logisticプロシジャによる解析と最新の機能拡張logisticプロシジャに...

LOGISTICプロシジャに

よる解析と最新の機能拡張映画「タイタニック」のロマンティック回帰

浜田知久馬東京理科大学

Analysis of SAS LOGISTIC procedure and new

functions.

Chikuma Hamada

Tokyo University of Science

要旨：

生存・死亡のような２値データの多変量解析を行うLOGISTICプロシジャについて，モデル構築の方法のチュートリアルを行う．

またLOGISTICプロシジャのV.9.3までの

機能拡張について紹介する．

キーワード：LOGISTIC ROC曲線, 多重性調整オッズ比，

Firth’s Penalized Likelihood 2

内容

1）オッズ比,予測確率のプロット等，グラフ表示のODS GRAPHICSの機能の充実

2）CONTRAST，ESTIMATE，LSMEANS，LSMESTIMATE，ODDSRATIOO文を利用することで

共変量と多重性の双方を同時に調整した解析

３）ROC曲線を，ROC文で作成し，ROCCONTRAST文で複数のモデル間でAUCの比較

４）MODEL文のFIRTHオプションでFirth’s Penalized Likelihoodに基づいた推測

映画「タイタニック」

運命を変える恋がある

ロジステイック回帰でロマンテイック回帰ジャックとローズのラブロマンスがかなう確率を分析

ジャックローズ

SASによるロジステイック回帰

LOGISTICプロシジャ

CATMODプロシジャ

GENMODプロシジャ

INSIGHTプロシジャ

PROBITプロシジャ

GLIMMIXプロシジャ

生存死亡

何が影響をあたえるか

ロジスティックモデル

ある現象の発生する確率（割合）を

その現象の生起を説明するために観測された変数群

で説明するモデルを考える，ｒ個の変数群の下で現象が生起するという条件付き確率をで表し，これを，

),,(},,,|Pr{)( 121 rr xxFxxxp 生起x

という分布関数Fを用いてモデル化

),,,( 21 rxxx x

ロジスティックモデル分布関数Fを用いてモデル化：

)exp(1

},,,|Pr{)(

生起x

718.21

)exp(1

)exp()(

ロジスティック関数：

ロジスティック曲線

Ｚ +∞ －∞

Probability

確率p

1718.2

718.2)(

718.21

718.2)0(

718.21

)exp(1

)exp()(

+∞ －∞

ロジステｨック曲線とオッズ

イベント発現確率ｐ

1－p1

1－p2

)exp(1

ロジット（logit）

という対数オッズのロジット上記左辺を

うとここから，式変形を行

)exp(1

)exp()(

オッズ(odds)：p/(1-p)

させたときのオッズ比

１単位変化他の変数固定で，ｘを

に対するオッズというの上記左辺を

:)exp(

expexp

)1(exp)(1

)1()(1

122110

説明変数が１つの場合

ｘ=0:drug－ｘ=1:drug＋

薬剤

イベント

+ 5 10

イベント

－ 95 90

11.2905

likelihood（尤度）

尤度（Ｌ）＝モデルの下でデータが得られる確率

最尤法：β0，β１の値を動かしてＬが最も大きくなるようにする方法

MLE：Maximum Likelihood Estimator

9010955)1()1( ppppL

薬剤

イベント

+ 5 10

イベント

－ 95 90

尤度曲面尤度

9010955)1()1( ppppL

（-2.94,0.75)

対数尤度曲面対数尤度

（-2.94,0.75)

)1log(90log10)1log(95log5log ppppL

絨毯爆撃パラメータが多いと破綻

尤度

Ld 0log

（-2.94,0.75)

