مقايسه برآورد نسبت شانس حاصل از برازش مدل رگرسيون لجستيك با سه روش استقلال ، حاشيه اي و اثرات تصادفي در مطالعات موردي شاهدي همسان سازي شده با استفاده از شبيه سازي

Comparing odds ratio (OR) from fitting Independence, marginal and conditional models in analyzing the individual matched case-control studies with simulation data

زمينه و هدف: يكي از متداول ترين مطالعات در حيطه علوم پزشكي جهت يافتن ريسك فاكتورها و عوامل مرتبط با بيماري ها مطالعات موردي – شاهدي هستند كه شاخص مهم قابل محاسبه درآن OR يا خطرنسبي است. اما در اين بين بعضي عوامل مخدوش گركه بر پاسخ موثرند اعتبارOR به دست آمده را زير سوال مي برند و OR را كمتر يا بيشتر نشان مي دهد يكي از روش هاي حذف اثر مخدوش گر، طراحي مطالعات matching است. رگرسيون لجستيك يكي از روش هاي متداول مدل سازي براي اين نوع مطالعات است كه در مطالعه حاضر سه روش رگرسيون لجستيك در حالت استقلال ،حاشيه اي و شرطي با هم مقايسه مي شوند. مواد و روش كار: اين مطالعه بر روي داده هاي شبيه سازي شده وابسته به هم انجام پذيرفته است. بدين ترتيب كه داده ها از توزيع نرمال دو متغيره با ضريب همبستگي هاي (0،0.2،0.4،0.6،0.8) توليد مي شوند. سپس با انتخاب نقاط برش (0.25،0.25) ، (0.25،0.15) ، (0.25،0.1) ، (0.25، 0.05 ) براي تابع احتمال تجمعي آنها اين داده ها كه از توزيع پيوسته هستند به توزيع گسسته صفر و يك كه به هم وابسته هستند تبديل مي شوند. سپس سه مدل رگرسيون لجستيك در حالت استقلال ، حاشيه اي و شرطي به داده ها برازش داده مي شود و OR محاسبه مي شود. با10000بار تكرار مقدار صدك 2.5 و 97.5 و همچنين ميانه OR سه مدل در نقاط برش ذكرشده با هم مقايسه مي شوند. يافته ها: در همبستگي صفر هر سه مدلOR مشابه دارند و تغيير درنقاط باز هم ضرايب مشابه دارد. اما با افزايش ميزان همبستگي بين مشاهداتOR بين مدل حاشيه اي و استقلال متفاوت نيست ولي مقدار آن با مدل شرطي متفاوت خواهد بود. به عنوان مثال در نقطه برش (0.25،0.1) و ضريب همبستگي 0.6 ميانه OR به دست آمده در مدل استقلال و حاشيه اي 2.8 است ولي در مدل شرطي اين مقدار 5 يعني دوبرابر مقدار برازش شده است. نتيجه گيري: استفاده ازمدل هاي شرطي زماني كه همبستگي بين مشاهدات زياد است قطعا روش صحيح تري است و هرچه ميزان اين همبستگي بالا برود ميزان خطاي ما در استفاده از مدل استقلال يا حاشيه اي بالا مي رود. اما زماني كه همبستگي بين مشاهدات ناچيز است استفاده از سه مدل برآوردهاي يكساني مي دهد.

Background & Objectives One of the popular studies in medical sciences for finding risk factors and the reason of the disease, are case-control studies that the important index we can calculate is odds ratio. but some confounders which effect on response variable challenge the OR’s validity and present OR more or less than the real value. One way of omitting the effect of confounder is designing matched studies. Logistic regression is one of the general methods for modeling these studies. This article compares 3 logistic regression models: independence, marginal and conditional. Materials & Methods: This study has been conducted on correlated simulated data. Thus the data is simulated from bivariate normal distribution with the correlation coefficients (0, 0.2, 0.4, 0.6, and 0.8). Then with changing cut-off points at (0.05, 0.25), (0.25, 0.1), (0.25, 0.15), (0.25, 0.25) for their c.d.f, we convert continues distribution to categorical binary distribution which data are related together. Then 3 logistic regression model in independence, marginal and conditional version fit to data and calculate OR. With 10000 times iteration, we compare 2.5 and 97.5 percentiles values and the median OR percentile value at the above cut-off points for all their models. Results: When the correlation is zero, all three models have the same quantity for OR and also changing in point have the same coefficient. But with the increasing correlation between the observations, OR between marginal model and independence model is not different. But its value will vary with the conditional model. For example, the cut-off point (0.25,0.1) and when the correlation is 0.6, median of OR that obtained in marginal model and independence model is 2.8, but in conditional model this quantity is 5 and it is twice of fitted value. Conclusion: When the correlation between observations is high, using of conditional model is more correctly method and with increasing this correlation, our error rate by using independence or marginal model rises. But when correlation between observations is negligible, using of the three models gives similar estimates.