474. Iloraz szans w regresji logistycznej – interpretacja
W poprzedniej lekcji wprowadziliśmy regresję logistyczną jako model odpowiedni dla wyniku dychotomicznego, na przykład wystąpienia powikłania albo jego braku. W tej lekcji skupimy się na tym, jak czytać najczęściej raportowany wynik takiego modelu: iloraz szans, oznaczany skrótem OR od angielskiego odds ratio. Poprawna interpretacja OR wymaga odróżnienia szans od prawdopodobieństwa, uwzględnienia sposobu zakodowania zmiennej oraz zwrócenia uwagi na przedział ufności. Bez tych kroków łatwo przypisać ilorazowi szans znaczenie, którego wynik rzeczywiście nie ma.
1. Czym są szanse i iloraz szans?
Załóżmy, że zdarzenie może wystąpić albo nie wystąpić. Niech p oznacza prawdopodobieństwo wystąpienia zdarzenia. Szanse wystąpienia zdarzenia definiuje się jako:
szanse = p / (1 − p)
Jeżeli prawdopodobieństwo powikłania wynosi 0,20, to szanse wynoszą:
0,20 / 0,80 = 0,25
Oznacza to, że na jedną jednostkę „niepowikłanych” przypadków przypada 0,25 jednostki przypadków z powikłaniem. Szanse nie są tym samym co prawdopodobieństwo. Gdy p jest małe, wartości te są do siebie zbliżone, ale przy częstym zdarzeniu zaczynają się wyraźnie różnić (Bland i Altman, 2000).
Iloraz szans porównuje szanse zdarzenia w dwóch grupach:
OR = szanse zdarzenia w grupie 1 / szanse zdarzenia w grupie 0
W tabeli 2 × 2 można go zapisać jako:
OR = (a / b) / (c / d) = (a × d) / (b × c)
- a – liczba osób z wynikiem 1 w grupie eksponowanej,
- b – liczba osób z wynikiem 0 w grupie eksponowanej,
- c – liczba osób z wynikiem 1 w grupie referencyjnej,
- d – liczba osób z wynikiem 0 w grupie referencyjnej.
OR równe 1 oznacza identyczne szanse w obu grupach. OR większe od 1 wskazuje na większe szanse zdarzenia w grupie 1, natomiast OR mniejsze od 1 – na mniejsze szanse zdarzenia.
2. Dlaczego regresja logistyczna daje iloraz szans?
W regresji logistycznej modeluje się logarytm szans, czyli logit prawdopodobieństwa:
log(p / (1 − p)) = β0 + β1X1 + β2X2 + … + βkXk
Znaczenie symboli jest następujące:
- p – modelowane prawdopodobieństwo wystąpienia wyniku 1,
- β0 – wyraz wolny, czyli logarytm szans dla wartości referencyjnych predyktorów,
- X1, …, Xk – zmienne objaśniające,
- β1, …, βk – współczynniki regresji,
- k – liczba predyktorów w modelu.
Współczynnik βj opisuje zmianę logarytmu szans związanej ze zmianą predyktora o jedną jednostkę, przy pozostałych zmiennych utrzymanych na stałym poziomie. Ponieważ skala logarytmiczna jest mało intuicyjna, współczynnik przekształca się przez eksponentację:
ORj = exp(βj)
Tak uzyskany OR interpretuje się jako multiplikatywną zmianę szans, związaną ze wzrostem predyktora o jedną jednostkę, przy kontrolowaniu pozostałych zmiennych w modelu (Hosmer, Lemeshow i Sturdivant, 2013).
3. Jak interpretować wartości OR?
OR równe 1
Jeżeli OR = 1, model wskazuje na takie same szanse wyniku w porównywanych warunkach. W praktyce należy jednak pamiętać, że estymowane OR rzadko wynosi dokładnie 1. Wniosek o braku zgodności z wartością 1 opiera się na przedziale ufności i – pomocniczo – na teście hipotezy.
OR większe od 1
Jeżeli OR = 2,00, szanse wyniku są dwukrotnie większe w porównywanych warunkach. Można też powiedzieć, że są większe o 100%:
(2,00 − 1) × 100% = 100%
Nie należy jednak automatycznie mówić, że prawdopodobieństwo jest dwukrotnie większe. Taka interpretacja byłaby poprawna tylko w szczególnych sytuacjach, a nie jako ogólna reguła.