対数尤度山の頂点では傾きは0

対数尤度とスコア関数

appdcpbaca

cppdcc

pdpcpbpaL

ppppL dcba

0)()(log

0)(log

)1log(log)1log(loglog

)1()1(

薬剤

イベント

－ b d

最尤推定量

log)(1

薬剤

イベント+ a c

イベント－ b d

データセットNeuralgia(N=60) Example 53.2 Logistic Modeling with Categorical Predictors

高齢者のNeuralgia（神経痛）に対する

鎮痛薬の試験

反応変数：Pain（痛みの有無：Yes, No)の消失率

群変数：Treatment（治療：P（プラセボ），A，B）

共変量：Sex（性別：F, M）

Age(治療開始時の年齢:連続量）

Duration（履病期間:連続量(月)) 20

データセットNeuralgia(N=60) Data Neuralgia;

input Treatment $ Sex $ Age Duration Pain $ @@;

datalines;

P F 68 1 No B M 74 16 No P F 67 30 No P M 66 26 Yes

B F 67 28 No B F 77 16 No A F 71 12 No B F 72 50 No

B F 76 9 Yes A M 71 17 Yes A F 63 27 No A F 69 18 Yes

B F 66 12 No A M 62 42 No P F 64 1 Yes A F 64 17 No

P M 74 4 No A F 72 25 No P M 70 1 Yes B M 66 19 No

B M 59 29 No A F 64 30 No A M 70 28 No A M 69 1 No

B F 78 1 No P M 83 1 Yes B F 69 42 No B M 75 30 Yes

P M 77 29 Yes P F 79 20 Yes A M 70 12 No A F 69 12 No

B F 65 14 No B M 70 1 No B M 67 23 No A M 76 25 Yes

P M 78 12 Yes B M 77 1 Yes B F 69 24 No P M 66 4 Yes

P F 65 29 No P M 60 26 Yes A M 78 15 Yes B M 75 21 Yes

A F 67 11 No P F 72 27 No P F 70 13 Yes A M 75 6 Yes

B F 65 7 No P F 68 27 Yes P M 68 11 Yes P M 67 17 Yes

B M 70 22 No A M 65 15 No P F 67 1 Yes A M 67 10 No

P F 72 11 Yes A F 74 1 No B M 80 21 Yes A F 69 3 No ;

データセットNeuralgia：痛みの消失率

5/20=25%

15/20=75% 15/20=75%

cbOROR BPAP

LOGISTICの基本プログラム ods graphics on;

proc logistic PLOTS=(ODDSRATIO EFFECT)

data=neuralgia;

class treatment sex/param=glm;

model pain= treatment;

oddsratio treatment;

ods graphics off; 23

パラメータ推定値とオッズ比

最尤推定値の分析

パラメータ自由度推定値標準誤差 Wald カイ 2 乗

Pr > ChiSq

Intercept 1 -1.0986 0.5164 4.5261 0.0334

Treatment A 1 2.1972 0.7303 9.0521 0.0026

Treatment B 1 2.1972 0.7303 9.0521 0.0026

Treatment P 0 0 . .

オッズ比推定と Wald による信頼区間 oddsratio treatment ラベル推定値 95% 信頼限界

Treatment A vs B 1.000 0.239 4.184

Treatment A vs P 9.000 2.151 37.659

Treatment B vs P 9.000 2.151 37.659

PLOTS=(ODDSRATIO) デフォルトはdiff=all

BPAP OROR

PLOTS=(EFFECT)

15/20=75% 15/20=75%

5/20=25%

oddsratio treatment /diff=ref; 基準群との比較

デフォルトはdiff=all

PLOTS=(ODDSRATIO(LOGBASE=E))

28 自然対数(等比スケール），Wald型では左右対称

1/2.718 1 2.718 2.7182 2.7183

2.15 9.00 37.66

4.18倍 4.18倍

PLOTS=(ODDSRATIO(RANGE=CLIP)) 点推定値が最小と最大の範囲

最小：１

最大：９

PLOTS=(ODDSRATIO(RANGE=(0,30))) オッズ比の範囲を指定

PLOTS=(ODDSRATIO(TYPE=VERTICAL)) 垂直に信頼区間をプロット

PLOTS=(ODDSRATIO(TYPE=HORIZONTALSTAT)) ORの数値をグラフにプロット

oddsratio treatment /cl=pl; 尤度比検定に基づく信頼区間

オッズ比推定とプロファイル尤度による信頼区間

ラベル推定値 95% 信頼限界

Treatment A vs B 1.000 0.233 4.301

Treatment A vs P 9.000 2.306 41.745

Treatment B vs P 9.000 2.306 41.745

オッズ比の多重比較 lsmeans treatment/adj=tukey cl exp ;

