WikiDer > Соотношение шансов - Википедия

An отношение шансов (ИЛИ ЖЕ) это статистика что количественно определяет силу ассоциация между двумя событиями, A и B. Отношение шансов определяется как отношение шансы A при наличии B и шансы A при отсутствии B, или, что эквивалентно (из-за симметрия), отношение шансов B при наличии A и шансов B при отсутствии A. Два события независимый тогда и только тогда, когда ИЛИ равно 1, то есть шансы одного события одинаковы как при наличии, так и при отсутствии другого события. Если OR больше 1, то A и B связаны (коррелированы) в том смысле, что, по сравнению с отсутствием B, присутствие B увеличивает шансы A, а симметрично наличие A увеличивает шансы B И наоборот, если OR меньше 1, то A и B имеют отрицательную корреляцию, и наличие одного события снижает вероятность другого события.

Обратите внимание, что отношение шансов в двух событиях симметрично, и нет причинный подразумевается направление (корреляция не подразумевает причинно-следственной связи): положительное ИЛИ не означает, что B вызывает A или что A вызывает B.^[1]

Две похожие статистики, которые часто используются для количественной оценки ассоциаций: коэффициент риска (RR) и абсолютное снижение риска (ARR). Часто наиболее интересным параметром на самом деле является RR, который представляет собой отношение вероятностей, аналогичное коэффициентам, используемым в OR. Однако доступные данные часто не позволяют вычислить RR или ARR, но позволяют вычислить OR, как в исследования случай-контроль, как описано ниже. С другой стороны, если одно из свойств (A или B) встречается достаточно редко (в эпидемиологии это называется предположение о редком заболевании), то OR примерно равно соответствующему RR.

Операционная играет важную роль в логистическая модель.

Определение и основные свойства

Убедительный пример в контексте предположения о редком заболевании

Представьте, что существует редкое заболевание, которым страдает, скажем, только один из многих тысяч взрослого человека в стране. Представьте, что мы подозреваем, что воздействие чего-то (скажем, травмы определенного типа в детстве) увеличивает вероятность развития этой болезни во взрослом возрасте. Наиболее информативным параметром для вычисления будет коэффициент риска RR. Чтобы сделать это в идеальном случае, для всех взрослых в популяции нам необходимо знать, (а) подвергались ли они травме в детстве и (б) развили ли они болезнь во взрослом возрасте. Из этого мы бы извлекли следующую информацию: общее количество людей, подвергшихся детской травме, ${ displaystyle N_ {E},}$ из которых ${ displaystyle D_ {E}}$ развил болезнь и ${ displaystyle H_ {E}}$ оставался здоровым; и общее количество людей, не подвергшихся воздействию, ${ displaystyle N_ {N},}$ из которых ${ displaystyle D_ {N}}$ развил болезнь и ${ displaystyle H_ {N}}$ остался здоровым. С ${ displaystyle N_ {E} = D_ {E} + H_ {E}}$ и аналогично для ${ displaystyle N_ {N}}$ чисел, у нас есть только четыре независимых числа, которые мы можем организовать в стол:

${ displaystyle { begin {array} {| r | cc |} hline & { text {Diseased}} & { text {Healthy}} hline { text {Exposed}} & {D_ {E }} & {H_ {E}} { text {Не показано}} & {D_ {N}} & {H_ {N}} hline end {array}}}$

Чтобы избежать путаницы, мы подчеркиваем, что все эти числа относятся ко всей генеральной совокупности, а не к какой-либо ее выборке.

