc từ dòng này

Mã code của biến phụ

thuộc

Mô hình khi chưa đưa biến độc lập

29

Phương pháp đưa biến

độc lập vào mô hình

Kiểm định mức ý nghĩa của mô hình p>0,05 mô hình tồn tại

Phương trình của mô hình:

Ln(Odds) = -0,421 +0,853 *giam chieu cao

Lưu ý :

Hệ số hồi quy B

Sig: giá trị p ý nghĩa của hệ số B

Exp(B) chính là tỷ suất chênh OR

95% CI (OR) : Khoảng tin cậy 95% của OR

31

Phiên giải kết quả có nhiều cách để phiên giải kết qua khác nhau :

Trong nhóm không giảm chiều cao:

Odds (x=0) = e(- 0.421+0,853*0) = e(-0.421)= 0.656 

p=0,656/1.656= 0.396

Hay mô hình giúp tiên đoán 39,6% người không bị giảm chiều cao sẽ bị loãng xương.

Trong nhóm có giảm chiều cao:

Odds(x=1) = e(-0.421 +0,853*1) = e(0,432)=1.54

p=1,54/2.54=0,606 hay mô hình giúp tiên đoán 60,6% người bị giảm chiều cao sẽ bị loãng xương

OR = Odds(x=1)/ Odds (x=0) = 1,54/0,656 = 2,347

Như vậy nhóm có giảm chiểu cao thì có khả năng loãng

BÀI TẬP

1 Tính hệ số tương quan và giải thích ý

nghĩa mối tương giữa chỉ số: tuổi, mạch, chiều cao, cân nặng, huyết áp tâm trương (hattr1) và BMI của đối tượng nghiên cứu.

2 Viết phương trình tuyến tính giữa BMI và

cân nặng và vẽ biểu đồ thích hợp.

3 Viết phương trình tuyến tính giữa BMI và

chiều cao và vẽ biểu đồ thích hợp.

33