SPSS çıktısına bakıyorsunuz. Lojistik regresyon tablosu önünüzde. Exp(B) sütununda 2.438 yazıyor. Yanında %95 CI: 1.087-5.468. Sig. sütununda 0.031. Tez danışmanınız "p<0.05, anlamlı" diyor — ama 2.438 ne demek? Bu sayı neyin kaç katı? Güven aralığı neden 1.087 ile 5.468 arasında bu kadar geniş?
Danışmanlık sürecimizde en çok karşılaştığımız soru tam da bu: lojistik regresyon çalıştırmak birkaç tıkla yapılıyor, ama OR ve CI'yi doğru yorumlamak tamamen farklı bir beceri gerektiriyor.
Odds ratio ne anlatıyor?
Odds ratio (OR), iki grubun odds'larının oranı. Odds ise bir olayın olma olasılığının olmama olasılığına bölümü.
Somut bir örnek: 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 = 0.053. OR = 0.25/0.053 = 4.75. Sigara içenlerde akciğer kanseri odds'u içmeyenlere göre 4.75 kat daha yüksek.
| OR Değeri | Anlam | Yorum |
|---|---|---|
| OR = 1 | Fark yok | Değişkenin etkisi yok |
| OR > 1 | Risk artışı | Maruz kalanlarda odds daha yüksek |
| OR < 1 | Koruyucu etki | 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 yarısı |
Güven aralığı neden önemli?
p değeri sadece "anlamlı mı değil mi" sorusuna yanıt veriyor. Güven aralığı ise etkinin ne kadar büyük olabileceğinin aralığını gösteriyor — bu bilgi klinik karar alma sürecinde çok daha değerli.
OR=2.4, %95 CI: 1.1-5.2 demek: gerçek OR muhtemelen 1.1 ile 5.2 arasında. Alt sınır 1.1 — etkisi yok denecek kadar küçük olabilir. Üst sınır 5.2 — çok güçlü bir risk faktörü olabilir. Bu geniş aralık, örneklem yetersizliğinin bir yansıması.
CI ve anlamlılık ilişkisi
Lojistik regresyonda referans değer 1:
- CI 1'i kapsamıyorsa (örn: 1.1-5.2) → istatistiksel olarak anlamlı
- CI 1'i kapsıyorsa (örn: 0.7-2.4) → istatistiksel olarak anlamsız
Bu kural basit ama etkili — p değerine bakmadan bile CI'dan anlamlılık hakkında fikir edinmek mümkün.
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 CI'lı sonuçları kesin çıkarım yerine "potansiyel ilişki" olarak raporlamak daha güvenli.
OR ≠ Risk Ratio: sık yapılan hata
Araştırmacılar OR'u sıklıkla risk ratio (RR) gibi yorumluyor. "OR=2.4, yani risk 2.4 kat fazla" deniliyor — bu yanlış.
| Özellik | OR | RR |
|---|---|---|
| Hesaplama | Odds oranı | Risk oranı |
| Kullanım | Vaka-kontrol, lojistik regresyon | Kohort, RCT |
| Nadir sonuçta | OR ≈ RR | — |
| Sık sonuçta (prevalans >%10) | OR > RR (abartır) | Daha doğru |
Danışmanlığımızda bir cerrahi komplikasyon çalışmasında OR=3.8 bulunmuştu. Ama komplikasyon oranı %30'du (nadir değil). Gerçek RR=2.1 idi — OR riski neredeyse iki kat abartmıştı. Prospektif kohort çalışmasında RR kullanılabiliyor; retrospektif ve vaka-kontrol çalışmalarında ise sadece OR uygun.
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 |
Örnek: Yaş satırında OR=1.043. Bu "her 1 yaş artışında odds %4.3 artıyor" demek. Küçük gibi görünür ama 20 yaş farkı için: 1.043²⁰ = 2.33 kat — klinik olarak anlamlı bir fark.
Sürekli değişkenlerde birim tanımlamak çok önemli. "Yaş için OR=1.04" yeterli değil — "her 1 yıllık yaş artışında" veya "her 10 yıllık yaş artışında" olarak netleştirilmeli. 10 yıllık artış için OR raporlamak klinik yorumu kolaylaştırıyor.
Sık yapılan hatalar
Adjusted vs crude OR karıştırmak. Tek değişkenli (crude) OR ile çok değişkenli (adjusted) OR farklı şeyler söylüyor. Makalede adjusted OR raporlanır; crude OR sadece tabloda gösterilir. İkisi arasındaki fark confounding'in büyüklüğünü yansıtıyor.
Modele çok fazla değişken koymak. Events per variable (EPV) kuralı: sonuç sayısı en az her değişken için 10 olmalı. 30 olay varsa en fazla 3 değişken konulabilir. Bunu aşmak overfitting'e yol açıyor.
Referans kategori belirtmemek. Kategorik değişkende hangi grup referans olduğu açıkça belirtilmeli. SPSS varsayılan olarak son kategoriyi alıyor — klinik olarak mantıklı olan grubu (kontrol, sağlıklı) referans yapmak sonuçların yorumlanabilirliğini artırıyor.
Model uyumunu raporlamamak. Hosmer-Lemeshow testi (p>0.05 beklenir), Nagelkerke R² ve sınıflandırma doğruluğu — bu göstergeler modelin güvenilirliğini destekliyor. Multicollinearity kontrolü de modelin sağlamlığı için önemli bir kontrol noktası.
Lojistik regresyonun model kurma stratejisi, değişken seçim yöntemleri ve detaylı raporlama standartları için lojistik regresyon yorumlama rehberimize göz atılabilir. p değeri anlamsız çıktığında CI ve etki büyüklüğüne odaklanmak da OR yorumlamasının doğal tamamlayıcısı.
Model İstatistik ekibi olarak lojistik regresyon analizinizin kurulmasından OR yorumlamasına, model uyumu değerlendirmesinden makale raporlamasına kadar her aşamada destek sunuyoruz.