MerQuR+Başvuru Kitabı

49. Göreli Risk ve Prevalans Oranı (Log-Binom / Değiştirilmiş Poisson)

Analiz kimliği: relative_risk · Menü adı: Göreli Risk ve Prevalans Oranı (Log-Binom / Değiştirilmiş Poisson) · Panel: gui/panels/analyses/relative_risk_panel.py (form 51–116, read_options 119–157, execute 162–175, metin 205–256, grafik 282–311) · Motor: stats/relative_risk.py, run_relative_risk (satır 167–319), uyum _fit (114–124), kovaryans _cov (127–143); IRLS çekirdeği stats/glm_irls.py (213–302)

49.1 Ne işe yarar

Bu analiz, ikili bir sonucun (hastalık var/yok) olasılığını maruziyet grupları arasında oran olarak karşılaştırır: kohort ve deneysel çalışmalarda göreli risk (RR), kesitsel çalışmalarda prevalans oranı (PR). Cevapladığı soru şudur: "Sigara içenlerde KOAH görülme olasılığı içmeyenlerin kaç katı?" Lojistik regresyonun odds oranından (OR) farklı olarak, RR doğrudan "risk kaç kat" sorusunu yanıtlar.

\ln\pi_i=\ln P(Y_i=1\mid\mathbf x_i)=\mathbf x_i^{\top}\boldsymbol\beta,\qquad \text{RR}_j=e^{\beta_j}=\frac{P(Y=1\mid x_j+1,\ \mathbf x_{-j})}{P(Y=1\mid x_j,\ \mathbf x_{-j})}
  • \pi_i: i. kişide olay olasılığı (risk ya da prevalans).
  • Log bağlantı: \ln\pi doğrusaldır; e^{\beta_j} diğer değişkenler sabitken riskin çarpıldığı katsayıdır.
  • Kategorik maruziyette e^{\beta_j}, j. düzeyin riskinin referans düzeyin riskine oranıdır.

İki kestirim yöntemi vardır:

  • Log-binom GLM: Y_i\sim\text{Bernoulli}(\pi_i), log bağlantı; en çok olabilirlik (Wacholder 1986).
  • Değiştirilmiş Poisson: aynı log-doğrusal ortalama, ama Poisson olabilirliğiyle kestirilir ve SH'ler sağlam (sandviç) kestiriciden alınır (Zou 2004).

OR neden RR'nin yerini tutmaz?

\text{OR}=\dfrac{\pi_1/(1-\pi_1)}{\pi_0/(1-\pi_0)}=\text{RR}\cdot\dfrac{1-\pi_0}{1-\pi_1}. Olay nadirse (\pi<\%10) iki oran birbirine yakındır. Olay sıksa OR, RR'den belirgin biçimde uzaktır: bu bölümün KOAH örneğinde aktif içicilerde PR 6,6, OR 15,0'tır. "Risk 15 kat" demek yanlıştır (Zhang ve Yu 1998; McNutt vd. 2003).

Ne zaman kullanılır? Sonuç ikili, olay sık (yaklaşık %10'un üstünde) ve okur kitlesi "kaç kat risk" yorumuna ihtiyaç duyuyorsa; kohort, kesitsel ve randomize çalışmalarda düzeltilmiş RR/PR için.

Ne zaman kullanılmaz?

  • Vaka–kontrol çalışmasında: örnekleme sonucu göre yapıldığından risk kestirilemez; İkili Lojistik Regresyon (OR) kullanılır.
  • Olay zamanı ve izlem süresi farklıysa: Cox regresyonu (hazard oranı) ya da denge terimli Poisson regresyonu (hız oranı, Bölüm 47).
  • Tabakalı ham RR ve Mantel–Haenszel birleştirmesi isteniyorsa: Cochran–Mantel–Haenszel (Bölüm 30).
  • Risk farkı (mutlak fark) isteniyorsa: bu modül yalnız oran verir.
  • Kümeli veride: sandviç SH küme düzeyinde değildir; GEE gerekir.

Sık karıştırılan analizler. Lojistik regresyon (Bölüm 46) aynı veride OR verir; sonuç sık olduğunda OR'yi RR gibi okumak etkiyi abartır. Poisson regresyon (Bölüm 47) sayım içindir; burada Poisson olabilirliği yalnız bir kestirim aracıdır, veri ikilidir. Ki-kare testi (Bölüm 25) ilişkinin varlığını sınar, büyüklüğünü vermez.

49.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
İkili sonuç Sonuçta tam iki farklı değer. Değilse hata (relative_risk.py:87–91); örneklemde tek sınıf kalırsa hata (201–202).
Bağımsız gözlemler Her satır ayrı kişi. Denetlenmez.
Log-doğrusallık \ln\pi açıklayıcıların doğrusal fonksiyonu. Denetlenmez.
Olasılık sınırı Log-binomda tüm \hat\pi_i<1 olmalıdır. IRLS adım yarılar; en büyük \hat\pi>1-10^{-6} ise "sınırda" uyarısı verilir ve log-binom SH, z, p ve GA "—" yazılır (233–234); değiştirilmiş Poisson'da \hat\mu>1 sayısı uyarılır (235–236).
Yakınsama Log-binom sık sonuçta yakınsamayabilir. Yakınsamazsa sonuç metninin başına uyarı; hiç kestirim bulunamazsa hata (218–229).
Tam ranklı tasarım Doğrusal bağımlı sütun yok. Pivotlu QR; "—" ve uyarı (203–211).

Eksik değer. Sonuç, maruziyetler ve ortak değişkenlerde liste bazında silme (regression_extras.py:169–173). Ham oranlar da aynı eksiksiz örneklemde hesaplanır ve bu not çıktıya yazılır (relative_risk.py:274–295).

Olay kategorisi kuralı. "Olay kategorisi" boşsa olay, bütün ikili sonuç analizlerinin ortak kuralıyla seçilir (relative_risk.py:87–110, core/binary_event.py): 0/1 ya da 1/2 sayısal kodda büyük değer; iki düzeyden yalnız biri tanınan olumlu etiketse (evet, yes, var, present, pozitif, event, case, died …) o düzey; aksi hâlde düzey sırasındaki ikinci düzey ve "olay kategorisi seçilmedi" uyarısı. KOAH verisinde (present, absent) olay tanınan olumlu etiket present'tir; kalp krizi verisinde 0/1 kodda 1. Seçilen olay, referans ve gerekçe notlarda "Olay kategorisi: …" satırında yazılır. Yazılan değer düzeylerle eşleşmezse açık hata verilir.