Теперь рисковать развития болезни с учетом воздействия ${ displaystyle D_ {E} / N_ {E}}$ (куда ${ displaystyle N_ {E} = D_ {E} + H_ {E}}$), и развитие болезни при отсутствии контакта ${ displaystyle D_ {N} / N_ {N}.}$ В коэффициент риска, RR, это просто соотношение двух,

${ displaystyle RR = { frac {D_ {E} / N_ {E}} {D_ {N} / N_ {N}}} ,,}$

который можно переписать как ${ displaystyle RR = { frac {D_ {E} N_ {N}} {D_ {N} N_ {E}}} = { frac {D_ {E} / D_ {N}} {N_ {E} / N_ {N}}}.}$

Напротив, шансы болезни при воздействии ${ Displaystyle D_ {E} / H_ {E} ,,}$ по сравнению с шансами заболеть, если не подвергнуться воздействию ${ Displaystyle D_ {N} / H_ {N} ,.}$ В отношение шансов, ИЛИ, - соотношение двух,

${ displaystyle OR = { frac {D_ {E} / H_ {E}} {D_ {N} / H_ {N}}} ,,}$ который можно переписать как ${ displaystyle OR = { frac {D_ {E} H_ {N}} {D_ {N} H_ {E}}} = { frac {D_ {E} / D_ {N}} {H_ {E} / H_ {N}}}.}$

Уже можно заметить, что если заболевание встречается редко, то OR = RR. Действительно, для редкого заболевания у нас будет ${ displaystyle D_ {E} ll H_ {E},}$ и так ${ Displaystyle D_ {E} + H_ {E} приблизительно H_ {E};}$ но потом ${ Displaystyle D_ {E} / (D_ {E} + H_ {E}) приблизительно D_ {E} / H_ {E},}$ Другими словами, для населения, подвергшегося воздействию, риск развития болезни примерно равен шансам. Аналогичные рассуждения показывают, что риск примерно равен шансам и для не подвергшегося облучению населения; но тогда соотношение рисков, равное RR, примерно равно отношению шансов, равному OR. Или мы могли просто заметить, что предположение о редком заболевании гласит, что ${ displaystyle N_ {E} приблизительно H_ {E}}$ и ${ displaystyle N_ {N} приблизительно H_ {N},}$ откуда следует, что ${ Displaystyle N_ {E} / N_ {N} приблизительно H_ {E} / H_ {N},}$ другими словами, знаменатели в окончательных выражениях для RR и OR примерно одинаковы. Числители точно такие же, и поэтому мы снова заключаем, что OR ≈ RR. Возвращаясь к нашему гипотетическому исследованию, мы часто сталкиваемся с проблемой, что у нас может не быть данных для оценки этих четырех чисел. Например, у нас может не быть данных по населению о том, кто получил или не получил травму в детстве.

Часто мы можем решить эту проблему, используя случайная выборка населения: а именно, если ни болезнь, ни подверженность травмам не слишком редки в нашей популяции, то мы можем выбрать (скажем) сто человек наугад и узнать эти четыре числа в этой выборке; если предположить, что выборка достаточно репрезентативна для генеральной совокупности, тогда RR, вычисленный для этой выборки, будет хорошей оценкой RR для всей генеральной совокупности.

Однако некоторые заболевания могут быть настолько редкими, что, по всей вероятности, даже большая случайная выборка может не содержать даже одного больного человека (или может содержать некоторые, но слишком мало, чтобы быть статистически значимыми). Это сделало бы невозможным вычисление RR. Но мы май тем не менее иметь возможность оценить OR, при условии, чтоВ отличие от болезни, травмы в детстве случаются не так уж и редко. Конечно, поскольку это заболевание встречается редко, это также наша оценка ОР.

Глядя на последнее выражение для ИЛИ: дробь в числителе, ${ displaystyle D_ {E} / D_ {N},}$ мы можем оценить, собрав все известные случаи заболевания (предположительно, они должны быть, иначе мы, скорее всего, не будем проводить исследование в первую очередь), и посмотрев, сколько заболевших людей подверглись воздействию и как многие этого не сделали. И дробь в знаменателе, ${ displaystyle H_ {E} / H_ {N},}$ - вероятность того, что здоровый человек в популяции подвергся травме в детстве. Теперь обратите внимание, что этот последний шанс действительно может быть оценен путем случайной выборки населения - при условии, как мы сказали, что распространенность воздействия детской травмы не слишком мала, так что случайная выборка приемлемого размера, вероятно, будет содержать достаточное количество людей, которые подверглись воздействию. Итак, здесь болезнь очень редка, но фактор, который, как считается, способствует ей, не так уж и редок; такие ситуации довольно часты на практике.

