Lojistik regresyon analizini çalıştırmak birkaç tıkla mümkün; ama modelin uyumunu değerlendirmek, değişken seçimini gerekçelendirmek ve sonuçları doğru raporlamak apayrı bir aşama. Hakemlerden gelen eleştirilerin çoğu da tam burada yoğunlaşıyor: "Hosmer-Lemeshow testi sonucu nedir? Nagelkerke R² kaçtır? AUC değerini neden raporlamadınız?"
Bu yazı, lojistik regresyon modelini kurma ve doğrulama tarafına odaklanıyor; çıktıdaki odds ratio ile güven aralığını okuma tarafını ise lojistik regresyon OR ve CI yorumlama yazımız ele alıyor.
Üç lojistik regresyon türü
Doğru türü seçmek, analizin ilk kritik kararı:
| Tür | Bağımlı değişken | Örnek | Çıktı |
|---|---|---|---|
| Binary | 2 kategori | Hastalık var/yok | Odds ratio |
| Multinomial | 3+ kategori, sırasız | Tanı tipi (A, B, C) | OR (referansa göre) |
| Ordinal | 3+ kategori, sıralı | Evre I/II/III/IV | Kümülatif OR |
Binary lojistik regresyon en yaygın tür — sonuç evet/hayır biçiminde ikili olduğunda doğrudan uygulanıyor. Ordinal lojistik regresyonda proportional odds (orantılı odds) varsayımının Brant testiyle kontrol edilmesi gerekiyor; sağlanmadığında ayrı binary modeller ya da multinomial lojistik regresyon düşünülmeli. Türü doğru belirlemek için istatistik testi seçimi yazımız kararı sistematik hale getiriyor.
Model kurma stratejisi
Rastgele değişken ekleme-çıkarma yaklaşımı overfitting'e ve veri güdümlü hatalara yol açıyor. Sistematik bir model kurma süreci hem bilimsel güvenilirliği hem de hakem değerlendirmesindeki başarıyı artırıyor.
EPV kuralı neden kritik?
Olay başına değişken sayısı (events per variable, EPV), modele alınabilecek maksimum kovaryat sayısını belirliyor. 200 hastanın 40'ında olay gerçekleştiyse, EPV = 10 kuralına göre modele en fazla 4 kovaryat girer. Peduzzi ve arkadaşlarının (1996) simülasyon çalışması, EPV 10'un altına indiğinde katsayı tahminlerinin yanlılaştığını, güven aralıklarının doğru kapsama vermediğini ve hatta yanlış yönde anlamlı sonuçların arttığını gösteriyor; 10 ve üzerinde ise ciddi sorun ortaya çıkmıyor. Bu yüzden EPV, model karmaşıklığının üst sınırını belirleyen ilk kontrol.
Değişken seçim yöntemleri
| Yöntem | Ne zaman? | Dikkat |
|---|---|---|
| Enter | Doğrulayıcı çalışmalar (önerilen) | Araştırmacı kontrolü, karıştırıcılar dahil |
| Backward | Aday değişken listesi uzunsa | Baskılama etkisini yakalıyor |
| Forward | Keşifsel ön tarama | Karıştırıcı atlama riski var |
| Stepwise | Genel olarak önerilmiyor | Overfitting, düşük tekrarlanabilirlik |
İpucu
Tek değişkenli analizde p<0,05 yerine p<0,20 eşiği kullanmak, çok değişkenli modelde confounding kontrolü açısından çok daha güvenli. Katı bir eşik önemli karıştırıcıları dışarıda bırakabiliyor — tez ve makale savunmalarında sık eleştirilen bir nokta.
Model uyumu: dört gösterge
Hosmer-Lemeshow testi
Gözlenen ve beklenen olay sayılarını karşılaştırıyor; burada p>0,05 beklenir ve bu "model veriye uyuyor" demek. p<0,05 çıktığında modelin gözden geçirilmesi gerekiyor: eksik değişken mi var, etkileşim terimi mi gerekiyor? Önemli bir nüans: büyük örneklemlerde (n>1000) test aşırı hassaslaşıp önemsiz sapmaları bile "kötü uyum" olarak işaretleyebiliyor; bu yüzden tek başına yeterli değil, diğer göstergelerle birlikte yorumlanmalı.