Uç durumlar. Program log-binom yakınsamadığında değiştirilmiş Poisson'a kendiliğinden geçmez (relative_risk.py:5–8, 227–229); uyarı yazar, kararı kullanıcıya bırakır. Gözlenen bilgi pozitif tanımlı değilse hata verilir. Değiştirilmiş Poisson'da "Bilgi matrisi" ve "Başlangıç değerleri" seçenekleri anlamsızdır; değiştirilmişse yok sayılır ve ayar bloğuna yazılır (170–178).

49.3 Parametreler

Varsayılanlar relative_risk_panel.py:51–116 (form) ve 119–157'den (read_options) okunmuştur.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Sonuç değişkeni (ikili) ilk kategorik sütun İki değerli sonuç. Olay kategorisi kuralı yukarıda.
Olay kategorisi boş Olay sayılacak değer. Değiştirmek oranı tersine çevirmez; "olmama" riskinin oranını verir (RR'de simetri yoktur).
Maruziyet (ilgi) değişkenleri en az 1 Oranı raporlanacak değişkenler. Her biri için ham ve düzeltilmiş oran.
Ortak değişkenler (düzeltme) boş Karıştırıcılar. Düzeltilmiş oranlar; ham oranlar aynı örneklemde.
Yöntem Log-binom GLM Değiştirilmiş Poisson (sağlam SH, HC0). Kestirim ve SH; sınır sorunlarında Poisson her zaman sonuç verir.
Ölçünün adı Göreli risk (RR) Prevalans oranı (PR). Yalnız etiket; hesap aynıdır.
Bilgi matrisi Beklenen (Fisher; varsayılan) Gözlenen (Hessian). Yalnız log-binom. SH; katsayılar aynı.
Güven Düzeyi %95 \alpha=1-\text{düzey}. GA sınırları.
Kategorik (faktör) değişkenler boş Sayısal kodluları kukla kodlar. Düzey başına oran ve düzey tablosu.
Referans düzeyleri (değişken=düzey) boş smoking_status=none non_drinker. Kukla referansı.
Referans kategori (faktörler) İlk düzey İlk ya da son düzey. Kukla referansı.
Başlangıç değerleri (log-binom) Ortalama riskten (önerilen) Genel GLM varsayılanı (\mu_0=(y+0{,}5)/2). Yalnız yakınsama yolu; ML aynı.
En çok yineleme 25 5–500. Yakınsama; sınır durumunda sonuç.
Ek çıktı: Ham (tek değişkenli) oranlar açık Her maruziyet tek başına. Ek tablo ve grafikte gri işaretler.

Koddaki tercih: başlangıç değeri \boldsymbol\beta_0=(\ln\bar y,0,\dots,0)

R glm(binomial(link = "log")) varsayılan olarak \mu_0=(y+0{,}5)/2 ile başlar; bu, y=1 olan gözlemlerde \mu_0=0{,}75, \eta_0=\ln0{,}75 verir ve ilk adım sık sonuçta çoğu kez \eta>0 (\mu>1) üretir; R "geçerli katsayı bulunamadı" hatasıyla durur. MerQur varsayılan olarak sabit =\ln\bar y, diğer katsayılar 0 ile başlar (relative_risk.py:114–123): her gözlemde \mu_0=\bar y<1 geçerlidir. Log-olabilirlik içbükey olduğundan yakınsanan nokta aynıdır; bu veride iki başlangıç da aynı kestirime iner (5 ve 6 yineleme).

49.4 Tıp örneği

İki dosya kullanılmıştır.

(a) Kesitsel: KOAH ve sigara. english/datasets/Tip/21_chisquare_smoking_copd.xlsx (ki-kare dosyası). 670 kişi, eksik değer yok. Kesitsel tasarım olduğu için ölçü PR seçilmiştir; referans "içmeyen" (smoking_status=none non_drinker).

smoking_status n KOAH (present) Prevalans
none non_drinker (referans) 220 20 0,0909
old smoking 200 80 0,4000
active smoking 250 150 0,6000
Toplam 670 250 0,3731

(b) Kohort benzeri: kalp krizi ve sigara. english/datasets/Tip/40_logistic_KAH.xlsx (lojistik regresyon dosyası, Bölüm 46). 300 hasta, 144 olay (%48), eksik değer yok. Maruziyet smoking (0/1; 96 içici, 51 olay; 204 içmeyen, 93 olay), ortak değişken age. Ayrıca Bölüm 46'daki dört açıklayıcının tamamıyla (yaş, kolesterol, sigara, sistolik KB) log-binom modelin sınır davranışı gösterilmiştir.

Klinik sorular: (a) Aktif ve eski içicilerde KOAH prevalansı içmeyenlerin kaç katı? (b) Yaşa göre düzeltildiğinde sigara içmek kalp krizi riskini kaç kat artırır? Bu oran Bölüm 46'daki OR'den nasıl farklıdır?

Seçilen ayarlar: Varsayılanlar (log-binom, beklenen bilgi, ortalama riskten başlangıç, 25 yineleme, ham oranlar açık); (a)'da ölçü PR ve referans düzeyi. Karşılaştırma için: değiştirilmiş Poisson; gözlenen bilgi; genel GLM başlangıcı; %99 GA; dört değişkenli modelde 25 ve 200 yineleme.

49.5 Formüller ve hesap adımları

MerQur'un hesap sırası: (1) sonuç 0/1'e kodlanır, tasarım kurulur, liste bazında silme; (2) log-binomda başlangıç (\ln\bar y,0,\dots), R glm.fit ile aynı IRLS (geçersiz \mu\ge1 adımında yarılama); değiştirilmiş Poisson'da Poisson IRLS; (3) kovaryans: log-binomda beklenen ya da gözlenen bilgi, Poisson'da HC0 sandviç; (4) Wald z, GA ve oran; (5) her maruziyet için ham model; (6) kategorik maruziyetlerde düzey tablosu.