Таким образом, мы можем оценить OR, а затем, снова применяя предположение о редком заболевании, мы говорим, что это также хорошее приближение RR. Между прочим, описанный выше сценарий является парадигматическим примером исследование случай-контроль.^[2]

Та же история мог сказать без упоминания операционной, например: как только у нас есть это ${ displaystyle N_ {E} приблизительно H_ {E}}$ и ${ displaystyle N_ {N} приблизительно H_ {N},}$ тогда у нас есть это ${ displaystyle N_ {E} / N_ {N} приблизительно H_ {E} / H_ {N}.}$ Таким образом, если путем случайной выборки нам удастся оценить ${ displaystyle H_ {E} / H_ {N},}$ тогда, исходя из предположения о редком заболевании, это будет хорошая оценка ${ displaystyle N_ {E} / N_ {N},}$ это все, что нам нужно (кроме ${ displaystyle D_ {E} / D_ {N},}$ который мы, вероятно, уже знаем, изучая несколько случаев заболевания), чтобы вычислить RR. Однако в литературе принято явно указывать OR, а затем заявлять, что RR примерно равен ему.

Определение в терминах групповых шансов

Отношение шансов - это отношение шансы события, происходящего в одной группе, до вероятности того, что оно произойдет в другой группе. Этот термин также используется для обозначения основанных на выборке оценок этого отношения. Эти группы могут быть мужчинами и женщинами, экспериментальной группой и контрольная группа, или любой другой дихотомический классификация. Если вероятности события в каждой из групп равны п₁ (первая группа) и п₂ (вторая группа), то отношение шансов будет:

${ displaystyle {p_ {1} / (1-p_ {1}) over p_ {2} / (1-p_ {2})} = {p_ {1} / q_ {1} over p_ {2}) / q_ {2}} = { frac {; p_ {1} q_ {2} ;} {; p_ {2} q_ {1} ;}},}$

куда q_Икс = 1 − п_Икс. Отношение шансов, равное 1, указывает на то, что изучаемое состояние или событие с одинаковой вероятностью произойдет в обеих группах. Отношение шансов больше 1 означает, что условие или событие с большей вероятностью произойдет в первой группе. А отношение шансов меньше 1 указывает на то, что условие или событие с меньшей вероятностью произойдет в первой группе. Отношение шансов должно быть неотрицательным, если оно определено. Не определено, если п₂q₁ равно нулю, т.е. если п₂ равно нулю или q₁ равно нулю.

Определение в терминах совместной и условной вероятностей

Отношение шансов также может быть определено с точки зрения совместного распределение вероятностей двух двоичных случайные переменные. Совместное распределение двоичных случайных величин Икс и Y можно написать

${ displaystyle { begin {array} {c | cc} & Y = 1 & Y = 0 hline X = 1 & p_ {11} & p_ {10} X = 0 & p_ {01} & p_ {00} end {array} }}$

куда п₁₁, п₁₀, п₀₁ и п₀₀ неотрицательные «вероятности ячейки», сумма которых равна единице. Шансы на Y в двух субпопуляциях, определенных Икс = 1 и Икс = 0 определены в терминах условные вероятности данный Икс, т.е., п(Y|Икс):

${ displaystyle { begin {array} {c | cc} & Y = 1 & Y = 0 hline X = 1 & { frac {p_ {11}} {p_ {11} + p_ {10}}} & { гидроразрыв {p_ {10}} {p_ {11} + p_ {10}}} X = 0 & { frac {p_ {01}} {p_ {01} + p_ {00}}} и { frac { p_ {00}} {p_ {01} + p_ {00}}} end {массив}}}$

