Article
Wie wichtig sind die statistischen Modellannahmen bei der Anwendung von Regressionsmodellen?
Search Medline for
Authors
Published: | September 2, 2009 |
---|
Outline
Text
Regressionsmodelle gehören zu den wichtigsten statistischen Techniken in der epidemiologischen Forschung [1]. Alle Regressionsmodelle besitzen statistische Modellannahmen, die für die praktische Anwendung jedoch eine unterschiedliche Bedeutung besitzen. Während manche Modellannahmen in der Praxis zumindest bei großen Stichproben vernachlässigbar sind, müssen andere von den betrachteten Daten zumindest annähernd erfüllt werden, um verlässliche Ergebnisse aus dem angewendeten Regressionsmodell zu erhalten. Es wird ein Überblick über die wichtigsten Regressionsverfahren und deren statistische Modellannahmen gegeben. Hierbei werden auch spezielle Methoden wie das Proportionale Odds Modell betrachtet [2]. Anhand von Beispielen über den Zusammenhang zwischen Rauchen und diabetischer Retinopathie wird die Bedeutung der zentralen Modellannahme des Proportionalen Odds Modells illustriert [3], [4].
References
- 1.
- Bender R. Introduction to the use of regression models in epidemiology. In: Verma, M, Ed. Cancer Epidemiology, Vol. 1: Host Suspectibility Factors. Totowa, NJ: Humana Press; 2009. p. 179-195.
- 2.
- Bender R, Grouven U. Ordinal logistic regression in medical research. J R Coll Physic London. 1997;31:546-551.
- 3.
- Bender R, Grouven U. Using binary logistic regression models for ordinal data with non-proportional odds. J Clin Epidemiol. 1998;51:809-816.
- 4.
- Chase HP, Garg SK, Marshall G, Berg CL, Harris S, Jackson WE, Hamman RE. Cigarette smoking increases the risk of albuminuria among subjects with type 1 diabetes. JAMA. 1991;265:614-617.