Lojistik regresyon çalıştırmak birkaç tıkla mümkün; asıl beceri, çıktıdaki sayıları doğru okumakta. Tipik bir SPSS çıktısında Exp(B) sütununda 2,438, yanında %95 CI olarak 1,087-5,468, Sig. sütununda 0,031 görürsünüz. Danışman "p<0,05, anlamlı" der. Peki 2,438 tam olarak neyin kaç katı, güven aralığı da neden 1,087 ile 5,468 arasında bu kadar geniş?
Danışmanlık sürecinde sık karşılaştığımız bir soru bu. Bu yazı, lojistik regresyon çıktısındaki odds ratio ile güven aralığını nasıl okuyacağınıza odaklanıyor; modeli kurma, değişken seçimi ve uyum değerlendirmesi tarafını ise lojistik regresyon yorumlama yazımız ele alıyor.
Odds ratio ne anlatıyor?
Odds ratio (OR), iki grubun odds'unun oranı; odds ise bir olayın olma olasılığının olmama olasılığına bölümü. Örneğin sigara içenlerde akciğer kanseri olasılığı %20, içmeyenlerde %5 olsun. Sigara içenlerin odds'u 0,20/0,80 = 0,25, içmeyenlerin odds'u 0,05/0,95 ≈ 0,0526. OR = 0,25/0,0526 ≈ 4,75; yani sigara içenlerde akciğer kanseri odds'u içmeyenlere göre yaklaşık 4,75 kat yüksek.
| OR değeri | Anlam | Yorum |
|---|---|---|
| OR = 1 | Fark yok | Değişkenin etkisi yok |
| OR > 1 | Odds artışı | Maruz kalanlarda odds daha yüksek |
| OR < 1 | Odds azalması | Maruz kalanlarda odds daha düşük |
| OR = 2,4 | 2,4 kat odds | Maruz kalanların odds'u 2,4 kat fazla |
| OR = 0,5 | %50 düşük odds | Maruz kalanların odds'u, maruz kalmayanlarınkinin yarısı |
Farklı OR senaryoları
Güçlü risk faktörü, dar CI
Koruyucu etki
CI 1'i kapsıyor → anlamsız
Anlamlı ama geniş CI
Güven aralığı neden önemli?
p değeri çoğu zaman yalnızca "anlamlı mı değil mi" sorusuna indirgeniyor; güven aralığı ise tahminin ne kadar kesin olduğunu gösteriyor ve bu bilgi klinik kararda çok daha değerli. %95 güven aralığındaki %95, tek bir aralığın gerçek OR'u içerme olasılığı değil; tüm varsayımlar doğruysa, çok sayıda tekrarda hesaplanan aralıkların %95'inin gerçek değeri kapsayacağı anlamına geliyor (Greenland ve ark., 2016). OR = 2,4 ve %95 CI 1,1-5,2 örneğinde alt sınır 1,1 neredeyse yok denecek kadar küçük bir etkiye, üst sınır 5,2 ise çok güçlü bir risk faktörüne karşılık geliyor; aralığın bu kadar geniş olması tahminin kesinliğinin düşük olduğunu gösteriyor. Bu genişlik, çoğu zaman örneklem yetersizliğinin bir yansıması.
Lojistik regresyonda referans değer 1'dir. Güven aralığı 1'i kapsamıyorsa (örneğin 1,1-5,2) sonuç istatistiksel olarak anlamlı, kapsıyorsa (örneğin 0,7-2,4) istatistiksel olarak anlamlı değil. Bu basit kural sayesinde p değerine bakmadan da güven aralığından anlamlılık hakkında fikir edinmek mümkün. Szumilas'ın (2010) belirttiği gibi OR'u güven aralığıyla birlikte okumak yorumun ayrılmaz parçası; aynı kaynak, 1'i kapsayan bir aralığın maruziyetle sonuç arasında ilişki olmadığının kanıtı sayılamayacağını da vurguluyor.
Uyarı
CI genişliği örneklem büyüklüğüyle doğrudan ilişkili. OR = 2,4 ama CI 0,3-18,5 gibi çok geniş bir aralık, o değişken için örneklemin yetersiz olduğuna işaret ediyor. Bu derece geniş aralıklı bir sonuç ne ilişkinin ne de ilişki olmadığının kanıtı sayılır; kesinliği düşük, belirsiz bir bulgu olarak raporlamak daha doğru.
OR ≠ risk oranı: sık yapılan hata
Araştırmacılar OR'u sıklıkla risk oranı (RR) gibi yorumluyor. "OR = 2,4, yani risk 2,4 kat fazla" deniyor; bu yanlış. OR odds'un oranı, RR ise riskin (olasılığın) oranı. Sonuç sıklaştıkça ikisi arasındaki fark açılıyor.
| Özellik | OR | RR |
|---|---|---|
| Hesaplama | Odds oranı | Risk (olasılık) oranı |
| Kullanım | Vaka-kontrol, lojistik regresyon | Kohort, RKÇ |
| Nadir sonuçta | OR ≈ RR | — |
| Sık sonuçta (prevalans >%10) | OR > RR (abartır) | Daha doğru |
Danışmanlığımızdaki bir cerrahi komplikasyon çalışmasında komplikasyon oranı risk faktörlü grupta %30, kontrol grubunda %10 idi. Buradan gerçek risk oranı RR = 3,0 çıkarken odds ratio ≈ 3,86'ydı; yani OR, etkiyi RR'ye göre yaklaşık %29 büyük gösteriyordu. Davies ve arkadaşlarına (1998) göre RR yerine okunan OR, etkiyi her zaman olduğundan güçlü gösterir (1'den daha uzakta durur); bu sapma başlangıç riski ve etki büyüdükçe genişler. Aynı yazarlara göre sapmanın gerçekçi durumların neredeyse hepsinde nitel değerlendirmeyi değiştirmesi beklenmez; ancak etki sayısal olarak yorumlanacaksa, yüksek başlangıç riskinde ve büyük OR'da RR'yi ayrıca hesaplamak gerekiyor. Kohort çalışmalarında, prospektif ya da retrospektif olsun, risk ve RR hesaplamak mümkün; vaka-kontrol çalışmasında risk hesaplanamadığı için elde yalnızca OR kalıyor.
