Die logistische Regression - ein vielseitiges Analyseinstrument rehabilitationswissenschaftlicher Forschung

Zusammenfassung

Häufig werden zur Klärung von Zusammenhängen zwischen Messgrößen Regressionsanalysen benutzt. Dabei bedeutet Regression die Untersuchung, inwiefern Ausprägungen einer abhängigen Variablen sich zurückführen lassen auf die Ausprägungen einer oder mehrerer unabhängiger Variablen. Somit können Modelle aufgestellt werden, um interessierende Zielgrößen anhand bekannter Messwerte schätzen zu können. In rehabilitationswissenschaftlichen Studien werden sehr häufig dichotome Zielgrößen, d. h. Merkmale mit nur zwei Ausprägungen (z. B. erwerbsfähig: ja oder nein), erhoben. Für die Modellierung einer solchen Zielgröße eignet sich das logistische Regressionsmodell. In diesem Beitrag wird dieses in der Praxis häufig angewendete Modell hergeleitet und beschrieben. Ein wichtiger Aspekt für die praktische Anwendung ist die Interpretierbarkeit der Regressionskoeffizienten. Deshalb folgt eine entsprechende Beschreibung, speziell die Schätzung des Risikos durch Vorliegen von Risikofaktoren. Anschließend wird auf Modellierungsaspekte und -probleme hingewiesen, bevor das Modell anhand eines Beispiels aus der rehabilitationswissenschaftlichen Forschung zur Prognose einer Erwerbsunfähigkeit nach stationärer Rehabilitation exemplarisch angewendet wird.

Abstract

Regression analysis is a frequently used tool to examine associations between a dependent (outcome) variable and one or more independent variables. The resulting model enables prediction of an unobserved outcome based on the observed independent variables. In rehabilitation research the dependent variable is quite often dichotomous, i. e. having just two parameter values (e. g. capable of work: yes/no). For such an outcome variable, the logistic regression model can be applied, having specific advantages in interpreting the model parameters with respect to risk factor analysis. In this paper the basics of the logistic regression model, interpretation of the model parameters and special aspects of modelling are presented. Subsequently the logistic regression model is applied to an example dataset for estimating the risk of early retirement after inpatient rehabilitation.

logistische Regression - dichotome Zielgröße - Odds Ratio

logistic regression - dichotomous outcome - odds ratio

Literatur

• 1 Harrell Jr FE. Regression modeling strategies. New York: Springer 2001
• 2 Bender R, Ziegler A, Lange S. Logistische Regression.  Deut Med Wochenschr. 2002;  127 T11-T13
• 3 Muche R, Kaluscha R, Jacobi E. Ist das ärztliche Urteil in der Qualitätssicherung stationärer Rehabilitation bei Patienten mit Erkrankungen des Bewegungsapparates durch Routineparameter zu ersetzen? Eine Untersuchung an 12.014 Beobachtungen.  Z ärztl Fortbild Qual Sich. 2005;  99 51-56
• 4 Hosmer DW, Lemeshow S. Applied logistic regression. 2. Aufl. New York: John Wiley, 2000
• 5 Allison PD. Logistic regression using the SAS system. Cary, NC: SAS Institute Books by Users, 1999
• 6 Kleinbaum DG, Klein M. Logistic regression - A self-learning text. 2. Aufl. New York: Springer, 2002
• 7 Diaz-Bone R. Eine kurze Einführung in die logistische Regression und binäre Logit-Analyse.  2003;  , - verfügbar unter: http://www.agis.uni-hannover.de/EQQS/modulijk/Logistische_Regression.pdf , (aufgerufen 7.8.2007)
• 8 Erlinghagen M. Die binäre Logistische Regression - ein vielseitiges und robustes Analyseinstrument sozialwissenschaftlicher Forschung.  2003;  , - verfügbar unter: http://www.iatge.de/aktuell/veroeff/2003/erling07.pdf , (aufgerufen am 7.8.2007)
• 9 Hupfeld J. Logistische Regression - Eine Einführung.  1999;  , - verfügbar unter: http://www.psy.unibe.ch/soz/team/pdf/hupfeld/Hupfeld1999c.pdf , (aufgerufen am 7.8.2007)
• 10 Koch A. Logistische Regression zur Modellierung von Binärdaten.  1999;  , - verfügbar unter: http://www.urz.uni-heidelberg.de/statistik/sas-ah/2.2.2/LogistischeRegression.html , (aufgerufen am 7.8.2007)
• 11 Abbott RD, Carroll RJ. Interpreting multiple logistic regression coefficients in prospective observational studies.  Am J Epidemiol. 1984;  119 830-836
• 12 Greenland S. Limitations of the logistic analysis of epidemiologic data.  Am J Epidemiol. 2002;  110 693-698
• 13 Faller H. Signifikanz, Effektstärke und Konfidenzintervall.  Rehabilitation. 2004;  43 174-178
• 14 Bland JM, Altman DG. The odds ratio.  BMJ. 2000;  320 1468
• 15 Pepe MS. Receiver operating characteristic methodology.  J Am Stat Assoc. 2000;  95 308-311
• 16 Faller H. Sensitivität, Spezifität, positiver und negativer Vorhersagewert.  Rehabilitation. 2005;  44 44-49
• 17 Muche R. Variablenselektion in Kohortenstudien.  Dissertation. Ulm: Universität Ulm 1995
• 18 Peduzzi PN, Concato J, Kemper E, Holford TR, Feinstein A. A simulation study of the number of events per variable in logistic regression analysis.  J Clin Epidemiol. 1996;  99 1373-1379
• 19 Muche R, Rösch M, Flierl S, Alt B, Jacobi E, Gaus W. Entwicklung und Validierung eines Prognosemodells zur Vorhersage der Arbeitsfähigkeit nach Rehabilitation anhand routinemäßig erhobener Parameter.  Rehabilitation. 2000;  39 262-267
• 20 Muche R, Ring C, Ziegler C. Entwicklung und Validierung von Prognosemodellen auf der Basis der logistischen Regression. Aachen: Shaker, 2005

1 Koordinatoren der Reihe „Methoden in der Rehabilitationsforschung ”: Prof. Dr. Dr. Hermann Faller, Würzburg; Prof. Dr.Thomas Kohlmann, Greifswald; Dr. Christian Zwingmann,Siegburg Interessenten, die einen Beitrag zur Reihe beisteuernmöchten, werden gebeten, vorab Kontakt aufzunehmen,eMail: E-Mail: [e-mail]

Korrespondenzadresse