49.5.1 Log-binom model

\ell(\boldsymbol\beta)=\sum_{i=1}^{n}\Big[y_i\,\eta_i+(1-y_i)\ln\big(1-e^{\eta_i}\big)\Big],\qquad \eta_i=\mathbf x_i^{\top}\boldsymbol\beta<0\ \ \forall i
  • \eta_i=\ln\pi_i; olasılık 1'i aşamayacağından her gözlemde \eta_i<0 olmalıdır. Parametre uzayı bu kısıtla sınırlıdır.
  • İkinci terim y_i=0 olanlardan gelir; \pi_i\to1 iken -\infty'a gider.

IRLS bileşenleri (log bağlantı, V(\mu)=\mu(1-\mu); genel türetme 46.5.2 ve 48.5.2):

z_i=\eta_i+\frac{y_i-\mu_i}{\mu_i},\qquad w_i=\frac{\mu_i^2}{\mu_i(1-\mu_i)}=\frac{\mu_i}{1-\mu_i}
  • Logit bağlantıdan farkı: ağırlık \mu(1-\mu) değil \mu/(1-\mu)'dir; \mu\to1 iken sonsuza gider.
  • Log, binom dağılımının kanonik bağlantısı değildir; bu yüzden gözlenen ve beklenen bilgi farklıdır (49.5.3).

Koddaki tercih: sınırda adım yarılama

glm_irls.py:278–291: yeni adım bir gözlemde \hat\mu\ge1 üretirse (\eta\ge0; binom validmu ihlali) katsayılar önceki adıma doğru yarılanır ve uyarı bayrağı kalkar. ML noktası sınırdaysa (bazı \hat\pi_i=1) yineleme sınıra yapışır; sapmadaki değişim 10^{-8}'in altına düşünce algoritma "yakınsadı" der, ama nokta kısıtlı ML'nin yalnız yaklaşığıdır ve SH'ler geçersizdir. MerQur bu durumda en büyük \hat\pi'yi yazar ve "parametre uzayının sınırında" uyarısını sonuç metninin başına koyar (relative_risk.py:244–245).

49.5.2 Değiştirilmiş Poisson

\ell_P(\boldsymbol\beta)=\sum_i\big[y_i\eta_i-e^{\eta_i}\big],\qquad \hat{\mathbf V}_{\text{HC0}}=\mathbf B\Big(\sum_i\mathbf s_i\mathbf s_i^{\top}\Big)\mathbf B,\qquad \mathbf B=(\mathbf X^{\top}\hat{\mathbf W}\mathbf X)^{-1},\quad \mathbf s_i=\mathbf x_i\,w_i\,\frac{y_i-\hat\mu_i}{\hat\mu_i}
  • \ell_P: ikili y'ye uygulanan Poisson log-olabilirliği (sabit terimi atılmış); yalnız kestirim denklemleri için kullanılır. Çıktıda log-olabilirlik ve AIC yazılmaz (relative_risk.py:269–272).
  • w_i=\mu_i (Poisson log bağlantı ağırlığı); \mathbf s_i = çalışma artığı × çalışma ağırlığı × \mathbf x_i (R sandwich::estfun.glm). Yakınsamada \mathbf s_i=\mathbf x_i(y_i-\hat\mu_i).
  • HC0: küçük örneklem düzeltmesi yoktur (sandwich::vcovHC(type = "HC0")).

Poisson olabilirliği ikili veride neden işe yarar?

Poisson skor denklemleri \mathbf X^{\top}(\mathbf y-\boldsymbol\mu)=\mathbf 0'dır; yalnız ortalama modelinin (\ln\mu=\mathbf x^{\top}\boldsymbol\beta) doğruluğunu gerektirir. Ortalama doğruysa kestirim tutarlıdır; varyans yanlıştır (\mu yerine \mu(1-\mu)), bu yüzden model tabanlı SH büyük çıkar. Sandviç kestirici gerçek değişkenliği verilerden ölçer (Zou 2004). Bedeli: \hat\mu_i>1 olabilir (olasılık değildir) ve küçük örneklemde HC0 SH'yi biraz küçük kestirir.

49.5.3 Standart hatalar ve oranlar

\text{Log-binom: }\ \hat{\mathbf V}=(\mathbf X^{\top}\hat{\mathbf W}\mathbf X)^{-1}\ \ \text{(beklenen)}\quad\text{ya da}\quad \hat{\mathbf V}=\Big(\sum_i\mathbf x_i\mathbf x_i^{\top}\,\frac{(1-y_i)\hat\mu_i}{(1-\hat\mu_i)^2}\Big)^{-1}\ \ \text{(gözlenen)}
z_j=\frac{\hat\beta_j}{\SH_j},\qquad \text{RR}_j=e^{\hat\beta_j},\qquad \text{GA: }\big[e^{\hat\beta_j-z_{1-\alpha/2}\SH_j},\ e^{\hat\beta_j+z_{1-\alpha/2}\SH_j}\big]
  • Gözlenen bilgi ağırlığı, 48.5.4'teki genel \omega_i formülünün log-binom özel durumudur: \omega_i=(1-y_i)\mu_i/(1-\mu_i)^2. Olay olan gözlemler (y_i=1) gözlenen bilgiye katkı vermez.
  • Ölçek parametresi yoktur (binom); test standart normaldir.
  • Sonuç metninde satırlar "Maruziyet" ve "Ortak değişken" başlıkları altında gruplanır. Sabit terim ayrı bir satırda \beta_0 ve e^{\beta_0} (bütün açıklayıcılar referans düzeyde ya da 0 iken kestirilen temel risk) olarak yazılır; tablo sekmesinde gösterilmez (relative_risk_panel.py:245–249, 266–272).

49.5.4 Doymuş modelde kapalı biçim

Tek bir kategorik maruziyet (K düzey) varsa model doymuştur; ML kestirimleri gözlenen oranlardır:

\widehat{\text{RR}}_k=\frac{\hat p_k}{\hat p_0}=\frac{a_k/n_k}{a_0/n_0},\qquad \SH\big(\ln\widehat{\text{RR}}_k\big)=\sqrt{\frac1{a_k}-\frac1{n_k}+\frac1{a_0}-\frac1{n_0}}
  • a_k, n_k: k. düzeyde olay sayısı ve kişi sayısı; 0: referans düzey.
  • SH formülü Katz vd. (1978) log-RR aralığıdır; log-binomun beklenen bilgisinden ve değiştirilmiş Poisson'un sandviçinden aynı ifade çıkar: \operatorname{Var}(\ln\hat p)=(1-p)/(np).

