I rapporti odd compaiono pi\u00f9 comunemente nella regressione logistica<\/a> , che \u00e8 un metodo che utilizziamo per adattare un modello di regressione che ha una o pi\u00f9 variabili predittive e una variabile di risposta binaria.<\/span><\/p>\n Un rapporto odd aggiustato<\/strong> \u00e8 un rapporto odd che \u00e8 stato aggiustato per altre variabili predittive in un modello.<\/span><\/p>\n \u00c8 particolarmente utile per aiutarci a comprendere in che modo una variabile predittiva influisce sulle probabilit\u00e0 che si verifichi un evento, dopo<\/em> aver adeguato l’effetto di altre variabili predittive.<\/span><\/p>\n L’esempio seguente illustra la differenza tra un rapporto odd e un rapporto odd modificato.<\/span><\/p>\n Supponiamo di voler capire se l’et\u00e0 della madre influisce sulla probabilit\u00e0 di avere un bambino con basso peso alla nascita.<\/span><\/p>\n Per esplorare questo, possiamo eseguire una regressione logistica utilizzando l\u2019et\u00e0 come variabile predittiva e il basso peso alla nascita (s\u00ec o no) come variabile di risposta<\/a> .<\/span><\/p>\n Supponiamo di raccogliere dati su 300 madri e di adattare un modello di regressione logistica. Ecco i risultati:<\/span> <\/p>\n Per ottenere l’odds ratio per l’et\u00e0 \u00e8 sufficiente esponenziare il coefficiente stimato dalla tabella: e 0,173<\/sup> = 1,189<\/strong> .<\/span><\/p>\n Questo ci dice che un anno in pi\u00f9 di et\u00e0 \u00e8 associato ad un aumento di 1.189<\/strong> probabilit\u00e0 che un bambino abbia un basso peso alla nascita. In altre parole, le probabilit\u00e0 di avere un bambino con basso peso alla nascita aumentano del 18,9%<\/strong> per ogni ulteriore aumento annuale dell\u2019et\u00e0.<\/span><\/p>\n Questo rapporto odd \u00e8 chiamato rapporto odd “grezzo” o rapporto odd “non corretto” perch\u00e9 non \u00e8 stato corretto per le altre variabili predittive nel modello poich\u00e9 \u00e8 l’ unica<\/em> variabile predittiva nel modello.<\/span><\/p>\n Ma supponiamo di voler capire se l’et\u00e0 della madre e<\/em> l’abitudine al fumo influiscono sulla probabilit\u00e0 di avere un bambino con basso peso alla nascita.<\/span><\/p>\n Per esplorare questo aspetto, possiamo eseguire una regressione logistica utilizzando l’et\u00e0 e il fumo (s\u00ec o no) come variabili predittive e il basso peso alla nascita come variabile di risposta<\/a> .<\/span><\/p>\n Supponiamo di raccogliere dati su 300 madri e di adattare un modello di regressione logistica. Ecco i risultati:<\/span> <\/p>\n Ecco come interpretare i risultati:<\/span><\/p>\n Et\u00e0:<\/strong> l’odds ratio corretto per l’et\u00e0 \u00e8 calcolato come segue: e 0,045<\/sup> = 1,046<\/strong> . Ci\u00f2 significa che le probabilit\u00e0 di avere un bambino con basso peso alla nascita aumentano del 4,6% per ogni ulteriore aumento annuo di et\u00e0, assumendo che la variabile fumo<\/em> rimanga costante.<\/span><\/p>\n Ad esempio, supponiamo che la madre A e la madre B fumano entrambe. Se la madre A ha un anno in pi\u00f9 della madre B, allora la probabilit\u00e0 che la madre A abbia un bambino con basso peso alla nascita \u00e8 1,046 volte la probabilit\u00e0 che la madre B abbia un bambino con basso peso alla nascita.<\/span><\/p>\n Fumare<\/strong> : l’odds ratio aggiustato per il fumo \u00e8 calcolato come segue: e.485<\/sup> = 1.624<\/strong> . Ci\u00f2 significa che le probabilit\u00e0 di avere un bambino con basso peso alla nascita aumentano del 62,4% se la madre fuma (rispetto a chi non fuma), assumendo che la variabile et\u00e0<\/i> rimanga costante.<\/span><\/p>\n Ad esempio, supponiamo che la madre A e la madre B abbiano entrambe 30 anni. Se la madre A fuma durante la gravidanza e la madre B non fuma, le probabilit\u00e0 che la madre A abbia un bambino con basso peso alla nascita sono superiori del 62,4% rispetto alle probabilit\u00e0 che la madre B abbia un bambino con basso peso alla nascita.<\/span><\/p>\n Si noti che il rapporto odd corretto per l’et\u00e0 \u00e8 inferiore al rapporto odd non corretto dell’esempio precedente. Questo perch\u00e9 quando altre variabili predittive aumentano le probabilit\u00e0 che si verifichi la variabile di risposta, l’odds ratio corretto per una variabile predittiva gi\u00e0 presente nel modello diminuir\u00e0 sempre.<\/span><\/p>\n Un rapporto di probabilit\u00e0<\/strong> (a volte chiamato rapporto di probabilit\u00e0 “grezzo”) \u00e8 utile per dirci come i cambiamenti in una variabile predittrice influenzano le possibilit\u00e0 che si verifichi una variabile di risposta.<\/span><\/p>\n Un rapporto odd corretto<\/strong> \u00e8 utile per dirci in che modo i cambiamenti in una variabile predittiva influenzano le probabilit\u00e0 che si verifichi una variabile di risposta, dopo<\/em> aver controllato altre variabili predittive in un modello.<\/span><\/p>\n Introduzione alla regressione logistica<\/a> In statistica, un odds ratio ci dice il rapporto tra la probabilit\u00e0 che un evento si verifichi in un gruppo di trattamento e la probabilit\u00e0 che un evento si verifichi in un gruppo di controllo. I rapporti odd compaiono pi\u00f9 comunemente nella regressione logistica , che \u00e8 un metodo che utilizziamo per adattare un modello […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Esempio: calcolo dei rapporti di probabilit\u00e0 rettificati<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ajuste_odds_ratio1.png\")
<\/p>\n![\"Esempio](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ajuste_odds_ratio2.png\")
<\/p>\n Riepilogo: rapporto di probabilit\u00e0 rispetto al rapporto di probabilit\u00e0 corretto<\/strong><\/span><\/h3>\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione logistica in R
Come eseguire la regressione logistica in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"