วิธีคำนวณอัตราส่วนอัตราต่อรองใน r (พร้อมตัวอย่าง)

ในสถิติ อัตราต่อรอง จะบอกเราถึงอัตราส่วนของโอกาสของเหตุการณ์ที่เกิดขึ้นในกลุ่มบำบัด กับโอกาสของเหตุการณ์ที่เกิดขึ้นในกลุ่มควบคุม

เรามักจะคำนวณอัตราส่วนอัตราต่อรองเมื่อทำการวิเคราะห์ในตารางขนาด 2 x 2 ซึ่งใช้รูปแบบต่อไปนี้:

ในการคำนวณอัตราส่วนอัตราต่อรองใน R เราสามารถใช้ฟังก์ชัน Oddsratio() จากแพ็คเกจ epitools

ตัวอย่างต่อไปนี้แสดงวิธีใช้ไวยากรณ์นี้ในทางปฏิบัติ

ตัวอย่าง: คำนวณอัตราส่วนอัตราต่อรองในหน่วย R

สมมติว่าผู้เล่นบาสเก็ตบอล 50 คนกำลังใช้โปรแกรมการฝึกซ้อมแบบใหม่ และผู้เล่น 50 คนกำลังใช้โปรแกรมการฝึกซ้อมแบบเก่า ในตอนท้ายของโปรแกรม เราจะทดสอบผู้เล่นแต่ละคนเพื่อดูว่าพวกเขาผ่านการทดสอบทักษะบางอย่างหรือไม่

ตารางต่อไปนี้แสดงจำนวนผู้เล่นที่ผ่านและล้มเหลว ขึ้นอยู่กับโปรแกรมที่พวกเขาใช้:

สมมติว่าเราต้องการคำนวณอัตราส่วนอัตราต่อรองเพื่อเปรียบเทียบโอกาสที่ผู้เล่นผ่านการทดสอบทักษะโดยใช้โปรแกรมใหม่กับการใช้โปรแกรมเก่า

ต่อไปนี้เป็นวิธีสร้างเมทริกซ์นี้ใน R:

 #create matrix
program <- c(' New Program ', ' Old Program ')
outcome <- c(' Pass ', ' Fail ')
data <- matrix(c(34, 16, 39, 11), nrow= 2 , ncol= 2 , byrow= TRUE )
dimnames(data) <- list(' Program '=program, ' Outcome '=outcome)

#view matrix
data

             Outcome
Program Pass Fail
  New Program 34 16
  Old Program 39 11

และนี่คือวิธีคำนวณอัตราส่วนอัตราต่อรองโดยใช้ฟังก์ชัน Oddsratio() จากแพ็คเกจ epitools :

 install. packages (' epitools ')

library (epitools)

#calculate odds ratio
oddsratio(data)

$measure
             odds ratio with 95% CI
Program estimate lower upper
  New Program 1.0000000 NA NA
  Old Program 0.6045506 0.2395879 1.480143

$p.value
             two-sided
Program midp.exact fisher.exact chi.square
  New Program NA NA NA
  Old Program 0.271899 0.3678219 0.2600686

$correction
[1] FALSE

attr(,"method")
[1] “median-unbiased estimate & mid-p exact CI”

อัตราต่อรองกลายเป็น 0.6045506

เราตีความสิ่งนี้หมายความว่าโอกาสที่ผู้เล่นผ่านการทดสอบโดยใช้โปรแกรมใหม่มีเพียง 0.6045506 เท่าของโอกาส ที่ผู้เล่นผ่านการทดสอบโดยใช้โปรแกรมเก่า

กล่าวอีกนัยหนึ่ง โอกาสที่ผู้เล่นผ่านการทดสอบจะลดลงประมาณ 39.6% จากการใช้โปรแกรมใหม่

นอกจากนี้เรายังสามารถใช้ค่าในคอลัมน์ ด้านล่าง และ ด้านบน ของผลลัพธ์เพื่อสร้างช่วงความเชื่อมั่น 95% ต่อไปนี้สำหรับอัตราส่วนอัตราต่อรอง:

ช่วงความเชื่อมั่น 95% สำหรับอัตราส่วนอัตราต่อรอง: [0.24, 1.48]

เรามั่นใจ 95% ว่าอัตราส่วนอัตราต่อรองที่แท้จริงระหว่างโปรแกรมการฝึกอบรมใหม่และเก่านั้นอยู่ภายในช่วงเวลานี้

คอลัมน์ midp.exact ในเอาต์พุตยังแสดงค่า p-value ที่เกี่ยวข้องกับอัตราส่วนอัตราต่อรองอีกด้วย

ค่า p นี้กลายเป็น 0.271899 เนื่องจากค่านี้ไม่น้อยกว่า 0.05 เราจะสรุปได้ว่าอัตราส่วนอัตราต่อรองไม่มีนัยสำคัญทางสถิติ

กล่าวอีกนัยหนึ่ง เรารู้จากอัตราส่วนอัตราต่อรองว่าโอกาสที่ผู้เล่นจะประสบความสำเร็จโดยใช้โปรแกรมใหม่นั้นต่ำกว่าโอกาสที่จะประสบความสำเร็จโดยใช้โปรแกรมเก่า แต่ความแตกต่างระหว่างโอกาสเหล่านี้ไม่มีนัยสำคัญทางสถิติจริงๆ

แหล่งข้อมูลเพิ่มเติม

บทช่วยสอนต่อไปนี้ให้ข้อมูลเพิ่มเติมเกี่ยวกับอัตราส่วนอัตราต่อรอง:

อัตราต่อรองเทียบกับความเสี่ยงสัมพัทธ์: อะไรคือความแตกต่าง?
คู่มือฉบับสมบูรณ์: วิธีรายงานอัตราส่วนราคาต่อรอง
วิธีการคำนวณช่วงความเชื่อมั่นสำหรับอัตราต่อรอง