49.5.5 Sapma ve uyum

D=2\sum_i\Big[y_i\ln\frac{y_i}{\hat\mu_i}+(1-y_i)\ln\frac{1-y_i}{1-\hat\mu_i}\Big],\qquad \text{AIC}=-2\ell+2k
  • Log-binomda D=-2\ell (ikili veride doymuş modelin log-olabilirliği 0'dır). Sıfır modeli sapması \hat\mu_i=\bar y ile.
  • Değiştirilmiş Poisson'da yazılan sapma Poisson sapmasıdır ve yalnız bilgi amaçlıdır.

49.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Ara değerler dogrulama/relative_risk/elle_hesap.py ile, MerQur çağrılmadan numpy ile hesaplanmıştır.

Adım 1 — KOAH: kapalı biçim. \hat p_0=20/220=0{,}090909, \hat p_{\text{eski}}=80/200=0{,}4, \hat p_{\text{aktif}}=150/250=0{,}6.

\widehat{\text{PR}}_{\text{aktif}}=\frac{0{,}6}{0{,}090909}=6{,}6,\qquad \SH=\sqrt{\frac1{150}-\frac1{250}+\frac1{20}-\frac1{220}}=0{,}219365
\text{GA}=e^{\ln6{,}6\pm1{,}959964\times0{,}219365}=e^{1{,}887070\pm0{,}429948}=[4{,}2936;\ 10{,}1454]

Eski içiciler: \widehat{\text{PR}}=4{,}4, SH 0,230119. Aynı verinin OR'si aktif içicide \dfrac{0{,}6/0{,}4}{0{,}090909/0{,}909091}=15{,}0, eski içicide 6,67'dir: KOAH prevalansı %37 olduğu için OR, PR'nin iki katından fazladır.

Adım 2 — KOAH: log-binom IRLS. Başlangıç \beta_0=\ln0{,}373134=-0{,}985837, eğimler 0; her gözlemde \mu_0=0{,}373134, w_0=\mu_0/(1-\mu_0)=0{,}595238, z_0=\ln\mu_0+(y-\mu_0)/\mu_0. Ağırlıklar eşit olduğundan ilk adım \mathbf z_0'ın OLS regresyonudur:

\boldsymbol\beta^{(1)}=(-1{,}742180;\ 1{,}364364;\ 0{,}828364)

Beş yinelemede \hat{\boldsymbol\beta}=(-2{,}397895;\ 1{,}887070;\ 1{,}481605)'e ulaşılır; e^{1{,}887070}=6{,}6. Sapma 739,750383, sıfır sapması 885,207718, \ell=-369{,}875192, AIC 745,750383.

Log-binom SH'si kapalı biçimden beşinci basamakta ayrılır

MerQur'un log-binom SH'si 0,219354'tür; Katz değeri 0,219365'tir (göreli fark 5\times10^{-5}). Neden: kovaryans, R glm gibi son IRLS adımının ağırlıklarıyla, yani yakınsamadan bir önceki \hat\mu'den hesaplanır ve log-binomda ağırlıklar \mu/(1-\mu) olduğundan bu küçük fark büyütülür. R aynı sayıyı verir. Değiştirilmiş Poisson'un sandviç SH'si ise doymuş modelde ağırlıkların birbirini götürmesi sayesinde Katz değerine tam eşittir (0,219365). Rapor düzeyinde (3–4 basamak) fark görünmez.

Adım 3 — KOAH: değiştirilmiş Poisson. Poisson IRLS 6 yinelemede aynı katsayılara ulaşır (PR 6,6 ve 4,4). Sandviç SH'ler 0,219365 ve 0,230119, yani Katz değerleri; z_{\text{aktif}}=8{,}6024 (log-binomda 8,6029).

Adım 4 — KAH: ham RR. İçicilerde 51/96=0{,}53125, içmeyenlerde 93/204=0{,}455882:

\widehat{\text{RR}}=\frac{0{,}53125}{0{,}455882}=1{,}165323,\qquad \widehat{\text{OR}}=\frac{0{,}53125/0{,}46875}{0{,}455882/0{,}544118}=1{,}352688

Log-binom ham model: SH 0,122644, GA [0,9163; 1,4820].

Adım 5 — KAH: yaşa göre düzeltilmiş RR.

Terim Log-binom b SH (beklenen) SH (gözlenen) RR [%95 GA] Değ. Poisson b SH (HC0) RR [%95 GA]
Sabit −2,254516 0,348254 0,359609 — −2,146934 0,359622 —
smoking 0,149776 0,111644 0,112921 1,1616 [0,9333; 1,4457] 0,137265 0,118056 1,1471 [0,9102; 1,4458]
age 0,023618 0,005154 0,005349 1,0239 [1,0136; 1,0343] 0,021958 0,005341 1,0222 [1,0116; 1,0330]

Log-binom 5 yinelemede yakınsar; en büyük \hat\pi=0{,}7875 (sınırdan uzak). Log-binom ML, değiştirilmiş Poisson'dan farklı bir kestiricidir; yakın ama aynı olmayan katsayılar verir. Değiştirilmiş Poisson'un en büyük \hat\mu'sü 0,7596'dır. Genel GLM başlangıcıyla (\mu_0=(y+0{,}5)/2) log-binom 6 yinelemede aynı noktaya iner.

Sigaranın düzeltilmiş RR'si 1,16'dır; Bölüm 46'daki dört değişkenli lojistik modelin OR'si 1,41'dir. İkisi farklı ölçütlerdir; olay oranı %48 olduğundan OR, RR'den belirgin biçimde büyüktür.

Şekil 49.1. Sol: sigara durumuna göre KOAH prevalansı; PR ve OR karşılaştırması. Sağ: KAH'ta sigara için ham OR, ham RR ve yaşa göre düzeltilmiş RR'ler (log-binom ve değiştirilmiş Poisson) ile %95 GA'ları.

