Firth analizini başlatmak için ücretsiz üye olun
Medhesap üyeliği tamamen ücretsizdir ve birkaç saniyede tamamlanır. Giriş yaptığınızda bu sayfaya geri dönersiniz.
Kredi kartı gerekmez · Verileriniz paylaşılmaz
Reklamsız kullanım deneyimi için lütfen üye olunuz veya giriş yapınız.
Firth yöntemi, lojistik regresyonun en çok olabilirlik tahminlerindeki küçük örneklem yanlılığını azaltmak için olabilirlik fonksiyonuna Jeffreys ön dağılımına dayalı bir ceza terimi ekler. Böylece veride ayrışma (separation) olduğunda bile katsayılar ve odds oranları sonlu, yorumlanabilir değerler alır. Yöntem Firth (1993) tarafından tanımlanmış, Heinze ve Schemper (2002) tarafından ayrışma sorununa çözüm olarak önerilmiştir.
SPSS'te “maximum iterations reached”, çok büyük B değerleri (ör. 20) ve çok geniş standart hatalar görüyorsanız, bir kategoride olay hiç görülmüyor veya hep görülüyorsa, olay sayısı az ya da değişken başına olay sayısı (EPV) 10'un altındaysa Firth yöntemi standart lojistik regresyona göre daha güvenilir sonuç verir.
SPSS Data View veya Excel'de önce sonuç değişkenini (0/1), ardından bağımsız değişkenleri seçip kopyalayın ve tablonun ilk hücresine Ctrl+V ile yapıştırın. Başlık satırı kopyalanırsa değişken adları otomatik alınır. Metin içeren veya grup belirten değişkenleri Kategorik olarak işaretleyip referans kategorisini seçin; araç gösterge (dummy) kodlamayı kendisi yapar.
Her değişken için B, standart hata, odds oranı (OR), profil cezalı olabilirlik güven aralığı ve cezalı olabilirlik oranı testi p değeri verilir. OR > 1 olay olasılığını artıran, OR < 1 azaltan ilişkiyi gösterir; güven aralığı 1'i içermiyorsa ilişki anlamlıdır. Tabloyu Word'e tek tıkla kopyalayabilir, forest grafiğini yüksek çözünürlükte indirebilirsiniz.
Hayır. Hesaplama için veriler şifreli bağlantı üzerinden sunucuya iletilir, analiz biter bitmez bellekten silinir; hiçbir yere kaydedilmez. Yalnızca anonim kullanım sayıları (ör. analizdeki hasta sayısı) tutulur. Yine de hasta kimliğini belirten bilgileri yapıştırmayın.
Firth yöntemi küçük örneklem yanlılığını düzeltir; bu nedenle katsayılar sıfıra doğru biraz küçülür. Ayrışma varsa standart yöntemin katsayıları sonsuza gider, Firth ise sonlu değer verir. Karşılaştırma tablosunu açarak iki yöntemi yan yana görebilirsiniz.
Küçük örneklemde ve ayrışma durumunda Wald güven aralıkları güvenilmezdir ve asimetrik belirsizliği yansıtamaz. Profil cezalı olabilirlik güven aralıkları, R logistf paketinin varsayılanı olup bu durumlarda önerilen yöntemdir.
Firth yöntemi tahmin olasılıklarını 0,5'e doğru hafifçe çeker. FLIC, sabit terimi yeniden kestirerek ortalama tahmin olasılığını gözlenen olay oranına eşitler. Olasılıkları DCA veya kalibrasyon analizinde kullanacaksanız FLIC seçeneği önerilir.
Tek analizde en fazla 10.000 satır ve 30 model terimi (kategorik değişkenlerin her düzeyi bir terim sayılır) desteklenir.
Kaynaklar: Firth D. Bias reduction of maximum likelihood estimates. Biometrika. 1993;80(1):27-38 · Heinze G, Schemper M. A solution to the problem of separation in logistic regression. Stat Med. 2002;21(16):2409-19 · Puhr R, Heinze G, et al. Firth's logistic regression with rare events. Stat Med. 2017;36(14):2302-17.
Hesap Araçları
AI Asistan