Veri setinizde 296 hasta ve 16 ölüm var. Toplam sayı rahatlatıcı görünüyor. Ama ölüm modeli açısından asıl bilgi o 16 olayın çevresinde toplanıyor — 296'nın değil.
Yaş, cinsiyet, aciliyet, bypass süresi, böbrek yetmezliği ve birkaç değişken daha aynı modele girdiğinde standart lojistik regresyon kararsızlaşabiliyor. Bazen yazılım devasa bir odds oranı, aşırı büyük standart hata veya yakınsamama uyarısı veriyor. Bazen de hiçbir uyarı vermeden güvenilmez tahmin üretiyor — asıl tehlikeli durum bu.
Odds oranı ve güven aralığı yorumunun temellerini lojistik regresyon yazımızda ele almıştık; burada modelin çalışmadığı ya da çalışıyormuş gibi göründüğü durumlara bakıyoruz.
Ayrışma (separation) nedir?
Bir değişken veya değişken kombinasyonu sonucu tamamen ayırıyorsa complete separation oluşuyor:
| Şok | Ölüm yok | Ölüm var |
|---|---|---|
| Hayır | 260 | 0 |
| Evet | 20 | 16 |
Bu tabloda şok yokluğu ölümü kusursuz biçimde dışlıyor. Maksimum olabilirlik tahmini bu durumda sonlu bir katsayı bulamıyor: katsayı sonsuza yöneliyor, yazılım ya çok büyük bir sayı veriyor ya da model yakınsamıyor.
Quasi-separation durumunda ayrım tam değil ama bazı kombinasyonlar neredeyse kusursuz tahmin yapıyor. Küçük örneklem, nadir kategoriler ve güçlü belirleyiciler riski artırıyor.
Sıfır hücreyi silmek neden çözüm değil?
Sorun çıkaran kategoriyi veya değişkeni sırf model çalışsın diye silmek iki sorun yaratıyor: klinik olarak önemli bilgi kayboluyor ve karar sonuçlara bakılarak verilmiş oluyor.
Kategorileri birleştirmek yalnız klinik olarak savunulabiliyor ve önceden tanımlanabiliyorsa düşünülebilir. Hücrelere elle 0,5 eklemek bazı basit 2×2 hesaplarında kullanılan bir düzeltme; çok değişkenli modelin genel çözümü değil.
Firth yöntemi ne yapıyor?
Heinze ve Schemper'in 2002 tarihli çalışması, Firth'in yanlılık azaltıcı cezalı olabilirlik yaklaşımının lojistik regresyondaki ayrışma sorununa sonlu parametre tahminleri ürettiğini gösterdi. Standart maksimum olabilirliğe bir ceza terimi ekleniyor ve özellikle küçük örneklem yanlılığı azalıyor.
Aynı çalışma, Wald testi ve güven aralıkları yerine cezalı olabilirlik oranı testlerinin ve profil cezalı olabilirlik güven aralıklarının çoğu zaman tercih edilmesi gerektiğini de belirtiyor. Bu ayrıntı raporlamada sıkça atlanıyor.
Firth ne yapmaz?
Firth, yetersiz olay sayısını çoğaltmaz. Sonlu bir tahmin üretmesi, o tahminin kesin olduğu anlamına gelmez: veri zayıfsa güven aralığı hâlâ çok geniş kalır. Yöntem, bilgi eksikliğini görünür kılar — kapatmaz.
Ne zaman gündeme gelir?
Firth yaklaşımı şu sinyallerde düşünülüyor: ikili sonlanım nadir ve olay sayısı az; bazı kategorilerde hiç olay ya da hiç olaysız gözlem yok; standart model yakınsamıyor; katsayı ve odds oranları gerçek dışı büyüklükte; standart hatalar aşırı yüksek; tam veya yarı ayrışma tanısı konmuş; küçük örneklem yanlılığı temel kaygı.
Bu bir otomatik karar algoritması değil. Cezalı ridge/lasso, exact lojistik regresyon veya Bayesçi yöntemler farklı amaçlara uygun olabiliyor. Örneğin çok sayıda korelasyonlu değişken ve tahmin amacı varsa yalnız ayrışmayı çözmek yetmiyor.
"Olay başına 10 değişken" kuralı
Sıklıkla "10 olay varsa bir değişken eklenir" deniyor. Güncel yöntem literatürü bu sabit oranı evrensel bir ölçüt olarak desteklemiyor: olay oranı, toplam örneklem, aday parametre sayısı ve modelin amacı birlikte değerlendirilmeli.
Yine de 16 olayla 12 serbest parametre kurmanın sorunlu olduğunu görmek için tek bir kurala ihtiyaç yok. Burada kritik nokta sayım biriminin parametre olması:
| Değişken tipi | Tükettiği parametre |
|---|---|
| İkili değişken | 1 |
| Üç kategorili değişken | 2 |
| Beş kategorili değişken | 4 |
| Spline terimli sürekli değişken | 3–4 |
| İki değişken arası etkileşim | 1 veya daha fazla |
Firth kullanmak aşırı karmaşık bir modeli meşrulaştırmıyor. Aday değişkenler klinik gerekçeyle önceden sınırlandırılmalı ve modelin amacı net olmalı.