Таким образом, отношение шансов равно

${ displaystyle {{ dfrac {p_ {11} / (p_ {11} + p_ {10})} {p_ {10} / (p_ {11} + p_ {10})}} { bigg /} { dfrac {p_ {01} / (p_ {01} + p_ {00})} {p_ {00} / (p_ {01} + p_ {00})}}} = { dfrac {p_ {11} p_ {00}} {p_ {10} p_ {01}}}}$

Простое выражение справа выше легко запомнить как произведение вероятностей «согласованных ячеек». (Икс = Y) делится на произведение вероятностей «несогласованных ячеек» (Икс ≠ Y). Однако обратите внимание, что в некоторых приложениях обозначение категорий как ноль и единица является произвольным, поэтому в этих приложениях нет ничего особенного в отношении согласованных и несогласованных значений.

Симметрия

Если бы мы рассчитали отношение шансов на основе заданных условных вероятностей Y,

${ displaystyle { begin {array} {c | cc} & Y = 1 & Y = 0 hline X = 1 & { frac {p_ {11}} {p_ {11} + p_ {01}}} & { frac {p_ {10}} {p_ {10} + p_ {00}}} X = 0 & { frac {p_ {01}} {p_ {11} + p_ {01}}} и { frac { p_ {00}} {p_ {10} + p_ {00}}} end {массив}}}$

мы получили бы тот же результат

${ Displaystyle {{ dfrac {p_ {11} / (p_ {11} + p_ {01})} {p_ {01} / (p_ {11} + p_ {01})}} { bigg /} { dfrac {p_ {10} / (p_ {10} + p_ {00})} {p_ {00} / (p_ {10} + p_ {00})}}} = { dfrac {p_ {11} p_ {00}} {p_ {10} p_ {01}}}.}$

Другие меры величины эффекта для двоичных данных, такие как относительный риск не обладают этим свойством симметрии.

Отношение к статистической независимости

Если Икс и Y независимы, их совместные вероятности могут быть выражены через их предельные вероятности п_Икс =  п(Икс = 1) и п_у =  п(Y = 1), следующее

${ displaystyle { begin {array} {c | cc} & Y = 1 & Y = 0 hline X = 1 & p_ {x} p_ {y} & p_ {x} (1-p_ {y}) X = 0 & (1-p_ {x}) p_ {y} & (1-p_ {x}) (1-p_ {y}) end {массив}}}$

В этом случае отношение шансов равно единице, и, наоборот, отношение шансов может равняться только единице, если совместные вероятности могут быть учтены таким образом. Таким образом, отношение шансов равно единице тогда и только тогда, когда Икс и Y находятся независимый.

Восстановление вероятностей ячеек из отношения шансов и предельных вероятностей

Отношение шансов является функцией вероятностей ячеек, и, наоборот, вероятности ячеек можно восстановить, зная отношение шансов и предельные вероятности. п(Икс = 1) = п₁₁ + п₁₀ и п(Y = 1) = п₁₁ + п₀₁. Если отношение шансов р отличается от 1, то

${ displaystyle p_ {11} = { frac {1+ (p_ {1 cdot} + p _ { cdot 1}) (R-1) -S} {2 (R-1)}}}$

куда п_1• = п₁₁ + п₁₀,  п_•1 = п₁₁ + п₀₁, и

${ Displaystyle S = { sqrt {(1+ (p_ {1 cdot} + p _ { cdot 1}) (R-1)) ^ {2} + 4R (1-R) ​​p_ {1 cdot} p _ { cdot 1}}}.}$

В случае, когда р = 1, у нас есть независимость, поэтому п₁₁ = п_1•п_•1.

Как только у нас есть п₁₁, вероятности остальных трех ячеек могут быть легко восстановлены из предельных вероятностей.

