Lojistik Regresyon
Özet
Lojistik regresyon analizi, özellikle sağlık bilimlerinde bağımlı değişkenin kategorik (ikili, sıralı veya çoklu) olduğu durumlarda risk faktörlerini belirlemek ve olasılık tahminleri yapmak amacıyla yaygın olarak kullanılan popüler bir modeldir. Parametrik bir model olmadığı için normallik veya varyans homojenliği gibi katı varsayımlara ihtiyaç duymaz, ancak çoklu doğrusal bağlantı ve güçlü aykırı değerlerin bulunmaması gibi kriterlerin sağlanmasını gerektirir. Modelin istatistiksel değerlendirmesinde ve katsayıların anlamlılığında Wald istatistiği, model uyumunda Hosmer-Lemeshow testi ve açıklayıcılık düzeyinde Pseudo $R^2$ ölçümleri gibi kriterler kullanılırken, risk değerlendirmesi temel olarak "Odds Oranı" üzerinden yorumlanır. Bilgisayar destekli otomatik veya araştırmacı kontrolünde manuel yöntemlerle oluşturulabilen bu modellerde, katsayı tahminlerinin güvenilirliği için her bir bağımsız değişken başına en az 10 veri (olay) düşecek şekilde yeterli bir örneklem büyüklüğüne ulaşılması kritik önem taşır.
Logistic regression analysis is a widely used and popular model, particularly in health sciences, to determine independent risk factors and estimate probabilities when the dependent variable is categorical (binary, ordinal, or multinomial). As a non-parametric model, it does not strictly require classical assumptions such as normality or variance homogeneity; however, it necessitates the absence of multicollinearity and strong outliers. Statistical evaluation of the model and its coefficients relies on criteria like the Wald statistic, the Hosmer-Lemeshow test for goodness-of-fit, and Pseudo $R^2$ measures for explanatory power, while risk assessment is primarily interpreted through the "Odds Ratio". These models, which can be constructed using automated computer-driven or researcher-controlled manual procedures, critically require a sufficient sample size, traditionally recommended as at least 10 events per independent variable, to ensure the reliability of coefficient estimations.
Referanslar
David Bowers- Medical Statistics From Scratch_ An Introduction For Health Professionals-Blackwell_John Wiley and Sons (2020)
Joseph M. Hilbe- Practical guide to logistic regression-Taylor & Francis (2016)
Çokluk, Ö., Şekercioğlu, G., & Büyüköztürk, Ş. (2018). Sosyal bilimler için çok değişkenli istatistik: SPSS ve LISREL uygulamaları. Pegem Atıf İndeksi, 001-414.
Hosmer ve Lemeshow (2013) Hosmer Jr, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (Vol. 398). John Wiley & Sons
Mickey, R. M., & Greenland, S. (1989). The Impact Of Confounder Selection Criteria On Effect Estimation. American Journal Of Epidemiology, 129(1), 125-137. Doi: 10.1093/Oxfordjournals. Aje. A1
Robert B. Bendel & A. A. Afifi (1977) Comparison of Stopping Rules in Forward "Stepwise" Regression, Journal of the American Statistical Association, 72:357, 46-53, DOI: 10.1080/01621459.1977.10479905
Çokluk, Õ. (2010). Lojistik Regresyon Analizi: Kavram ve Uygulama. Educational Sciences: Theory & Practice, 10(3), 1357-1407.
Field, A. (2013). Discovering statistics using IBM SPSS statistics. sage.
Bursac, Z., Gauss, H. C., Williams, D. K., and Hosmer, D. W. (2008). Purposeful selection of variables in logistic regression. Source Code for Biology and Medicine, 16, 3-17.
Sainani, K. L. (2013). Multivariate regression: the pitfalls of automated variable selection. PM&R, 5(9), 791-794.
P. N. Pedduzi, J. Concato, E. Kemper, T. R. Holford, A. Feinstein, "A Simulation Study of the Number of Events per Variable in Logistic Regression Analysis", Journal of Clinical Epidemiology, Vol: 49, 1996, pp. 1373-1379.
Ranganathan, P., Pramesh, C. S., & Aggarwal, R. (2017). Common pitfalls in statistical analysis: Logistic regression. Perspectives in clinical research, 8(3), 148-151. https://doi.org/10.4103/picr.PICR_87_17
Antwi E, Groenwold RH, Browne JL, Franx A, Agyepong IA, Koram KA, et al. Development and validation of a prediction model for gestational hypertension in a Ghanaian cohort. BMJ Open. 2017:7: e012670.
Dai Sugimoto, David R. Howell, Noah X. Tocci & William P. Meehan III (2018) Risk factors associated with self-reported injury history in female youth soccer players, The Physician and Sportsmedicine, 46:3, 312-318,
Meehan, W. P., 3rd, Mannix, R. C., Stracciolini, A., Elbin, R. J., & Collins, M. W. (2013). Symptom severity predicts prolonged recovery after sport-related concussion, but age and amnesia do not. The Journal of pediatrics, 163(3), 721-725.
Ertosun, M. G., Özkan, Ö., Darbaş, Ş., Özel, D., Bilge, U., Sayin, N. E., ... & Koçak, H. (2022). The relationship between COVID-19 and HLA in kidney transplant recipients, an evaluation of predictive and prognostic factors. Clinical transplantation, 36(2), e14525-e14525.