Treatment の最小 2 乗平均の差

多重比較の調整 : Tukey

Treatment

_Treatment

調整済 P

アルファ

指数 Exponentiated

Exponentiated

調整済調整済

Lower Upper 下限 Exp

上限 Exp

A B 1 0.05 1 0.239 4.184 0.181 5.538

A P 0.007 0.05 9 2.151 37.66 1.625 49.84

B P 0.007 0.05 9 2.151 37.66 1.625 49.84

オッズ比

多重性調整オッズ比

日本語訳の不統一はひどい

未調整オッズ比

多重性調整p値

オッズ比の多重比較 lsmeans treatment/adj=tukey cl exp;

P-A P-B の比較

A-B の比較

実線が対角線（点線）を含まなければ有意

オッズ比の多重比較 lsmeans treatment/adj=dunnett diff=control(“P”) cl exp ;

P群との比較

Treatment の最小 2 乗平均の差

多重比較の調整 : Dunnett

Treatme

_Treatm

調整済

アルファ指数 Expone

ntiated

Expone

ntiated

調整済調整済

Lower Upper 下限

上限

A P 0.0051 0.05 9 2.1509 37.6593 1.7891 45.274

B P 0.0051 0.05 9 2.1509 37.6593 1.7891 45.274

多重性調整オッズ比未調整オッズ比

多重性調整p値

交絡を調整したオッズ比

ods graphics on;

proc logistic data=Neuralgia PLOTS=(ODDSRATIO(TYPE=HORIZONTALSTAT));

class treatment sex / param=glm;

model pain= treatment sex age duration;

oddsratio treatment;

交絡を調整したオッズ比各変数の検定結果

効果に対する Type 3 分析

効果自由度 Wald カイ 2 乗

Pr > ChiSq

Treatment 2 12.5310 0.0019**

Sex 1 5.2946 0.0214*

Age 1 7.2977 0.0069**

Duration 1 0.0315 0.8591

交絡を調整したオッズ比パラメータ推定値

最尤推定値の分析

パラメータ自由度推定値標準誤差

Wald カイ 2 乗

Pr > ChiSq

Intercept 1 15.5744 6.5915 5.5828 0.0181

Treatment A 1 3.1817 1.0161 9.8049 0.0017**

Treatment B 1 3.7085 1.1407 10.5700 0.0011**

Treatment P 0 0 . . .

Sex F 1 1.8322 0.7963 5.2946 0.0214*

Sex M 0 0 . . .

Age 1 -0.2621 0.0970 7.2977 0.0069**

Duration 1 0.00586 0.0330 0.0315 0.8591 39

交絡のみを調整したオッズ比

多重性と交絡を調整したオッズ比

ods graphics on;

proc logistic data=Neuralgia PLOTS=(ODDSRATIO(TYPE=HORIZONTALSTAT));

lsmeans treatment/adj=tukey cl exp;

多重性と交絡を調整したオッズ比 Treatment の最小 2 乗平均の差多重比較の調整 : Tukey-Kramer（調整後）

Treatment

_Treatment

Pr > |z| 調整済 P

指数 Exponentiated Lower

Exponentiated Upper

調整済下限 Exp

調整済上限 Exp

A B 0.5740 0.8402 0.5905 0.09409 3.7053 0.06567 5.3088

A P 0.0017 0.0050 24.0874 3.2876 176.48 2.2261 260.64

B P 0.0011 0.0033 40.7942 4.3616 381.55 2.8154 591.09

オッズ比推定と Wald による信頼区間（参考未調整）

ラベル推定値 95% 信頼限界

Treatment A vs B 1.000 0.239 4.184

Treatment A vs P 9.000 2.151 37.659

Treatment B vs P 9.000 2.151 37.659 42

多重性調整オッズ比多重性調整p値

予測確率のプロット

ods graphics on;

proc logistic data=Neuralgia PLOTS=(EFFECT);

oddsratio Treatment;