Adım 6 — Sınır durumu: dört değişkenli log-binom. Yaş, kolesterol ve sistolik KB ile birlikte log-binom model 25 yinelemede yakınsamaz; en büyük \hat\pi = 1,0000. 200 yineleme izin verilirse 26. yinelemede sapma ölçütü sağlanır ama nokta sınırdadır. Kısıtlı ML (\mathbf X\boldsymbol\beta\le0, Python SLSQP) bir gözlemin \hat\pi=1 olduğu noktadadır:

Büyüklük MerQur (en çok 200 yineleme) Kısıtlı ML (Python SLSQP, X\beta\le0) R glm (200 yineleme)
Sapma 378,400515 378,400214 378,408387
Yineleme 26 — 26
RR smoking 1,071637 1,071146 1,075359
RR age 1,018440 1,018477 1,018171
RR systolic_bp 1,005953 1,005912 1,006078
En büyük \hat\mu 1,000000 1,000000 1

Üç çözüm sapmada 10^{-2}, RR'lerde üçüncü ondalıkta ayrılır: sınırda olabilirlik düzdür ve IRLS'in durduğu nokta sayısal yola bağlıdır. Bu durumda log-binom SH'leri geçersizdir; MerQur bu yüzden sınırdaki çözümde SH, z, p ve GA'yı "—" yazar ve yineleme satırına "çözüm sınırda" notunu ekler. Aynı modelde değiştirilmiş Poisson sorunsuz kestirim verir (RR sigara 1,1359; %95 GA [0,9047; 1,4261]), ama 4 gözlemde \hat\mu>1 (en büyük 1,1898) ve MerQur bunu uyarır. Bu davranış log-binomun bilinen zaafıdır (Williamson vd. 2013; Marschner ve Gillett 2012).

49.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundan tam hassasiyetle alınmıştır (relative_risk modülü yuvarlama yapmaz). R: 4.5.3, glm(family = binomial(link = "log"), start = c(log(mean(y)), 0, ...)), glm(family = poisson) + sandwich::vcovHC(type = "HC0"), gözlenen bilgi için analitik gradyanın optimHess farkı. Bağımsız Python: kendi log-binom ve Poisson IRLS'i (R glm.fit durma ölçütü), kendi sandviç ve gözlenen bilgi formülleri, doymuş modelde kapalı biçim (Katz).