İlişki modeli mi, tahmin modeli mi?
Bu ayrım yöntem seçiminden önce geliyor.
Amaç neyi belirler?
İlişki (etiyoloji) çalışması
- •Belirli bir maruziyetin düzeltilmiş ilişkisi aranır
- •Karıştırıcılar nedensel gerekçeyle seçilir
- •AUC'yi yükseltmek amaç değildir
- •Raporlama: düzeltilmiş OR ve güven aralığı
Tahmin modeli çalışması
- •Yeni hastada olasılık üretmek amaçtır
- •Ayrım, kalibrasyon ve aşırı uyum öne çıkar
- •İç ve mümkünse dış değerlendirme gerekir
- •Raporlama: model denklemi + performans
Firth katsayı yanlılığını azaltabilir; fakat bir tahmin modeli geliştirme stratejisinin yerine geçmez. Tahmin modeli kuruyorsanız klinik tahmin modeli ve TRIPOD+AI yazımız daha doğrudan bir çerçeve sunuyor.
Standart ve Firth sonuçları birlikte verilir mi?
Ana yöntem analiz planında önceden belirlenmeli. Ayrışma riski bekleniyorsa Firth ana analiz olabilir; bazı çalışmalarda standart lojistik ile Firth sonucu duyarlılık analizi olarak karşılaştırılır. Sonuçlara bakıp yalnız anlamlı çıkan yöntemi seçmek uygun değil.
Raporda bulunması gerekenler: Firth yönteminin neden seçildiği, kullanılan yazılım ve paket sürümü, ceza yaklaşımı ve test türü, odds oranları ve %95 güven aralıkları, modele giren parametrelerin gerekçesi, olay ve olaysız gözlem sayıları, ayrışma tanısının nasıl konduğu, duyarlılık analizleri.
"Nadir olay nedeniyle Firth kullanıldı" bir başlangıç cümlesi; hangi değişkende ayrışma olduğu ve modelin bilgi sınırı da açıklanmalı.
Odds oranını yorumlarken
Nadir sonlanımda odds oranı risk oranına yakın olabiliyor, ama bu otomatik ve her durumda geçerli değil. Sonlanım sıklaştıkça odds oranı risk oranından uzaklaşıyor. "Üç kat risk" yerine "odds üç kat" demek daha doğru; klinik yorum için mutlak riskler ayrıca değerli.
Çok geniş bir güven aralığı, p değeri 0,05'in altında olsa bile tahminin kararsız olduğunu gösteriyor. Örneğin OR 8,2 (%95 GA 1,1–96) güçlü ama son derece belirsiz bir sonuç — tartışmada kesin nedensel dil kullanılmamalı.
Analiz öncesi kontrol listesi
- Toplam olay ve olaysız gözlem sayısı kaç?
- Kategorik değişkenlerde sıfır hücre var mı?
- Aday değişkenler kaç serbest parametre tüketiyor?
- Değişkenler klinik ve zamansal olarak uygun mu?
- Ayrışma tanısı kontrol edildi mi?
- Standart model yakınsıyor mu?
- Model ilişki mi tahmin mi amaçlıyor?
- Firth seçimi sonuçlar görülmeden planlandı mı?
- Profil cezalı olabilirlik güven aralığı kullanılacak mı?
- Çoklu imputasyonla cezalı modelin iş akışı planlandı mı?
- Ana analiz ile duyarlılık analizleri ayrıldı mı?
- Sonucun kesinlik sınırı raporlanacak mı?
Firth az olayı çoğaltmaz
Firth lojistik regresyon, sıfır hücre ve ayrışma karşısında güçlü bir yöntem. Ama az olaylı bir veriyi büyük örnekleme dönüştürmüyor.
İyi analiz, yöntemi değiştirmeden önce araştırma amacını daraltıyor, parametre sayısını gerekçelendiriyor ve belirsizliği dürüstçe raporluyor. Model İstatistik olarak ileri düzey istatistik modelleme sürecinde ayrışma tanısını, olay sayısını ve model amacını birlikte değerlendiriyor; Firth ve alternatif yöntemleri yeniden üretilebilir kod ve duyarlılık analizleriyle raporluyoruz.
Kullanılan kaynaklar
- Heinze G, Schemper M. A solution to the problem of separation in logistic regression. Stat Med. 2002;21(16):2409-19. PMID 12210625 · DOI
- van Smeden M, Moons KGM, de Groot JAH, ve ark. Sample size for binary logistic prediction models: Beyond events per variable criteria. Stat Methods Med Res. 2019;28(8):2455-2474. PMID 29966490 · DOI