消失率の予測確率のプロット

年齢とともに低下 A,B，女性は高い

平均履病期間

等高線プロット

ods graphics on;

proc logistic data=Neuralgia;

model pain= age duration;

effectplot contour;

ods graphics off;

等高線プロット平面 model pain= age duration;

モデルの適合度統計量

基準切片のみ切片と共変量

AIC 83.503 78.472

SC 85.598 84.755

-2 Log L 81.503 72.472

●：Ｎｏ消失 ●：Ｙｅｓ痛み有

予測確率を等高線で結ぶ

罹病期間が長くて低年齢な人の消失率が高い

等高線プロット年齢の２次の項追加

ods graphics on;

model pain= age age*age duration;

effectplot contour;

ods graphics off;

等高線プロット曲面 model pain= age age*age duration;

基準切片のみ切片と共変量

AIC 83.503 77.790

SC 85.598 86.167

-2 Log L 81.503 69.790

等高線プロット交互作用項の追加

ods graphics on;

model pain= age age*age duration duration*duration age*duration;

effectplot contour;

ods graphics off; 49

等高線プロット曲面 model pain= age age*age duration duration*duration age*duration;

基準切片のみ

切片と共変量

AIC 83.503 76.235

SC 85.598 88.801

-2 Log L 81.503 64.235

罹病期間が長くて，低年齢な人の消失率が高い

モデルの比較

モデル（切片を含むパラメータ数） -2 Log L AIC

duration(2) 79.886 83.886

age(2) 73.056 77.056

age duration(3) 72.472 76.472

duration duration*duration age(4) 70.996 78.996

duration age age*age(4) 69.790 77.790

duration duration*duration age age*age(5)

68.360 78.360

duration duration*duration age age*age age*duration(6)

64.235 76.235

AIC最小 51

ROC（Receiver Operating Characteristic）曲線

Negative

Threshold（閾値）を下げると陽性率疾患（感度）健常（１－特異度）が増加

偽陽性

真陰性特異度

真陰性

健常群

疾患群

閾値

真陽性感度

ROC（Receiver Operating Characteristic）曲線

真陽性感度

偽陽性１-特異度

閾値を下げる

data work;

input group time censor @@;

cards;

1 4 1 1 6 1 1 8 1

2 5 1 2 7 1 2 9 1

proc logistic PLOTS=ROC descending;

model group=time;run;

疾患なし＊＊＊

疾患あり＊＊＊

疾患あり＊＊＊閾値

ROC曲線

感度：疾患ありで閾値以上

１－特異度：疾患なしで閾値以上

AUC=6/9 0.2 0.3 0.4 0 .5 0.6 0 .7 0.8

ROC曲線下の面積（AUC） AUCが1に近い方が予測力が高い

感度

１－特異度

曲線下面積(AUC: Area Under the Curve) 0.5～１

AUC 0.9 - 1.0 High accuracy

AUC 0.7 - 0.9 Moderate accuracy

AUC 0.5 - 0.7 Low accuracy

Mann-WhitneyのAUC？

（0,1）感度=1,特異度=1

ROC曲線のAUCの解釈

「疾患あり」集団が「疾患なし」集団より

予測確率が高くなる割合

「疾患あり」の集団から１人，「疾患なし」の集団から１人，それぞれランダムに選んだとき，「疾患あり」の人の予測確率が「疾患なし」の人の検査値よりも大きくなる確率

どちらの予測確率が高いか

「疾患あり」「疾患なし」 57

Mann-WhitneyのAUC

の予測確率疾患なし群の個体

の予測確率疾患あり群の個体

サイズ疾患なし群のサンプル

サイズ疾患あり群のサンプル

p11 p12 ・・・

p21 ０１

p22 １１

・・・

N1× N２人の予測確率の比較

疾患あり

疾患なし 1-3

5 (0.37)

7 (0.55)

9 (0.71)

8 (0.63)

6 (0.45)

4 (0.29) 59

疾患あり＊＊＊３２１

１は疾患なしの 3人より値が大

2は疾患なしの 2人より値が大

1は疾患なしの 3人より値が大 3

(0.00,0.33)