OR mniejsze od 1
Jeżeli OR = 0,70, szanse wyniku są równe 70% szans w grupie referencyjnej. Można opisać to jako redukcję szans o 30%:
(1 − 0,70) × 100% = 30%
Przy OR = 0,25 szanse są o 75% mniejsze, a nie „cztery razy mniejsze” w sensie językowym. Odwrotność OR wynosi 4,00, więc można powiedzieć, że w grupie referencyjnej szanse są czterokrotnie większe niż w grupie porównywanej.
4. Interpretacja OR dla zmiennych ciągłych
Dla zmiennej ciągłej OR odnosi się do wzrostu predyktora o jedną jednostkę. Jeśli w modelu analizowano wiek w latach, OR = 1,08 oznacza, że każdy dodatkowy rok wiąże się z 8-procentowym wzrostem szans wyniku, przy pozostałych zmiennych stałych. Nie oznacza to, że osoba starsza o 10 lat ma dokładnie o 80% większe szanse. Przy założeniu liniowości na skali logitowej właściwsze jest obliczenie:
OR dla 10 lat = 1,0810 ≈ 2,16
Oznacza to około 2,16-krotnie większe szanse, czyli wzrost o około 116%, jeśli model rzeczywiście zakłada stały efekt wieku na skali logitowej. Jeżeli jednostka jest mała lub mało praktyczna, warto przeskalować zmienną, na przykład raportować OR dla wzrostu BMI o 5 kg/m² albo wieku o 10 lat.
5. OR skorygowany i nieskorygowany
W analizie jednoczynnikowej otrzymujemy OR nieskorygowany. Porównuje on grupy bez uwzględniania innych zmiennych. W modelu wieloczynnikowym otrzymujemy OR skorygowany, czyli porównanie osób różniących się analizowanym predyktorem, ale podobnych pod względem zmiennych uwzględnionych w modelu.
Przykładowo, jeśli OR dla palenia wynosi 1,90 po uwzględnieniu wieku i płci, interpretacja brzmi: przy tym samym wieku i tej samej płci osoby palące mają szanse badanego wyniku około 1,90 raza większe niż osoby niepalące. Nie oznacza to, że model usunął wszystkie możliwe czynniki zakłócające. Korekta dotyczy wyłącznie zmiennych rzeczywiście zmierzonych, poprawnie wprowadzonych do modelu i odpowiednio określonych.
6. Przedział ufności dla ilorazu szans
Sam punktowy OR nie wystarcza do oceny precyzji oszacowania. Należy podać na przykład OR = 1,80; 95% CI: 1,20–2,70. Przedział ufności pokazuje zakres wartości zgodnych z danymi i przyjętą procedurą estymacji, przy określonych założeniach modelu.
Dla OR wartością neutralną jest 1. Jeżeli 95-procentowy przedział ufności nie obejmuje 1, wynik jest zgodny z odrzuceniem hipotezy o OR = 1 przy dwustronnym poziomie istotności 0,05, pod warunkiem zastosowania odpowiedniej procedury i spełnienia jej założeń. Nie oznacza to, że prawdopodobieństwo prawdziwości hipotezy zerowej wynosi 5% ani że hipoteza alternatywna jest na pewno prawdziwa.
W raporcie należy podawać równocześnie OR, przedział ufności, wartość p, definicję wyniku, grupę referencyjną oraz jednostkę zmiany predyktora. Zgodnie z dobrymi standardami raportowania badań obserwacyjnych, czytelnik powinien móc odtworzyć, jakie porównanie reprezentuje przedstawiony efekt (von Elm i in., 2007).
7. Przykład medyczny: powikłanie po zabiegu
Załóżmy, że badacze analizują wystąpienie zakażenia rany pooperacyjnej. Wynik ma postać 1 – zakażenie, 0 – brak zakażenia. Predyktorem jest cukrzyca, zakodowana jako 1 – tak i 0 – nie. W regresji logistycznej uzyskano:
OR = 2,40; 95% CI: 1,35–4,28; p = 0,003
Poprawna interpretacja brzmi: po uwzględnieniu zmiennych znajdujących się w modelu osoby z cukrzycą miały 2,40 razy większe szanse zakażenia rany niż osoby bez cukrzycy. Można też powiedzieć, że szanse były o około 140% większe. Przedział ufności nie obejmuje 1, a oszacowanie jest stosunkowo precyzyjne na tle sytuacji, w której przedział wynosiłby na przykład 0,90–6,40.