SPSS çıktısını okumak
"Variables in the Equation" tablosundaki temel sütunlar:
| Sütun | Anlam |
|---|---|
| B | Regresyon katsayısı (log-odds) |
| Exp(B) | Odds ratio (e^B) |
| Sig. | p değeri |
| 95% CI for Exp(B) | Güven aralığı |
Örneğin Yaş satırında OR = 1,043 görülüyorsa, bu "her 1 yaş artışında odds %4,3 artıyor" demek. Küçük görünür ama 20 yıllık yaş farkında odds 1,043²⁰ ≈ 2,32 kat artar; bu, klinik olarak anlamlı olabilecek bir etkidir. Sürekli değişkenlerde birimi tanımlamak bu yüzden kritik. "Yaş için OR = 1,04" tek başına yetmiyor; "her 1 yıllık" ya da "her 10 yıllık yaş artışında" olarak netleştirmek, hatta 10 yıllık artış için OR raporlamak klinik yorumu kolaylaştırıyor.
Sık yapılan hatalar
Ayarlı ve ham OR'u karıştırmak. Ham (crude) OR ile ayarlı (adjusted) OR farklı şeyler söylüyor. STROBE ikisinin birlikte verilmesini ve hangi değişkenlere neden ayarlama yapıldığının yazılmasını istiyor. İkisi arasındaki farkı karıştırıcılığın (confounding) ölçüsü diye okumak ise yanlış; OR daraltılamaz (noncollapsible) bir ölçü olduğu için karıştırıcılık yokken de ayarlı OR ham OR'dan farklı çıkabilir (Hernán ve ark., 2011).
Referans kategoriyi belirtmemek. Kategorik değişkende hangi grubun referans olduğu açıkça yazılmalı. SPSS'te referans kategori iletişim kutusunda ilk (First) ya da son (Last) olarak seçiliyor. Gösterge (Indicator) karşıtlığında çıktıdaki kodlama tablosunda tümüyle 0 kodlanan grup referans oluyor. Klinik olarak mantıklı grubu (kontrol, sağlıklı) referans yapmak yorumlanabilirliği artırıyor.
Modeli aşırı yüklemek. Değişken başına düşen sonuç olayı sayısı (events per variable, EPV) çok düştüğünde OR tahminleri ve güven aralıkları güvenilmez hâle geliyor. Model kurma ve EPV kuralının ayrıntısını lojistik regresyon yorumlama yazımızda ele aldık.
Model uyumunu göz ardı etmek. OR'lar ancak model veriye uyuyorsa yorumlanabilir. Model tahmin amaçlıysa TRIPOD+AI, ayrımın (AUC ya da c istatistiği) ve kalibrasyonun raporlanmasını istiyor; Van Calster ve arkadaşları (2019) ise Hosmer-Lemeshow testini kalibrasyonu göstermek için önermiyor. Risk faktörü ilişkisini inceleyen modelde de hangi karıştırıcılara neden ayarlama yapıldığını açıkça yazmak (STROBE) ve model varsayımlarını denetlemek öne çıkıyor. Multicollinearity kontrolü de tahminlerin sağlamlığı için gerekli bir adım.
p değeri anlamsız çıktığında güven aralığı ve etki büyüklüğüne odaklanmak, OR yorumunun doğal tamamlayıcısı. Model İstatistik ekibi olarak lojistik regresyon analizinizin OR yorumundan model uyumu değerlendirmesine kadar her aşamasında rehberlik ediyoruz.
Not: Buradaki OR, RR ve güven aralığı değerleri kavramı göstermek için seçilmiş örneklerdir; gerçek değerler çalışmanın verisine göre değişir. Yorum, çalışmanın kendi tasarımı ve sonuç sıklığı üzerinden yapılır.
Kullanılan kaynaklar
- Szumilas M. Explaining odds ratios. Journal of the Canadian Academy of Child and Adolescent Psychiatry. 2010;19(3):227-229. · PMC2938757
- Davies HT, Crombie IK, Tavakoli M. When can odds ratios mislead? BMJ. 1998;316(7136):989-991. · DOI
- Greenland S, Senn SJ, Rothman KJ, ve ark. Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations. Eur J Epidemiol. 2016;31(4):337-50. PMID 27209009
- Hernán MA, Clayton D, Keiding N. The Simpson's paradox unraveled. Int J Epidemiol. 2011;40(3):780-5. PMID 21454324
- Van Calster B, McLernon DJ, van Smeden M, ve ark. Calibration: the Achilles heel of predictive analytics. BMC Med. 2019;17(1):230. PMID 31842878
- von Elm E, Altman DG, Egger M, ve ark. The STROBE statement: guidelines for reporting observational studies. Lancet. 2007;370(9596):1453-7. PMID 18064739
- Collins GS, Moons KGM, Dhiman P, ve ark. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378. PMID 38626948