(0.33,0.67)

(0.67,1.00)

面積は=6/9

予測値の分布とAUC

予測値の分布

疾患なし疾患あり

ROC曲線

AUC=1 感度=1 1-特異度=1

AUC=0.8 感度＞ 1-特異度

AUC=0.5 感度= 1-特異度

AUC 61

感度=1 特異度=1

感度≒1-特異度

（0,1）

閾値右

閾値左

ROC曲線の作成とAUCの比較モデル（４変数） ods graphics on;

proc logistic data=Neuralgia PLOTS=ROC(ID=PROB);

class treatment sex/param=glm;

roc 'age' age ;

roc 'duration' duration;

roccontrast reference(model)/estimate e;

ROC曲線の作成：４変数（モデル）

ROC曲線の作成：ageのみ

ROC曲線の作成：durationのみ

ROC曲線の比較

モデル(4変数）

duration

AUCの比較

ROC 関連性の統計量

ROC モデル

Mann-Whitney Somers の D (Gini)

ガンマ Tau-a

面積標準誤差

95% Wald 信頼限界

モデル（4変数）

0.9051 0.0412 0.8244 0.9858 0.8103 0.8103 0.4006

age 0.7011 0.0717 0.5605 0.8418 0.4023 0.4211 0.1989

duration 0.5806 0.0744 0.4348 0.7263 0.1611 0.1693 0.0797

AUCの比較 ROC 対比の係数

ROC モデル Row1 Row2

モデル -1 -1

age 1 0

duration 0 1

ROC 対比検定の結果３種類のモデル全体でAUCに差があるか

対比自由度カイ 2 乗 Pr > ChiSq

Reference = モデル 2 20.0075 <.0001

行ごとの ROC 対比推定と検定の結果

対比推定値標準誤差

95% Wald 信頼限界

カイ 2 乗 Pr > ChiSq

age - モデル -0.2040 0.0743 -0.3496 -0.0584 7.5402 0.0060**

duration - モデル -0.3246 0.0815 -0.4842 -0.1649 15.8789 <.0001**

０セルがある場合の例

薬剤

イベント

5 10 15

イベント

計 10 10 20

薬剤

イベント

a c n-･

イベント

b d n+･

計 n･- n･+ n

ｃ＝０のときＯＲ＝０

オッズ比は∞，信頼区間は構成不能

０セルがある場合の解析(FREQ) data data;

input x y w @@;

cards;

0 0 5 0 1 5 1 0 0 1 1 10

ods graphics on;

proc freq;

tables x*y/ plots=freqplot(TWOWAY=stack)cmh; weight w;run;

相対リスクの推定値 ( 行 1 / 行 2 )

研究の種類調整方法値 95% 信頼限界

ケースコントロール研究

Mantel-Haenszel

(オッズ比) ロジット ** 21.0000 0.9716 453.9116

コーホート研究

Mantel-Haenszel

(列 1 のリスク) ロジット ** 11.0000 0.6880 175.8626

コーホート研究

Mantel-Haenszel

0.5000 0.2690 0.9293

(列 2 のリスク) ロジット 0.5000 0.2690 0.9293

計算していない推定値があります。 ** セル度数が 0 を含む表の場合には、その表の全セルに0.5を加えて、調整を行っています。

5.05.5

5.105.5

CMHオプション

セル度数＋０．５

薬剤

イベント

5.5 10.5 11

イベント

5.5 0.5 6

計 11 11 202

薬剤

イベント

a+.5 c+.5 n-･+1

イベント

b+.5 d+.5 n+･+1

計 n･-+1 n･++1 n+2

0.215.05.5

5.105.5

LOGISTICプロシジャによる解析

proc logistic descending;

model y=x ;freq w;run;

model y=x /firth;freq w;run;

model y=x /;exact x/estimate=both;

freq w;run; x

通常の解析最尤推定値の分析

Pr > ChiSq

Intercept 1 -106E-18 0.6325 0.0000 1.0000

x 1 12.5661 169.3 0.0055 0.9408

オッズ比の推定

効果点推定値 95% Wald 信頼限界

x >999.999 <0.001 >999.999

WARNING: 恐らくデータ点が準完全分離の状態です。最尤推定値は存在しないかもしれません。 WARNING: LOGISTICプロシジャは上記の警告にもかかわらず継続します。最尤反復に基づいて結果が表示されます。モデルの当てはめの妥当性は疑わしいです。