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
KOAH log-binom: \beta aktif içici 1,887070 1,887070 1,887070 1,3e−12 ✓
KOAH log-binom: SH aktif içici 0,219354 0,219354 0,219354 6,8e−14 ✓
KOAH log-binom: oran aktif içici 6,600000 6,600000 6,600000 8,5e−12 ✓
KOAH log-binom: GA alt aktif içici 4,293681 4,293681 4,293681 5,0e−12 ✓
KOAH log-binom: GA üst aktif içici 10,145142 10,145142 10,145142 1,4e−11 ✓
KOAH log-binom: p aktif içici 7,7752·10−18 7,7752·10−18 7,7752·10−18 2,3e−28 ✓
KOAH log-binom: \beta eski içici 1,481605 1,481605 1,481605 1,3e−12 ✓
KOAH log-binom: SH eski içici 0,230107 0,230107 0,230107 6,7e−14 ✓
KOAH log-binom: oran eski içici 4,400000 4,400000 4,400000 5,7e−12 ✓
KOAH log-binom: GA alt eski içici 2,802754 2,802754 2,802754 3,3e−12 ✓
KOAH log-binom: GA üst eski içici 6,907492 6,907492 6,907492 9,9e−12 ✓
KOAH log-binom: p eski içici 1,2046·10−10 1,2046·10−10 1,2046·10−10 3,1e−21 ✓
KOAH log-binom: sapma 739,750383 739,750383 739,750383 5,7e−13 ✓
KOAH log-binom: sıfır sapması 885,207718 885,207718 885,207718 2,3e−13 ✓
KOAH log-binom: ℓ −369,875192 −369,875192 −369,875192 2,3e−13 ✓
KOAH log-binom: AIC 745,750383 745,750383 745,750383 4,5e−13 ✓
KOAH: PR aktif = \hat p_1/\hat p_0 (kapalı biçim) 6,600000 6,600000 6,600000 3,5e−08 ✓
KOAH değ. Poisson: \beta aktif içici 1,887070 1,887070 1,887070 5,8e−13 ✓
KOAH değ. Poisson: SH aktif içici 0,219365 0,219365 0,219365 1,7e−13 ✓
KOAH değ. Poisson: oran aktif içici 6,600000 6,600000 6,600000 3,8e−12 ✓
KOAH değ. Poisson: GA alt aktif içici 4,293581 4,293581 4,293581 1,1e−12 ✓
KOAH değ. Poisson: GA üst aktif içici 10,145376 10,145376 10,145376 9,3e−12 ✓
KOAH değ. Poisson: p aktif içici 7,8066·10−18 7,8066·10−18 7,8066·10−18 2,8e−28 ✓
KOAH değ. Poisson: \beta eski içici 1,481605 1,481605 1,481605 5,9e−13 ✓
KOAH değ. Poisson: SH eski içici 0,230119 0,230119 0,230119 1,6e−13 ✓
KOAH değ. Poisson: oran eski içici 4,400000 4,400000 4,400000 2,6e−12 ✓
KOAH değ. Poisson: GA alt eski içici 2,802692 2,802692 2,802692 8,5e−13 ✓
KOAH değ. Poisson: GA üst eski içici 6,907644 6,907644 6,907644 6,2e−12 ✓
KOAH değ. Poisson: p eski içici 1,2071·10−10 1,2071·10−10 1,2071·10−10 1,6e−21 ✓
KOAH değ. Poisson: SH aktif = Katz SH 0,219365 0,219365 0,219365 2,7e−14 ✓ (yakınsama, 10−5)
KOAH (ref = aktif): PR eski/aktif 0,666667 0,666667 0,666667 1,7e−15 ✓
KOAH (ref = aktif): PR içmeyen/aktif 0,151515 0,151515 0,151515 8,1e−10 ✓
KAH log-binom: \beta Sabit −2,254516 −2,254516 −2,254516 7,9e−14 ✓
KAH log-binom: SH Sabit 0,348254 0,348254 0,348254 1,8e−15 ✓
KAH log-binom: oran Sabit 0,104924 0,104924 0,104924 8,3e−15 ✓
KAH log-binom: GA alt Sabit 0,053020 0,053020 0,053020 4,4e−15 ✓
KAH log-binom: GA üst Sabit 0,207640 0,207640 0,207640 1,6e−14 ✓
KAH log-binom: p Sabit 9,5588·10−11 9,5588·10−11 9,5588·10−11 1,3e−22 ✓
KAH log-binom: \beta smoking 0,149776 0,149776 0,149776 4,4e−15 ✓
KAH log-binom: SH smoking 0,111644 0,111644 0,111644 7,4e−16 ✓
KAH log-binom: oran smoking 1,161574 1,161574 1,161574 5,3e−15 ✓
KAH log-binom: GA alt smoking 0,933287 0,933287 0,933287 5,0e−15 ✓
KAH log-binom: GA üst smoking 1,445701 1,445701 1,445701 4,7e−15 ✓
KAH log-binom: p smoking 0,179744 0,179744 0,179744 1,4e−14 ✓
KAH log-binom: \beta age 0,023618 0,023618 0,023618 1,2e−15 ✓
KAH log-binom: SH age 0,005154 0,005154 0,005154 6,6e−17 ✓
KAH log-binom: oran age 1,023899 1,023899 1,023899 2,9e−15 ✓
KAH log-binom: GA alt age 1,013608 1,013608 1,013608 1,1e−15 ✓
KAH log-binom: GA üst age 1,034294 1,034294 1,034294 3,1e−15 ✓
KAH log-binom: p age 4,5921·10−6 4,5921·10−6 4,5921·10−6 3,9e−18 ✓
KAH log-binom: sapma 394,183922 394,183922 394,183922 3,4e−13 ✓
KAH log-binom: AIC 400,183922 400,183922 400,183922 3,4e−13 ✓
KAH log-binom: en büyük \hat\mu 0,787460 0,787460 0,787460 1,0e−14 ✓
KAH log-binom gözlenen bilgi: SH Sabit 0,359609 0,359609 0,359609 5,4e−10 ✓ (R sayısal Hessian, 10−5)
KAH log-binom gözlenen bilgi: SH smoking 0,112921 0,112921 0,112921 4,4e−11 ✓ (R sayısal Hessian, 10−5)
KAH log-binom gözlenen bilgi: SH age 0,005349 0,005349 0,005349 8,3e−12 ✓ (R sayısal Hessian, 10−5)
KAH log-binom %99 GA alt smoking 0,871272 0,871272 0,871272 5,2e−15 ✓
KAH log-binom %99 GA üst smoking 1,548601 1,548601 1,548601 8,7e−15 ✓
KAH log-binom, başlangıç μ₀ = (y+0,5)/2: \beta smoking 0,149775 0,149775 0,149775 1,9e−15 ✓
KAH değ. Poisson: \beta Sabit −2,146934 −2,146934 −2,146934 8,8e−14 ✓
KAH değ. Poisson: SH Sabit 0,359622 0,359622 0,359622 2,9e−14 ✓
KAH değ. Poisson: oran Sabit 0,116842 0,116842 0,116842 1,0e−14 ✓
KAH değ. Poisson: GA alt Sabit 0,057741 0,057741 0,057741 8,5e−15 ✓
KAH değ. Poisson: GA üst Sabit 0,236434 0,236434 0,236434 9,8e−15 ✓
KAH değ. Poisson: p Sabit 2,3730·10−9 2,3730·10−9 2,3730·10−9 3,5e−21 ✓
KAH değ. Poisson: \beta smoking 0,137265 0,137265 0,137265 2,6e−15 ✓
KAH değ. Poisson: SH smoking 0,118056 0,118056 0,118056 1,4e−15 ✓
KAH değ. Poisson: oran smoking 1,147132 1,147132 1,147132 6,2e−15 ✓
KAH değ. Poisson: GA alt smoking 0,910172 0,910172 0,910172 3,3e−16 ✓
KAH değ. Poisson: GA üst smoking 1,445783 1,445783 1,445783 7,8e−15 ✓
KAH değ. Poisson: p smoking 0,244949 0,244949 0,244949 3,4e−15 ✓
KAH değ. Poisson: \beta age 0,021958 0,021958 0,021958 1,4e−15 ✓
KAH değ. Poisson: SH age 0,005341 0,005341 0,005341 4,5e−16 ✓
KAH değ. Poisson: oran age 1,022201 1,022201 1,022201 2,9e−15 ✓
KAH değ. Poisson: GA alt age 1,011556 1,011556 1,011556 1,6e−15 ✓
KAH değ. Poisson: GA üst age 1,032958 1,032958 1,032958 2,0e−15 ✓
KAH değ. Poisson: p age 3,9346·10−5 3,9346·10−5 3,9346·10−5 1,7e−17 ✓
KAH değ. Poisson: sapma 201,423485 201,423485 201,423485 2,3e−13 ✓
KAH ham log-binom: RR smoking 1,165323 1,165323 1,165323 1,4e−14 ✓
KAH ham log-binom: SH smoking 0,122644 0,122644 0,122644 3,9e−16 ✓
KAH ham RR = r_1/r_0 (kapalı biçim) 1,165323 1,165323 1,165323 1,2e−10 ✓
KAH ham değ. Poisson: SH smoking 0,122645 0,122645 0,122645 2,9e−16 ✓
KAH 4 değişken, değ. Poisson: \beta smoking 0,127395 0,127395 0,127395 4,8e−15 ✓
KAH 4 değişken, değ. Poisson: SH smoking 0,116084 0,116084 0,116084 3,1e−15 ✓
KAH 4 değişken, değ. Poisson: \beta age 0,019503 0,019503 0,019503 2,8e−17 ✓
KAH 4 değişken, değ. Poisson: SH age 0,005249 0,005249 0,005249 1,4e−16 ✓
KAH 4 değişken, değ. Poisson: \beta cholesterol 0,003867 0,003867 0,003867 1,9e−16 ✓
KAH 4 değişken, değ. Poisson: SH cholesterol 0,001218 0,001218 0,001218 3,8e−17 ✓
KAH 4 değişken, değ. Poisson: \beta systolic_bp 0,009085 0,009085 0,009085 1,2e−15 ✓
KAH 4 değişken, değ. Poisson: SH systolic_bp 0,002828 0,002828 0,002828 2,0e−16 ✓
KAH 4 değişken, değ. Poisson: en büyük \hat\mu 1,189750 1,189750 1,189750 2,5e−14 ✓

Dört değişkenli sınır durumu bu tabloya alınmamıştır; orada başvuru değeri kısıtlı ML'dir ve sonuçlar Adım 6'daki tabloda verilmiştir.