Пример

График, показывающий, как логарифмическое отношение шансов соотносится с лежащими в основе вероятностями результата Икс встречаются в двух группах, обозначенных А и B. Показанное здесь отношение шансов журнала основано на шансах события, происходящего в группе. B относительно шансов на событие, происходящее в группе А. Таким образом, когда вероятность Икс происходит в группе B больше, чем вероятность Икс происходит в группе А, отношение шансов больше 1, а логарифмическое отношение шансов больше 0.

Предположим, что в выборке из 100 мужчин 90 пили вино на предыдущей неделе, а в выборке из 80 женщин только 20 пили вино за тот же период. Шансы мужчины, пьющего вино, составляют 90 к 10, или 9: 1, тогда как вероятность того, что женщина пьет вино, составляет всего 20 к 60, или 1: 3 = 0,33. Соотношение шансов, таким образом, составляет 9 / 0,33, или 27, что показывает, что мужчины гораздо чаще пьют вино, чем женщины. Подробный расчет:

${ displaystyle {0,9 / 0,1 свыше 0,2 / 0,6} = { frac {; 0,9 раз 0,6 ;} {; 0,1 раз 0,2 ;}} = {0,54 более 0,02} = 27}$

Этот пример также показывает, насколько чувствительны отношения шансов при определении относительного положения: в этом примере мужчины в (90/100) / (20/80) = 3,6 раза чаще выпивают вино, чем женщины, но имеют в 27 раз больше шансов. Логарифм отношения шансов, разность логиты из вероятности, смягчает этот эффект, а также делает меру симметричный относительно упорядочения групп. Например, используя натуральные логарифмы, отношение шансов 27/1 соответствует 3,296, а отношение шансов 1/27 соответствует -3,296.

Статистические выводы

График, показывающий минимальное значение статистики отношения шансов в журнале выборки, которое необходимо соблюдать, чтобы считать значимым на уровне 0,05 для данного размера выборки. Три линии соответствуют различным настройкам предельных вероятностей в таблице непредвиденных обстоятельств 2 × 2 (на этом графике предельные вероятности строки и столбца равны).

Было разработано несколько подходов к статистическому выводу для отношений шансов.

Один из подходов к выводу использует приближения большой выборки для выборочного распределения логарифмического отношения шансов ( натуральный логарифм отношения шансов). Если мы используем обозначение совместной вероятности, определенное выше, то логарифмическое отношение шансов популяции будет

${ displaystyle { log left ({ frac {p_ {11} p_ {00}} {p_ {01} p_ {10}}} right) = log (p_ {11}) + log (p_ {00} { big)} - log (p_ {10}) - log (p_ {01})}. ,}$

Если мы наблюдаем данные в виде Таблица сопряженности

${ displaystyle { begin {array} {c | cc} & Y = 1 & Y = 0 hline X = 1 & n_ {11} & n_ {10} X = 0 & n_ {01} & n_ {00} end {array} }}$

то вероятности в совместном распределении можно оценить как

${ displaystyle { begin {array} {c | cc} & Y = 1 & Y = 0 hline X = 1 & { hat {p}} _ {11} & { hat {p}} _ {10} X = 0 & { hat {p}} _ {01} & { hat {p}} _ {00} end {array}}}$

куда ︿п_ij = п_ij / п, с п = п₁₁ + п₁₀ + п₀₁ + п₀₀ сумма всех четырех клеток. Отношение шансов для выборки журнала составляет

${ displaystyle {L = log left ({ dfrac {{ hat {p}} _ {11} { hat {p}} _ {00}} {{ hat {p}} _ {10}) { hat {p}} _ {01}}} right) = log left ({ dfrac {n_ {11} n_ {00}} {n_ {10} n_ {01}}} right)} }$.

Распределение логарифмического отношения шансов приблизительно нормальный с:

${ Displaystyle L sim { mathcal {N}} ( log (OR), , sigma ^ {2}). ,}$

В стандартная ошибка для журнала отношение шансов приблизительно

${ displaystyle {{ rm {SE}} = { sqrt {{ dfrac {1} {n_ {11}}} + { dfrac {1} {n_ {10}}} + { dfrac {1}) {n_ {01}}} + { dfrac {1} {n_ {00}}}}}}}$.