反復計算の履歴 β0 →0 β1→+∞

最大尤度反復履歴

反復リッジ -2 対数尤度 Intercept x

0 0 22.493406 1.098612 0

1 0 15.684718 -0.234721 2.666667

2 0 14.446460 0.002161 3.517650

3 0 14.073301 -1.682489E-9 4.549416

4 0 13.939772 6.938894E-17 5.559990

5 0 13.891133 -1.07553E-16 6.563839

6 0 13.873304 7.112366E-17 7.565249

7 0 13.866754 -1.06252E-16 8.565767

8 0 13.864345 7.123208E-17 9.565958

9 0 13.863459 -1.0636E-16 10.566028

10 0 13.863133 7.127274E-17 11.566054

11 0 13.863013 -1.06353E-16 12.566063

準完全分離:complete separation

110/10,5.010/5

)1()1(

Firth法：パラメータ推定値最尤推定値の分析

Pr > ChiSq

Intercept 1 -0.00003 0.6325 0.0000 1.0000

x 1 3.0446 1.6446 3.4270 0.0641

オッズ比の推定

効果点推定値 95% Wald 信頼限界

x 21.001 0.836 527.438

Firth法：予測確率と信頼区間

ロジスティック回帰 likelihood（尤度）

薬剤－:x=0,薬剤+:x=1 尤度（Ｌ）＝モデルの下でデータが得られる確率

最尤法：β0，β１の値を動かしてＬが最も大きくなるようにする方法

MLE：Maximum Likelihood Estimator

01055)1()1( ppppL

薬剤

イベント

+ 5 10

イベント

－ 5 0

対数尤度とスコア関数

50)010()55(105

100)010(10

)1log(0log10)1log(5log5log

)1()1(

薬剤

イベント

+ 5 10

イベント

－ 5 0

最尤推定量

510log

)010(101

)010(10log

)55(51

)55(5log

薬剤

イベント+ 5 10

イベント－ 5 0

尤度曲面

尤度

β0 →0 β1→+∞

01055)1()1( ppppL

))1()1(log(log 01055

ppppL対数尤度の等高線

β0 →0 β1→+∞

Firth法：一般論尤度に罰則項を積算

)exp(1

)()(5.0)()(

0.5,:)(

)(log5.0)|L(log)|(logL

)()|L()|(L

)(,:)(),|L(

dIItrUU

単変量のモデル：

乗情報行列の行列式の罰則項

罰則項付き尤度：

情報行列：スコア関数尤度：

ββββ

βYβYβ

ββYβ

単変量ロジスティックモデル

)()()(

)exp(1

)exp(log

)exp(1

)exp(log

)exp(1log)(log

)exp(1

iiiiiii

pyxpypy

情報行列

)1()1(

loglog

iiiiii

ppxppx

推定値の分散は情報行列の逆行列によって与えられる.

情報行列(2×2の分割表） xiは0,1

)1()1(

)1())(1()()(||

)1()()1()(

)1()1(

ppppnn

ppbappdcfeffefI

ppdcppbae

ppxppx

iiiiii

iiiiiI

Firth法のpenalized尤度L* 尤度と情報量の積を最大化

)5.0)(5.0(

)5.0)(5.0()exp(

)1()1(

)]1()1([)1()1(*

)1())(1()(||

)1()1(

5.5.5.5.

ppppppppL

ppbappdcI

Firth法のpenalized尤度L* 0セルが存在する場合(ｄ=0)

)1())(1(

)1())(1()(||

)1()1(

][][||* 2/1

ppbapcp

ppbappdcI

yVyVLILL

p(1-p) (0.5,0.25)

5.05.105.55.5)1()1( ppppL

尤度曲面尤度

(0, 3.05)