Nie należy natomiast pisać, że cukrzyca „zwiększyła ryzyko zakażenia 2,4 raza”, chyba że zastosowany schemat, miara efektu i kontekst uzasadniają taką interpretację. OR nie jest automatycznie ilorazem ryzyka. W badaniach kohortowych i randomizowanych, zwłaszcza gdy wynik nie jest rzadki, OR może być wyraźnie dalszy od 1 niż odpowiadający mu iloraz ryzyka (Davies, Crombie i Tavakoli, 1998; McNutt, Wu, Xue i Hafner, 2003).
8. Przykład z psychologii i zdrowia publicznego
W badaniu przekrojowym analizowano występowanie objawów depresyjnych u studentów. Wynik 1 oznaczał obecność objawów powyżej ustalonego punktu odcięcia, a 0 – wynik poniżej tego punktu. Predyktorem była regularna aktywność fizyczna, zakodowana jako 1 – co najmniej trzy sesje tygodniowo i 0 – mniej niż trzy sesje.
Otrzymano OR = 0,58; 95% CI: 0,39–0,86. Interpretacja: studenci regularnie aktywni fizycznie mieli około 42% mniejsze szanse występowania objawów depresyjnych niż studenci z grupy referencyjnej, ponieważ:
(1 − 0,58) × 100% = 42%
Jest to związek statystyczny w badaniu przekrojowym. Nie można na tej podstawie stwierdzić, że aktywność fizyczna zapobiega objawom depresyjnym ani że jest ich przyczyną lub skutkiem. Możliwe są między innymi odwrotna zależność, zakłócenie przez inne zmienne lub wspólne źródło obu zjawisk.
9. OR a ryzyko, prawdopodobieństwo i częstość zdarzenia
Najczęstsza pomyłka polega na utożsamianiu OR z ryzykiem względnym. Rozważmy dwie grupy:
| Grupa | Zdarzenie | Brak zdarzenia | Ryzyko |
|---|---|---|---|
| Referencyjna | 10 | 90 | 10% |
| Porównywana | 20 | 80 | 20% |
Iloraz ryzyka wynosi 2,00. Iloraz szans wynosi natomiast:
(20 / 80) / (10 / 90) = 0,25 / 0,111 ≈ 2,25
Obie miary wskazują na większą częstość zdarzenia w grupie porównywanej, ale nie mają tej samej wartości. Przy rzadkich zdarzeniach różnica może być mała. Gdy wynik jest częsty, rozbieżność może mieć znaczenie praktyczne. Dlatego w badaniach kohortowych warto rozważyć prezentację ryzyka, różnicy ryzyka lub ilorazu ryzyka, jeśli odpowiada to pytaniu badawczemu i metodzie analizy (Bland i Altman, 2000; Norton, Dowd i MacQeen, 2018).
10. Kodowanie wyniku i grupy referencyjnej
OR zawsze zależy od kierunku porównania. Jeżeli wynik 1 oznacza „brak powikłania”, a nie „powikłanie”, interpretacja zmieni się. Podobnie zmiana grupy referencyjnej odwraca OR: jeśli dla palenia względem niepalenia OR = 2,00, to dla niepalenia względem palenia OR = 0,50.
W przypadku zmiennej kategorialnej z trzema poziomami, na przykład łagodny, umiarkowany i ciężki poziom stresu, trzeba wskazać kategorię referencyjną. OR dla poziomu umiarkowanego jest porównaniem z referencją, a nie uniwersalną charakterystyką całej zmiennej. W publikacji należy jasno opisać kodowanie i podać liczebności poszczególnych kategorii.
11. Najczęstsze błędy
- Traktowanie OR jak ryzyka względnego. OR opisuje iloraz szans, nie iloraz prawdopodobieństw.
- Pomijanie grupy referencyjnej. Bez niej nie wiadomo, jakie porównanie reprezentuje OR.
- Brak jednostki zmiany. OR dla jednego roku wieku to coś innego niż OR dla 10 lat.
- Nazywanie zależności przyczyną. Sam model logistyczny nie zapewnia wnioskowania przyczynowego.
- Interpretowanie wartości p jako prawdopodobieństwa prawdziwości H0. Wartość p opisuje zgodność danych z hipotezą zerową i założeniami procedury.
- Skupienie wyłącznie na istotności statystycznej. OR = 1,05 może być statystycznie istotny w dużej próbie, ale mieć niewielkie znaczenie praktyczne.
- Pomijanie przedziału ufności. OR = 2,00 z CI 1,90–2,10 oznacza inną precyzję niż OR = 2,00 z CI 1,05–3,80.
- Brak kontroli jakości modelu. Interpretacja OR wymaga oceny specyfikacji modelu, obserwacji odstających, współliniowości, nieliniowości i kompletności danych.
