在這里和這里在線檢查，我看到有兩種方法可以估計(jì)Python中的比值比，但結(jié)果是不同的。第一種方式：import scipy.stats as statsimport pandas as pddf=pd.DataFrame({'c':['m','m','m','m','f','f','f','f'],'l':[1,1,1,0,0,0,0,1]})ct=pd.crosstab(df.c,df.l)oddsratio, pvalue = stats.fisher_exact(ct)第二種方式：from sklearn.linear_model import LogisticRegressiondf=pd.get_dummies(df,drop_first=True)clf = LogisticRegression()clf.fit(df[['c_m']],df[['l']].values)odds_ratio=np.exp(clf.coef_)第一種方法返回優(yōu)勢(shì)比=9，第二種方法返回優(yōu)勢(shì)比=1.9。我對(duì)優(yōu)勢(shì)比的概念相對(duì)較新，我不確定如何使用fisher檢驗(yàn)和邏輯回歸來獲得相同的值，在這種情況下，差異是什么以及哪種方法是正確的方法來獲得優(yōu)勢(shì)比。我將不勝感激任何提示。謝謝。
1 回答
慕尼黑5688855
TA貢獻(xiàn)1848條經(jīng)驗(yàn) 獲得超2個(gè)贊
簡(jiǎn)短的回答：
在這兩種情況下，您應(yīng)該得到相同的賠率9。
默認(rèn)情況下，懲罰在 sklearn 邏輯回歸模型中為“L2”，這會(huì)扭曲系數(shù)值（正則化），因此，如果使用懲罰 ='none，您將獲得相同的匹配優(yōu)勢(shì)比。
所以改為
clf = LogisticRegression(penalty='none')
并計(jì)算odds_ratio
長(zhǎng)答案：
在第一種情況下，奇數(shù)比是先前的比值比，由偶然性/交叉制表制成，計(jì)算如下圖所示
df 的列聯(lián)表將是
l 0 1
c
f 3 1
m 1 3
比值比 = f 的幾率為 0 / m 的幾率為 0
f 的幾率為 0 = P（f=0）/P（f=1） = （3/4） / （1/4）
m 的幾率為 0 = P（m=0）/P（m=1） = （1/4） / （3/4）
比值比 = （（3/4）/（1/4）） / （1/4）/（3/4）） = 9
在第二種情況下，您通過擬合邏輯回歸模型獲得優(yōu)勢(shì)比的估計(jì)值。如果您使用懲罰=“無”，您將獲得賠率比= 9。默認(rèn)情況下，邏輯遞歸估計(jì)器中的懲罰為“L2”。
from sklearn.linear_model import LogisticRegression
df=pd.get_dummies(df,drop_first=True)
clf = LogisticRegression(penalty='none')
clf.fit(df[['c_m']],df[['l']].values)
odds_ratio=np.exp(clf.coef_)
print(odd_ratio)
array([[9.0004094]])
您還可以通過另一種方法獲得優(yōu)勢(shì)比，這也會(huì)產(chǎn)生相同的優(yōu)勢(shì)比?？?/p>
#Method 2:
odds_of_yis_1_for_female = np.exp(clf.intercept_+clf.coef_*1) #logit for female
odds_of_yis_1_for_male = np.exp(clf.intercept_+clf.coef_*0) # logit for male
odds_ratio_2 = odds_of_yis_1_for_female/odds_of_yis_1_for_male
print(odds_ratio_2)
[[9.0004094]]
要了解為什么這兩種方法相同，請(qǐng)參閱此處
添加回答
舉報(bào)
0/150
提交
取消