05.35.05.5

5.105.5log1

))1()1(log(log 5.05.105.55.5

対数尤度の等高線

(0, 3.05)

田中勇輔浜田知久馬佐野雅隆(2014)

稀なイベントを対象としたメタ・アナリシスの性能評価計量生物学会

０セル存在下のメタアナリシス

通常の方法でオッズ比を算出すると，

２群の一方で０セルがあるとメタアナリシスの対象外，オッズ比は０または無限大

安全性のメタアナリシス

ロシグリタゾン（心筋梗塞）では(30/42）研究が除外

ベバシズマブ（治療関連死）では(2/14）研究が除外

JackとRoseのロマンティック回帰

「運命を変える恋がある．」

しかし２人の死亡確率は

大きく違った．

http://www.encyclopedia-titanica.org/index.php タイタニック号の乗員のデータベース

ジャックは20歳男性で

3等船室の乗客

ローズは20歳女性で

1等船室の乗客

2人+ローズ婚約者の死亡確率ジャックは20歳男性で3等船室の乗客

p=0.95

ローズは20歳女性で1等船室の乗客

p=0.20

ローズ婚約者は男性で1等船室の乗客

200344.04978.25221.31

200344.05221.31

AGEPCLASSPCLASSMALESEXp

p0344.0)3(2897.2)2(2806.1)(4978.25221.3

200344.02897.24978.25221.31

p=0.45

男＞女 2等＞1等 3等＞1等

Jack, Rose, Rose婚約者の死亡のオッズ比 proc logistic data=titanic ;

class sex pclass/param=glm ref=first;

model survived=sex pclass pclass*sex;

lsmestimate pclass*sex

" Jack-Rose" -1 0 0 0 0 1,

" Jack-fiance" 0 -1 0 0 0 1,

" fiance-Rose" -1 1 0 0 0 0

/adj=simulate exp;run;

１１２２ 3 3

女男女男女男

シミュレーションによって，任意の対比の多重性の調整が可能

Jack, Rose, Rose婚約者の死亡のオッズ比の多重比較

Least Squares Means Estimates Adjustment for Multiplicity: Simulated 多重性調整p値

効果ラベル推定値標準誤差

z 値 Pr > |z| 調整済 P

指数

SEX*PCLASS

Jack-Rose

5.0430 0.4721 10.68 <.0001 <.0001 154.94

SEX*PCLASS

Jack-fiance

3.7764 0.3312 11.40 <.0001 <.0001 43.6578

SEX*PCLASS

fiance-Rose

1.2666 0.5488 2.31 0.0210 0.0516 3.5489

Bonferroni法ほど保守的ではない．

ラブロマンスと生存パターンヒーロー

ヒロイン

ラブロマンス確率

生存生存シンデレラ美女と野獣 0.05×0.80 =0.04

生存死亡ある愛の詩野菊の墓赤い疑惑

0.05×0.20 =0.01

死亡生存タイタニック愛と誠続星の金貨

0.95×0.80 =0.76

死亡死亡ロミオとジュリエット失楽園

0.95×0.20 =0.19

参考文献 Christopher Zorn (2005)

A Solution to Separation in Binary Response Models. Political Analysis 13:157–170

大倉征幸・鎌倉稔成(2007)

精確ロジスティック回帰の近似推定値.

応用統計学,36-2,3, 87-98

logisticプロシジャによる解析と最新の機能拡張logisticプロシジャに...

Documents

freqプロシジャによる割合の差の信頼区間...

sas生存時間解析プロシジャの...

logistic store

luaプロシジャを起点としたビッグデータ解析と...

cloud logistic

sas/stat プロシジャの...

logistic a

parcul logistic

classification: logistic...

logistic balalaev

logistic aaaaaaaaaaaa

map logistic

logistic quala

kpi logistic

10. logistic models hapter … 10. logistic models chapter...

monografia logistic

logistic regression

logistic thuc trang- giai phap logistic vn1

logistic prueba

logisticプロシジャに よる解析と最新の機能拡張logisticプロシジャに...

logisticプロシジャによる解析と最新の機能拡張logisticプロシジャに...