- Automatyczne przypisywanie znaczenia klinicznego. Statystycznie istotny OR nie musi oznaczać efektu ważnego dla pacjenta lub populacji.
12. Przykład praktyczny: jak napisać wynik w artykule?
Załóżmy, że w badaniu pielęgniarek analizowano związek pracy zmianowej z występowaniem klinicznie istotnego zmęczenia. Model uwzględniał wiek, staż pracy i liczbę godzin pracy tygodniowo. Dla pracy zmianowej uzyskano OR = 1,65; 95% CI: 1,18–2,31; p = 0,004.
Dobry zapis może brzmieć:
Po uwzględnieniu wieku, stażu pracy i liczby godzin pracy tygodniowo osoby pracujące zmianowo miały 1,65 razy większe szanse klinicznie istotnego zmęczenia niż osoby pracujące wyłącznie w stałych godzinach dziennych (OR = 1,65; 95% CI: 1,18–2,31; p = 0,004).
Warto dodać, jaki był typ badania, jak zdefiniowano zmęczenie oraz jakie kategorie stanowiły punkt odniesienia. Jeżeli badanie było przekrojowe, należy użyć języka „wiązało się z” albo „występowało częściej”, a nie „spowodowało”. Taki sposób prezentacji jest zgodny z zasadą przejrzystego raportowania badań obserwacyjnych (von Elm i in., 2007).
13. Co warto zapamiętać?
- Iloraz szans porównuje szanse zdarzenia w dwóch grupach.
- W regresji logistycznej OR otrzymuje się przez eksponentację współczynnika:
OR = exp(β). - OR = 1 oznacza brak różnicy szans; OR > 1 oznacza większe szanse, a OR < 1 – mniejsze szanse.
- Interpretacja zawsze wymaga wskazania grupy referencyjnej i jednostki zmiany predyktora.
- OR nie należy bezrefleksyjnie utożsamiać z ilorazem ryzyka.
- Przedział ufności informuje o precyzji oszacowania; dla OR wartością neutralną jest 1.
- Istotność statystyczna, wielkość efektu i znaczenie praktyczne to trzy różne kwestie.
- Model logistyczny nie zamienia automatycznie badania obserwacyjnego w badanie przyczynowe.
W praktyce kursu na statystyk.edu.pl warto ćwiczyć interpretację OR na kilku poziomach: najpierw odczytać kierunek i wielkość efektu, następnie sprawdzić przedział ufności, a na końcu ocenić, czy wynik ma sens kliniczny, psychologiczny lub społeczny. Taka kolejność chroni przed mechanicznym utożsamianiem liczby z wnioskiem badawczym.
Źródła i dalsza lektura
- David W. Hosmer Jr., Stanley Lemeshow, Rodney X. Sturdivant (2013). Applied Logistic Regression. 3rd edition. John Wiley & Sons, Inc.. Informacja wydawcy / źródło.
- J. Martin Bland, Douglas G. Altman (2000). The odds ratio. BMJ, 320(7247), 1468. DOI: 10.1136/bmj.320.7247.1468.
- Andrew M. Kasza (2014). Interpretation of commonly used statistical regression models. Respirology, 19(3), 374–376. DOI: 10.1111/resp.12221.
- Hugh A. Davies, David G. Crombie, H. Tavakoli (1998). When can odds ratios mislead?. BMJ, 316(7136), 989–991. DOI: 10.1136/bmj.316.7136.989.
- David McNutt, Xue X. Wu, Xiaoqin Xue, Jeffrey P. Hafner (2003). Estimating the relative risk in cohort studies and clinical trials of common outcomes. American Journal of Epidemiology, 157(10), 940–943. DOI: 10.1093/aje/kwg074.
- Erik von Elm, Douglas G. Altman, Matthias Egger, Stuart J. Pocock, Peter C. Gøtzsche, Jan P. Vandenbroucke, for the STROBE Initiative (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) Statement: Guidelines for Reporting Observational Studies. PLoS Medicine, 4(10), e296. DOI: 10.1371/journal.pmed.0040296.
- Jan P. Vandenbroucke, Erik von Elm, Douglas G. Altman, Peter C. Gøtzsche, Cynthia Mulrow, Stuart J. Pocock, Charles Poole, James J. Schlesselman, Matthias Egger, for the STROBE Initiative (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and Elaboration. PLoS Medicine, 4(10), e297. DOI: 10.1371/journal.pmed.0040297.