49.7 Çıktıyı okuma

Sonuç metni (KOAH, log-binom, PR, kısaltılmış):

PR — Log-binom GLM
  N (gözlem)                 = 670
  Olay sayısı                = 250 (copd = present; diğer değer = absent)
  Genel olay oranı           = 0.3731
  Sapma                      = 739.750383
  Sıfır modeli sapması       = 885.207718
  Log-olabilirlik            = -369.8752
  AIC                        = 745.7504
  Bilgi matrisi              = Beklenen (Fisher; varsayılan)
  Yineleme sayısı            = 5
  En büyük kestirilen olasılık = 0.600000

Düzeltilmiş PR (tüm değişkenler birlikte)
  Değişken                               β        SE        z         p       PR            PR %95 GA
  [Maruziyet]
  smoking_status[active smoking]    1.8871    0.2194    8.603   <0.0001   6.6000    [4.2937, 10.1451]
  smoking_status[old smoking]       1.4816    0.2301    6.439   <0.0001   4.4000     [2.8028, 6.9075]
  Sabit terim: β₀ = -2.3979; exp(β₀) = 0.0909 (bütün açıklayıcılar referans düzeyde / 0 iken kestirilen temel risk)

Kategorik maruziyetlerde düzey başına olay oranı
  Değişken           Düzey                 n     Olay     Oran
  smoking_status     active smoking      250      150   0.6000
  smoking_status     old smoking         200       80   0.4000
  smoking_status     none non_drinker    220       20   0.0909

── Notlar ──
  Olay kategorisi: copd = present; referans: absent (tanınan olumlu etiket).
  Gösterge kodlaması, referans düzeyleri: smoking_status = none non_drinker

Sınır durumunda (dört değişkenli KAH, varsayılan 25 yineleme) metnin ilk satırları:

⚠ Log-binom model 25 yinelemede YAKINSAMADI; gösterilen kestirimler güvenilir değildir. ...
⚠ Log-binom kestirimi parametre uzayının sınırında: en büyük kestirilen olasılık 1.00000000 (≈ 1). ...

Tablo sekmesi: Değişken, Rol, düzeltilmiş oran, GA alt/üst, p, ham oran, ham GA alt/üst, ham p (sabit terim yok).

Öğe Nasıl yorumlanır
Başlık Ölçü (RR/PR) ve yöntem. Ölçü yalnız etikettir.
Olay sayısı satırı Hangi değerin olay sayıldığını yazar; önce bunu denetleyin.
En büyük kestirilen olasılık Log-binomda 1'e çok yakınsa sınır uyarısı; değiştirilmiş Poisson'da 1'i aşabilir.
Yineleme sayısı "(yakınsamadı)" ekiyle birlikte görülürse sonuçlar güvenilir değildir.
Düzeltilmiş oran Diğer değişkenler sabitken risk oranı; GA 1'i içermiyorsa anlamlı.
Ham oran Aynı örneklemde tek değişkenli oran; düzeltilmişle farkı karıştırıcılığın büyüklüğünü gösterir.
Düzey tablosu Kategorik maruziyette her düzeyin n, olay ve oranı; doymuş modelde oranlar bu tablodan doğrudan hesaplanır.
Sabit terim satırı \beta_0 ve e^{\beta_0}: bütün açıklayıcılar referansta iken temel risk.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

Kesitsel veride KOAH prevalansı sigara durumuna göre log-binom genelleştirilmiş doğrusal modelle karşılaştırıldı (n = 670; 250 KOAH). Hiç sigara içmeyenlere göre KOAH prevalansı aktif içicilerde 6,6 kat (PR = 6,60; %95 GA [4,29; 10,15]; p < 0{,}001), eski içicilerde 4,4 kat (PR = 4,40; %95 GA [2,80; 6,91]; p < 0{,}001) yüksekti. Kalp krizi kohortunda yaşa göre düzeltilmiş göreli risk sigara için 1,16 bulundu (%95 GA [0,93; 1,45]; p = 0{,}180); değiştirilmiş Poisson regresyonu benzer sonuç verdi (RR = 1,15; %95 GA [0,91; 1,45]).

49.8 Uzman soruları

S1. Log-binom yakınsamazsa MerQur neden kendiliğinden değiştirilmiş Poisson'a geçmiyor?

İki yöntem farklı kestiricidir (ML ile yarı-olabilirlik + sandviç); sessiz geçiş, raporlanan yöntemi kullanıcının bilgisi dışında değiştirir. MerQur uyarı yazar ve yöntem seçimini kullanıcıya bırakır (relative_risk.py:5–8). Spiegelman ve Hertzmark (2005) da önce log-binomu, yakınsamazsa Poisson yaklaşımını ayrı ve açıkça raporlanan bir seçenek olarak önerir.

S2. Başlangıç değerini neden (\ln\bar y,0,\dots) seçiyor? R varsayılanıyla sonuç farklı mı?

R'nin \mu_0=(y+0{,}5)/2 başlangıcı log-binomda ilk adımda \mu\ge1 üretip "geçerli katsayı bulunamadı" hatasına yol açabilir. (\ln\bar y,0,\dots) her gözlemde \mu_0=\bar y<1 verir. Log-binomun log-olabilirliği (kısıtlı uzayda) içbükeydir; iç ML noktası varsa iki başlangıç aynı noktaya iner. Bu veride ikisi 5 ve 6 yinelemede aynı katsayıyı verir. Sınırdaki ML'de ise başlangıç durma noktasını etkileyebilir.

S3. Gözlenen ve beklenen bilgi neden farklı SH veriyor?

Log bağlantı binomun kanonik bağlantısı değildir. Gözlenen bilgi \sum\mathbf x\mathbf x^{\top}(1-y)\mu/(1-\mu)^2'dir; olay olan gözlemler katkı vermez. Bu veride smoking SH'si beklenen bilgiyle 0,111644, gözlenen bilgiyle 0,112921'dir. MerQur'da "gözlenen" seçilince gözlenen bilgiye dayanan SH elde edilir.

S4. Değiştirilmiş Poisson'da \hat\mu>1 çıkması sorun mu?

Kestirilen oranlar (RR) geçerli kalır, çünkü kestirim yalnız ortalama denklemine dayanır; ama \hat\mu_i bireysel olasılık olarak yorumlanamaz. MerQur 1'i aşan gözlem sayısını ve en büyük değeri uyarı olarak yazar. Bireysel risk tahmini gerekiyorsa log-binom (yakınsıyorsa) ya da lojistik model kullanılmalıdır.