Nagelkerke R²
Modelin açıkladığı varyans oranını yaklaşık gösteriyor. Tıbbi çalışmalarda 0,20-0,40 arası kabul edilebilir; 0,15 gibi düşük bir değer modeli geçersiz kılmaz, çünkü hastalık sonuçları çok faktörlü olduğundan tek bir modelin tüm varyansı açıklaması beklenmiyor.
ROC eğrisi ve AUC
Modelin ayırt edicilik gücünü değerlendirmenin en güvenilir yolu. AUC (eğri altındaki alan), modelin rastgele bir hastayı sağlıklı bir bireyden doğru sıralama olasılığını tek bir sayıyla özetliyor:
| AUC | Yorum |
|---|---|
| 0,50 | Şans düzeyi (ayrım yok) |
| 0,50-0,70 | Zayıf–sınırda |
| 0,70-0,80 | Kabul edilebilir |
| 0,80-0,90 | Mükemmel |
| >0,90 | Olağanüstü (overfitting kontrol edilmeli) |
Sınıflandırma tablosu
Doğru sınıflandırma oranını gösteriyor ama dengesiz veri setlerinde yanıltıcı olabiliyor: bir kategoride hastaların %90'ı varsa, "herkesi o kategoriye at" stratejisi bile %90 doğruluk verir. ROC eğrisi bu tuzağı aşıyor.
Çoklu doğrusallık kontrolü
Bağımsız değişkenler arasında yüksek korelasyon, OR tahminlerini dengesizleştirip standart hataları şişiriyor. Korelasyon matrisinde r>0,80 olan değişken çiftleri ve VIF>10 olan değişkenler sorunlu kabul ediliyor (kimi kaynaklar VIF>5'i uyarı eşiği alıyor). Çözüm: ilişkili değişkenlerden birini çıkarmak, birleşik bir değişken (indeks, toplam skor) oluşturmak veya boyut indirgeme kullanmak. Ayrıntıyı multicollinearity sorunu yazımızda ele aldık.
Raporlama standardı
Yöntem bölümünde belirtilmesi gerekenler: lojistik regresyon türü, model kurma stratejisi ve gerekçesi, tek değişkenli ön tarama eşiği, modele alınan kovaryat listesi, çoklu doğrusallık kontrolü, model uyumu yöntemleri ve kullanılan yazılım. Sonuçlar bölümünde ise crude ve adjusted OR tabloları, %95 güven aralıkları, p değerleri, Hosmer-Lemeshow, Nagelkerke R² ve AUC yer almalı.
Örnek raporlama: "Çok değişkenli lojistik regresyon analizinde sigara kullanımı (adjusted OR = 3,12; %95 GA 1,85-5,26; p<0,001), diyabet varlığı (adjusted OR = 2,41; %95 GA 1,42-4,09; p=0,001) ve her 10 yıllık yaş artışı (adjusted OR = 1,68; %95 GA 1,22-2,31; p=0,002) bağımsız risk faktörleri olarak belirlendi. Model iyi uyum gösterdi (Hosmer-Lemeshow p=0,556; Nagelkerke R² = 0,24; AUC = 0,78)."
OR'un ne anlama geldiği ve güven aralığının nasıl okunacağı için lojistik regresyon OR ve CI yorumlama yazımız tamamlayıcı bir kaynak; p değeri anlamsız çıktığında ne yapılacağı da bu sürecin doğal bir parçası. Model İstatistik ekibi olarak lojistik regresyon modelinizin kurulmasından uyum değerlendirmesine ve raporlamaya kadar her aşamada rehberlik ediyoruz.
Not: Buradaki eşikler (EPV, AUC bantları, Nagelkerke aralığı) yaygın kabul gören yol gösterici değerlerdir; kesin karar çalışmanın verisi, sonuç sıklığı ve tasarımı üzerinden verilir.
Kullanılan kaynaklar
- Peduzzi P, Concato J, Kemper E, Holford TR, Feinstein AR. A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology. 1996;49(12):1373-1379. · DOI
- Hosmer DW, Lemeshow S, Sturdivant RX. Applied Logistic Regression. 3. baskı. Hoboken, NJ: Wiley; 2013.