SavedAdd your journal

Journals / Anadolu Üniversitesi Bilim ve Teknoloji Dergisi :A-Uygulamalı Bilimler ve Mühendislik / 2006 / Cilt: 7 - Sayı: 1

Akciğer kanseri verileri ile ilgili olarak lojistik regresyon modellerinde model kurma

Model building in logistic regression models about lung cancer data

Özgül VUPA
C. Cengiz ÇELİKOĞLU
Pages
127–141
Publication Date
2022-10-11
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

The SPSS software package is used and results are evaluated.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In this study, a simple and multiple logistic regression model forms, several of their key features and model building procedures are concerned.
📊
Key Findings & Data:A logistic regression model is developed by using a database of 1200 patients with lung cancer in İzmir.
💡
Conclusion & Impact:The SPSS software package is used and results are evaluated.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters

Abstract

In this study, a simple and multiple logistic regression model forms, several of their key features and model building procedures are concerned. Maximum likelihood procedures are used to estimate the model parameters of a logistic model. Interpretation of the coefficients is explained by using odds ratio values. When the model includes more variables than needed, the greater estimated standard errors become. For this reason, there are some methods to find the best fitting through variables for the model. The final model equations of these methods can be different from each others. Here, the aim is to determine the "best" model. A logistic regression model is developed by using a database of 1200 patients with lung cancer in İzmir. In order to obtain a solution, univariate analysis, forward selection and backward elimination methods are applied to cancer data. The SPSS software package is used and results are evaluated.

Özet

Bu çalışmada, basit ve çoklu lojistik regresyon model yapıları, onların bazı anahtar özellikleri ve model kurma yöntemleri ile ilgilenilmektedir. En çok olabilirlik yöntemleri lojistik modelin parametrelerini tahmin etmek için kullanılır. Katsayıların yorumu odds oran değerleri kullanılarak yapılmaktadır. Model gereğinden fazla değişken içerdiği zaman, daha büyük standart hatalar elde edilmektedir. Bu nedenle, değişkenler arasındaki en iyi modeli bulmak için bazı yöntemler kullanılmaktadır. Bu yöntemlerin son model denklemleri birbirinden farklılık gösterebilmektedir. Burada amaç "en iyi" modeli bulabilmektir. Çalışmada lojistik regresyon modeli, İzmir ilindeki akciğer kanserli 1200 hastaya ilişkin veriler kullanarak geliştirilmiştir. Çalışmada tek değişkenli lojistik regresyon çözümlemesi, ileriye doğru seçim ve geriye doğru eleme yöntemleri uygulanmıştır. Çözümlemeler SPSS paket programı kullanılarak yapılmış ve elde edilen sonuçlar tartışılmıştır.

🔖

Cite This Article

VUPA, Ö., ÇELİKOĞLU, C. C. (2022). Akciğer kanseri verileri ile ilgili olarak lojistik regresyon modellerinde model kurma. Anadolu Üniversitesi Bilim ve Teknoloji Dergisi :A-Uygulamalı Bilimler ve Mühendislik, Cilt: 7 - Sayı: 1, 127–141. https://ajindex.com/articles/438413

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (9)

  1. Agresti, A. (1996). An Introduction to Categorical Data Analysis. John Wiley & Sons, New York, USA. Akgül, A. (2003). Tıbbi Araştırmalarda İstatistiksel Analiz Teknikleri. Emek Ofset, Ankara.
  2. Cristensen, R. (1997). Log-Linear Models and Logistic Regression. 2nd edition, Springer-Verlag, New York. Dobson, A.J. (1990) An Intoduction to Generalized Linear Models, Chapman & Hall, London. Freund, R. J. and Wilson, W.J (1998). Regression Analysis (Statistical modeling of a response variable), New York, Academic Press.
  3. Grouven, U. and Bender, R. (1998). Using binary logistic regression models for ordinary data with. non-proportional odds, J. Clin. Epidemiol, 51, 809-816.
  4. Hosmer, D. and Lemeshow, S. (1989). Applied Logistic Regression. John Wiley & Sons, Canada. Kleinbaum, D. (1994). Logistic Regression: A Self Learning Text, 2nd edition, Springer-Verlag, New York. Menard S. (2001). Applied Logistic Regression Analysis, 2nd edition, Sage Publications. Mendenhall, W. and Sincich, T. (1996). A Second Course in Statistics, 5th edition, Prentice Hall, New Jersey. Neter, J., Kutner, M.H., Nachsheim, C.J. and Wasserman, W. (1996). Applied Linear Regression Methods; 4th edition, The McGraw-Hill Irwin, The United State of America. O'byrne, K.K. and Haddock, C.K. and (2002). Parenting style and adolescent smoking. Journal of Adolescent Smoking 30, 418-425.
  5. Rao, J.N.K and Scott, A.J. (1984). On chi-squared tests for multiway contingency tables with cell proportions estimated from survey data. Annals of Statistics. 12, 46-60.
  6. Ryan, P.T. (1997).
  7. Modern Regression Methods, John Wiley & Sons, Canada. Steyerberg, E.W., Eijkemans, M. J. and Habbema, J.F. (1999). Stepwise selection in small data sets: A simulation study of bias in logistic regression analysis. J. Clin. Epidemiol. 52, 935-942.
  8. Tatlıdil, H. (1996). Uygulamalı Çok Değişkenli İstatistiksel Analiz, Cem Ofset, Ankara.
  9. Vupa, Ö. (2004). Model Building of Logistic Regression Models, Msc. Thesis, Dokuz Eylül University, Faculty of Arts and Sciences, Statistics Department, İzmir. WEB_1. (2003) www.maxwell.syr.edu. How do I interpret odds ratios in logistic regression? WEB_2. (2003) www.Sfsu.edu. Logistic regression WEB_3. (2003) www.spss.com.Logistic regression. WEB_4. (2003) www.stata.com. Logistic regression, part III: Hypothesis testing comparisons to OLS. WEB_5. (2003) www.maxwell.syr.edu. Logistic Regression and Odds Ratio.