S5. Sandviç SH neden HC0? Zou'nun önerisi bu mu?

Zou (2004) sağlam ("robust") varyans önerir. MerQur R vcovHC(type = "HC0") ile aynıdır. n/(n-1) küçük örneklem çarpanı uygulayan sağlam SH'ler \sqrt{n/(n-1)} kadar büyüktür. Küçük örneklemde HC0 SH'yi küçük kestirir; o durumda log-binom tercih edilebilir.

S6. Olay kategorisini değiştirince RR neden 1/\text{RR} olmuyor?

RR simetrik değildir: "olay olmama" riskinin oranı (1-\pi_1)/(1-\pi_0)'dır, \pi_0/\pi_1 değil. KOAH verisinde aktif içiciler için PR 6,6 iken "KOAH olmama" PR'si 0{,}4/0{,}9091=0{,}44'tür. OR'de ise olay değişince oran tam tersine döner. Bu yüzden olay kategorisi sonuç metninin üçüncü satırında açıkça yazılır.

S7. Doymuş modelde log-binom ve değiştirilmiş Poisson neden aynı oranı veriyor?

Tek kategorik maruziyette her iki yöntemin ML çözümü gözlenen grup oranlarıdır: \hat p_k=a_k/n_k. Varyans da Katz formülüne eşittir. Bu, iki yöntemin doğrulanması için iyi bir denetimdir; farklar yalnız sürekli ya da birden çok açıklayıcı olduğunda ortaya çıkar.

S8. "Ölçünün adı" seçeneği hesabı değiştiriyor mu?

Hayır; yalnız etikettir (v240a_rr_form_measure_tt). Kohort ve deneysel çalışmada RR, kesitsel çalışmada PR yazılır; PR seçildiğinde nota "kesitsel veride prevalans oranı" cümlesi eklenir.

49.9 Sık hatalar ve tuzaklar

  • Vaka–kontrol verisinde RR kestirmek. Örnekleme sonuca göre yapıldığından risk ve RR anlamsızdır; OR kullanılmalıdır.
  • Sınır uyarısını görmezden gelmek. "En büyük kestirilen olasılık ≈ 1" uyarısı varsa log-binom SH'leri geçersizdir ve "—" yazılır; yineleme sayısını artırmak sorunu çözmez, nokta yine sınırda kalır.
  • Yöntemler arasında sessizce geçmek. Log-binom ile değiştirilmiş Poisson farklı kestiricilerdir; raporda hangisinin kullanıldığı yazılmalıdır.
  • Olay kategorisini denetlememek. Tanınan etiketlerde ("Evet/Hayır", "var/yok") olay olumlu düzeydir; tanınmayan etiketlerde (ör. "A/B") düzey sırasındaki ikinci düzeydir ve uyarı yazılır. Notlardaki "Olay kategorisi" satırı okunmalıdır.
  • Ham ve düzeltilmiş oranları farklı örneklemlerde karşılaştırmak. MerQur ham oranı düzeltilmiş modelin eksiksiz örnekleminde hesaplar; başka bir yazılımda tüm veriyle bulunan ham oran farklı çıkabilir.
  • Değiştirilmiş Poisson'un log-olabilirliğini kullanmak. İkili veriye uygulanan Poisson olabilirliği gerçek olabilirlik değildir; AIC ve LR testi yapılmaz (çıktıda yazılmaz).
  • Referans düzeyi unutmak. Varsayılan referans, düzey sırasındaki (sıra tanımlanmamış metinde verideki ilk görülme sırası) ilk düzeydir; bu, klinik açıdan anlamlı referans olmayabilir. Referans belirtilmezse oranlar o düzeye göre çıkar: KOAH verisinde ilk görülen düzey active smoking olduğundan eski içicilerin PR'si 0,667, hiç içmeyenlerinki 0,152 olur. Çıktının notlarındaki referans satırı okunmalıdır.

49.10 Kaynaklar

  • Barros, A. J. D., & Hirakata, V. N. (2003). Alternatives for logistic regression in cross-sectional studies: An empirical comparison of models that directly estimate the prevalence ratio. BMC Medical Research Methodology, 3, 21. https://doi.org/10.1186/1471-2288-3-21
  • Greenland, S. (2004). Model-based estimation of relative risks and other epidemiologic measures in studies of common outcomes and in case-control studies. American Journal of Epidemiology, 160(4), 301–305. https://doi.org/10.1093/aje/kwh221
  • Katz, D., Baptista, J., Azen, S. P., & Pike, M. C. (1978). Obtaining confidence intervals for the risk ratio in cohort studies. Biometrics, 34(3), 469–474. https://doi.org/10.2307/2530610
  • Marschner, I. C., & Gillett, A. C. (2012). Relative risk regression: Reliable and flexible methods for log-binomial models. Biostatistics, 13(1), 179–192. https://doi.org/10.1093/biostatistics/kxr030
  • McNutt, L.-A., Wu, C., Xue, X., & Hafner, J. P. (2003). Estimating the relative risk in cohort studies and clinical trials of common outcomes. American Journal of Epidemiology, 157(10), 940–943. https://doi.org/10.1093/aje/kwg074
  • Spiegelman, D., & Hertzmark, E. (2005). Easy SAS calculations for risk or prevalence ratios and differences. American Journal of Epidemiology, 162(3), 199–200. https://doi.org/10.1093/aje/kwi188
  • Wacholder, S. (1986). Binomial regression in GLIM: Estimating risk ratios and risk differences. American Journal of Epidemiology, 123(1), 174–184. https://doi.org/10.1093/oxfordjournals.aje.a114212
  • White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica, 48(4), 817–838. https://doi.org/10.2307/1912934
  • Williamson, T., Eliasziw, M., & Fick, G. H. (2013). Log-binomial models: Exploring failed convergence. Emerging Themes in Epidemiology, 10, 14. https://doi.org/10.1186/1742-7622-10-14
  • Zhang, J., & Yu, K. F. (1998). What's the relative risk? A method of correcting the odds ratio in cohort studies of common outcomes. JAMA, 280(19), 1690–1691. https://doi.org/10.1001/jama.280.19.1690
  • Zou, G. (2004). A modified Poisson regression approach to prospective studies with binary data. American Journal of Epidemiology, 159(7), 702–706. https://doi.org/10.1093/aje/kwh090