Это асимптотическое приближение, и оно не даст значимого результата, если какое-либо количество ячеек очень мало. Если L отношение шансов выборки журнала, приблизительно 95% доверительный интервал для логарифмического отношения шансов популяции L ± 1.96SE.^[3] Это можно сопоставить с ехр (L - 1.96SE), exp (L + 1.96SE) для получения 95% доверительного интервала для отношения шансов. Если мы хотим проверить гипотезу о том, что отношение шансов населения равно единице, двусторонний p-значение является 2п(Z < −|L| / SE), куда п обозначает вероятность, а Z обозначает стандартная нормальная случайная величина.

Альтернативный подход к выводу для отношения шансов рассматривает распределение данных условно по предельным частотам Икс и Y. Преимущество этого подхода состоит в том, что выборочное распределение отношения шансов может быть выражено точно.

Роль в логистической регрессии

Логистическая регрессия - это один из способов обобщения отношения шансов за пределами двух бинарных переменных. Предположим, у нас есть двоичная переменная ответа Y и бинарная переменная-предиктор Икс, и, кроме того, у нас есть другие переменные-предикторы Z₁, ..., Z_п это может быть или не быть двоичным. Если мы используем множественную логистическую регрессию для регрессии Y на Икс, Z₁, ..., Z_п, то оценочный коэффициент ${ displaystyle { hat { beta}} _ {x}}$ за Икс связано с условным отношением шансов. В частности, на уровне населения

${ Displaystyle ехр ( бета _ {x}) = { гидроразрыва {P (Y = 1 mid X = 1, Z_ {1}, ldots, Z_ {p}) / P (Y = 0 mid X = 1, Z_ {1}, ldots, Z_ {p})} {P (Y = 1 mid X = 0, Z_ {1}, ldots, Z_ {p}) / P (Y = 0 середина X = 0, Z_ {1}, ldots, Z_ {p})}},}$

так ${ Displaystyle ехр ({ шляпа { бета}} _ {х})}$ является оценкой этого условного отношения шансов. Интерпретация ${ Displaystyle ехр ({ шляпа { бета}} _ {х})}$ как оценка отношения шансов между Y и Икс когда значения Z₁, ..., Z_п фиксируются.

Нечувствительность к типу отбора проб

Если данные образуют «выборку населения», то вероятности ячеек ∧п_ij интерпретируются как частоты каждой из четырех групп населения, определяемые их Икс и Y значения. Во многих случаях получить выборку населения нецелесообразно, поэтому используется выбранная выборка. Например, мы можем выбрать образец единицы с Икс = 1 с заданной вероятностью ж, независимо от их частоты в популяции (что потребует единиц выборки с Икс = 0 с вероятностью 1 − ж). В этой ситуации наши данные будут следовать следующим совместным вероятностям:

${ displaystyle { begin {array} {c | cc} & Y = 1 & Y = 0 hline X = 1 & { frac {fp_ {11}} {p_ {11} + p_ {10}}} & { frac {fp_ {10}} {p_ {11} + p_ {10}}} X = 0 & { frac {(1-f) p_ {01}} {p_ {01} + p_ {00}}} & { frac {(1-f) p_ {00}} {p_ {01} + p_ {00}}} end {array}}}$

В отношение шансов п₁₁п₀₀ / п₀₁п₁₀ для этого распределения не зависит от значения ж. Это показывает, что отношение шансов (и, следовательно, логарифмическое отношение шансов) инвариантно для неслучайной выборки на основе одной из изучаемых переменных. Однако обратите внимание, что стандартная ошибка логарифмического отношения шансов зависит от значения ж.^{[нужна цитата]}

Этот факт используется в двух важных ситуациях:

