ا
رگرسیون خطی؛ فراتر از همبستگی️در پست قبل گفتیم همبستگی فقط میگوید «آیا دو متغیر با هم تغییر میکنند؟»اما سوال مهمتر در اپیدمیولوژی این است:با تغییر یک واحد در X، چقدر Y تغییر میکند؟اینجا پای رگرسیون خطی (Linear Regression) میاد وسط .️ رگرسیون خطی چه کاری انجام میده؟ساده بگم؛ رابطهٔ بین دو متغیر را با یک خط راست نشان میدهد:Y = a + bX + εb = ضریب رگرسیون (میزان تغییر Y به ازای یک واحد تغییر در X)
a = عرض از مبدأ (مقدار Y وقتی X=0 است)
ε = خطای باقیمانده (چیزی که مدل توضیح نمیدهد)
تفاوت کلیدی با همبستگیهمبستگی (r) فقط شدت و جهت رابطه خطی را میسنجد، اما رگرسیون یک پیشبینی عددی میدهد( یه ذره داریم به مدل سازی نزدیک میشیم).مثال:همبستگی میگوید «بین سن و فشار خون رابطه مثبت وجود دارد».رگرسیون میگوید «به ازای هر ۱ سال افزایش سن، فشار خون سیستولیک به طور متوسط ۰.۸ میلیمتر جیوه بالا میرود».️ یک مثال اپیدمیولوژیکفرض کن میخواهید اثر شاخص توده بدنی (BMI) را روی قند خون ناشتا بررسی کنی.رگرسیون خطی ساده:FBS = 70 + 1.2 × BMIتفسیر: با افزایش ۱ واحد BMI، قند خون ۱.۲ واحد بالا میرود (البته اگر مدل درست باشد). اما هشدار مهمرگرسیون خطی ساده فقط یک متغیر مستقل دارد و نمیتواند مخدوشگری (confounding) را کنترل کند.برای آن نیاز به رگرسیون چندمتغیره داریم که در پست بعدی میگوییم. جمعبندی این پست رگرسیون خطی = پیشبینی مقدار Y از روی Xخروجی اصلی = ضریب b (با واحد)
همبستگی = بدون واحد، فقط جهت و شدت
رگرسیون ساده ≠ رابطه علّی (هنوز هم نیاز به معیارهای برادفورد هیل دارد)
ایستگاه اپیدمیولوژی کانال تلگرامی ایستگاه اپیدمیولوژی @Epidemiology_Station۱۳۲