Odd Ratios und 95% Konfidenzintervalle von logistischen Regression auf Daten mit MICE

impData <- mice(analysis_set,m=5,maxit=50,meth='pmm',seed=500)

Jetzt brauche ich logistische Regressionsanalyse auszuführen:

modelFit1 <- with(data = impData, 
exp = glm(formula = Outcome ~ inputVar1 + inputVar2 + inputVar3, 
family = binomial(link = "logit")))

ich mit einer gepoolten Analyse erhalten kann:

pool(modelFit1)

und weitere Informationen mit:

summary(pool(modelFit1))

Der letzte Befehl zeigt t an er schätzt SE, t, df, Pr (> | t |), lo 95, hi 95, nmis, fmi und lambda.

Meine Frage ist: Gibt es eine einfache Möglichkeit, die ORs und 95% CI aus der gepoolten Analyse zu erhalten?

habe ich, dass die Verwendung auf einem Datensatz zu tun:

exp(cbind(OR = coef(mylogit), confint(mylogit)))

wo mylogit GLM ist() für einen Datensatz. Gibt es ein Äquivalent zu der gepoolten Analyse?

Die Zusammenfassung gibt eine Matrix zurück: einfach die relevanten Spalten herausziehen und potenzieren – user20650

Danke das war hilfreich! Posted die vollständige Antwort. –

Vielleicht hilft dies die Dinge zu vereinfachen: https://github.com/pat-s/oddsratio –

Thanks @ user20650

summaryPool <- summary(pool(modelFit1)) 
exp(cbind(summaryPoolM2[,1],summaryPoolM2[,6],summaryPoolM2[,7]))

Spalte 1 ist die Schätzungen, 6 und 7 die ln (95% Konfidenzintervall) sind. Exponentiation dieser Werte ergibt die ORs und 95% CIs.

2017-05-23 18:33:10

Sie könnten ein bisschen tippen mit 'exp vermeiden (summaryPoolM2 [, c (" est "," lo 95 "," hi 95 ")])' – user20650

Das ist praktisch. Vielen Dank! –

Antwort