• Предположим, что получение выборки населения неудобно или непрактично, но практично получить образец удобства единиц с разными Икс значения, такие, что в пределах Икс = 0 и Икс = 1 подвыборки Y значения являются репрезентативными для генеральной совокупности (т. е. соответствуют правильным условным вероятностям).
• Предположим, что предельное распределение одной переменной, скажем Икс, очень перекошено. Например, если мы изучаем взаимосвязь между высоким потреблением алкоголя и раком поджелудочной железы в общей популяции, заболеваемость раком поджелудочной железы будет очень низкой, поэтому для получения скромного числа случаев рака поджелудочной железы потребуется очень большая выборка населения. Однако мы могли бы использовать данные из больниц, чтобы связаться с большинством или всеми их пациентами с раком поджелудочной железы, а затем произвольно выбрать такое же количество пациентов без рака поджелудочной железы (это называется «исследование случай-контроль»).

В обоих случаях отношение шансов может быть рассчитано на основе выбранной выборки без смещения результатов по сравнению с тем, что было бы получено для выборки населения.

Использование в количественных исследованиях

В связи с широким использованием логистическая регрессияотношение шансов широко используется во многих областях медицинских и социальных исследований. Отношение шансов обычно используется в Исследовательский опрос, в эпидемиология, и выразить результаты некоторых клинические испытания, например, в исследования случай-контроль. В отчетах часто используется аббревиатура «ИЛИ». Когда данные из нескольких опросов объединяются, это часто выражается как «объединенное ИЛИ».

Отношение к относительному риску

В клинических исследованиях, а также в некоторых других условиях наибольший интерес часто вызывает параметр относительный риск а не отношение шансов. Относительный риск лучше всего оценивать с использованием выборки населения, но если предположение о редком заболевании верно, отношение шансов является хорошим приближением к относительному риску - шансы является п / (1 − п), так когда п движется к нулю, 1 -п приближается к 1, что означает, что шансы приближаются к риску, а отношение шансов приближается к относительному риску.^[4] Когда предположение о редком заболевании не выполняется, отношение шансов может переоценить относительный риск.^[5][6][7]

Если доступен абсолютный риск в контрольной группе, конверсия между ними рассчитывается следующим образом:^[5]

${ Displaystyle RR приблизительно { гидроразрыва {ИЛИ} {1-R_ {C} + (R_ {C} times OR)}}}$

куда:

• RR = относительный риск
• ИЛИ ЖЕ = отношение шансов
• р_C = абсолютный риск в группе, не подвергавшейся воздействию, выраженный в виде дроби (например: укажите риск 10% как 0,1)

Замешательство и преувеличение

В медицинской литературе отношение шансов часто путают с относительным риском. Для нестатистиков понятие отношения шансов является трудным для понимания, и оно дает более впечатляющую цифру для эффекта.^[8] Однако большинство авторов считают, что относительный риск легко понять.^[9] В одном исследовании члены национального фонда борьбы с болезнями на самом деле были в 3,5 раза чаще, чем не члены, слышали об общем лечении этого заболевания, но отношение шансов составляло 24, и в документе говорилось, что члены были более чем в 20 раз более вероятны. слышать о лечении.^[10] Исследование статей, опубликованных в двух журналах, показало, что 26% статей, в которых использовалось отношение шансов, интерпретировали его как отношение рисков.^[11]

Это может отражать простой процесс, когда непонимающие авторы выбирают наиболее впечатляющую фигуру, которую можно опубликовать.^[9] Но в некоторых случаях его использование может быть заведомо вводящим в заблуждение.^[12] Было высказано предположение, что отношение шансов следует представлять только как меру размер эффекта когда коэффициент риска невозможно оценить напрямую.^[8]

