Regresja logistyczna w badaniach medycznych i przyrodniczych

Szkolenie przybliża zagadnienie regresji logistycznej – metody modelowania statystycznego bardzo popularnej w medycynie i naukach przyrodniczych. Uczestnicy poznają kompletny proces budowy modelu. Szczegółowo będą omówione następujące kwestie:

• przygotowania danych do analizy,
• strategie budowy modelu z doborem optymalnej liczby parametrów
• diagnostyka modelu i badanie jakości jego dopasowania do danych.

Dla kogo?

• Lekarzy
• Farmakologów
• Biologów
• Wszystkich zainteresowanych regresją logistyczną

Efekty szkolenia:

• Poznasz tajniki regresji logistycznej i jej możliwości analityczne
• Zrozumiesz, co oznacza iloraz szans oraz poznasz związek tej miary z parametrami regresji
• Dowiesz się, jak budować, interpretować i oceniać modele oraz przygotowywać dane na potrzeby modelowania

Program szkolenia

1. Wprowadzenie do regresji logistycznej
   • Przegląd zagadnień i problemów jakie można modelować za pomocą regresji logistycznej
   • Definiowanie zmiennej zależnej
   • Pojęcie szansy i ilorazu szans
   • Przedziały ufności dla ilorazu szans
   • Uwzględnianie zmiennych jakościowych w modelu regresji
   • Interpretacja ocen parametrów regresji logistycznej
   • Analiza jedno i wieloczynnikowa
   • Wykres leśny (forest plot)
2. Przygotowanie danych do analizy
   • Wpływ liczności zbioru na możliwość przeprowadzenia modelowania
   • Braki danych oraz możliwe sposoby radzenia sobie z brakami
     • Testowanie losowości braków danych
     • Imputacja braków danych
     • Kategoryzacja zmiennych
   • Radzenie sobie z wartościami odstającymi
   • Badanie liniowości wpływu cech na zjawisko
     • Badanie zmian szans względem zakresu wartości cechy
     • Radzenie sobie z nieliniowym wpływem cechy na zjawisko
   • Problem współliniowości zmiennych
   • Testowanie interakcji pomiędzy zmiennymi niezależnymi
3. Modelowanie
   • Dobór parametrów do budowy modelu
     • Przesłanki uwzględniania zmiennych w modelu
     • Określanie dopuszczalnej liczby parametrów modelu
     • Metody krokowe doboru parametrów modelu
   • Ocena istotności ocen parametrów regresji oraz istotności modelu
     • Test Walda
     • Test LR
     • AIC, BIC
4. Badanie jakości dopasowania modelu
   • Miary jakości modelu
     • Krzywa ROC oraz pole powierzchni pod krzywą
     • Test Hosmera-Lemeshowa
   • Techniki walidacji modelu
     • Podział na próbę uczącą i testową
     • Radzenie sobie w sytuacji niewielkich zbiorów danych – metoda LOO (Leave One Out)
5. Zagadnienia dodatkowe
   • Wykorzystanie techniki Propensity score do poprawy rzetelności uzyskanych wyników
   • Dobre praktyki raportowania wyników opracowanych za pomocą regresji logistycznej