Обратимость и инвариантность

Отношение шансов имеет еще одно уникальное свойство - быть прямо математически обратимым независимо от того, анализируется ли OR как выживаемость или заболеваемость, где OR для выживаемости является прямой обратной величиной 1 / OR для риска. Это известно как «инвариантность отношения шансов». Напротив, относительный риск не обладает этим математическим обратимым свойством при изучении выживаемости болезни в сравнении с заболеваемостью. Этот феномен обратимости OR против необратимости RR лучше всего проиллюстрировать на примере:

Предположим, что в клиническом исследовании риск нежелательных явлений составляет 4/100 в группе лекарств и 2/100 в группе плацебо ... что дает RR = 2 и OR = 2,04166 для неблагоприятного риска лекарственного средства против плацебо. Однако, если бы анализ был инвертирован, а нежелательные явления вместо этого анализировались как выживаемость без событий, тогда группа лекарств имела бы показатель 96/100, а группа плацебо имела бы показатель 98/100, что давало бы соотношение лекарств и плацебо. RR = 0,9796 для выживаемости, но OR = 0,48979. Как можно видеть, RR 0,9796 явно не является обратной величиной RR, равной 2. Напротив, OR 0,48979 действительно является прямым обратным OR 2,04166.

Это снова то, что называется «инвариантностью отношения шансов», и почему RR для выживания не то же самое, что RR для риска, в то время как OR обладает этим симметричным свойством при анализе либо выживаемости, либо неблагоприятного риска. Опасность клинической интерпретации OR возникает, когда частота нежелательных явлений не является редкой, что приводит к преувеличению различий, когда предположение OR редкого заболевания не выполняется. С другой стороны, когда заболевание встречается редко, использование RR для выживаемости (например, RR = 0,9796 из приведенного выше примера) может клинически скрыть и скрыть важное удвоение неблагоприятного риска, связанного с лекарством или воздействием.^{[нужна цитата]}

Оценщики отношения шансов

Отношение шансов выборки

В отношение шансов выборки п₁₁п₀₀ / п₁₀п₀₁ легко рассчитать, и для средних и больших выборок хорошо подходит для оценки отношения шансов населения. Когда одна или несколько ячеек в таблице непредвиденных обстоятельств могут иметь небольшое значение, отношение шансов выборки может быть пристрастный и показывать высокие отклонение.

Альтернативные оценщики

Был предложен ряд альтернативных оценок отношения шансов для устранения ограничений выборки отношения шансов. Один из альтернативных оценщиков - это оценщик условного максимального правдоподобия, который учитывает поля строки и столбца при формировании вероятности максимизации (как в Точный тест Фишера).^[13] Другой альтернативный оценщик - это Оценщик Мантеля – Хензеля.

Числовые примеры

Следующие четыре таблицы непредвиденных обстоятельств содержат наблюдаемое количество клеток вместе с соответствующим отношением шансов выборки (ИЛИ ЖЕ) и отношение шансов выборки журнала (LOR):

Следующее совместные распределения вероятностей содержат вероятности популяционных ячеек вместе с соответствующим отношением шансов популяции (ИЛИ ЖЕ) и логарифмического отношения шансов (LOR):

Числовой пример

Связанная статистика

Есть разные другие сводная статистика для таблиц непредвиденных обстоятельств которые измеряют связь между двумя событиями, такими как Юла Y, Юла Q; эти два нормализованы, поэтому они равны 0 для независимых событий, 1 для полностью коррелированных, -1 для полностью отрицательно коррелированных. Эдвардс (1963) изучил их и утверждал, что эти меры ассоциации должны быть функциями отношения шансов, которое он назвал перекрестное соотношение.

Смотрите также

• Коэна h
• Перекрестное соотношение
• Соотношение диагностических шансов
• Лесной участок
• Коэффициент опасности
• Отношение правдоподобия
• Соотношение ставок

Рекомендации

Цитаты

Источники

внешняя ссылка

• Калькулятор коэффициента шансов - сайт
• Калькулятор коэффициента шансов с различными тестами - сайт
• OpenEpi, веб-программа, которая вычисляет отношение шансов, как несопоставленных, так и парных.