guide-R/donnees_ponderees/regression-logistique-binaire-ponderee

[giscus[bot]]

guide-R/donnees_ponderees/regression-logistique-binaire-ponderee

https://larmarange.github.io/guide-R/donnees_ponderees/regression-logistique-binaire-ponderee.html

[RaphaelFen]

Bonjour,
J'ai une question concernant l'affichage des résultats. Dans le cadre d'une régression logistique multivariée (quasibinomial) sur données pondérées, est-il possible d'afficher dans un tbl_regression() les crude OR + IC 95% aux côtés des adjusted OR + IC95% ? (Un peu ce que l'on retrouve dans la sortie d'un logistic.display())
Un immense merci pour votre travail et votre partage

[larmarange]

Il faut utiliser tbl_uvregression() pour obtenir les coefficients bruts.

Pour un exemple de tableau avec l'ensemble des résultats, voir https://larmarange.github.io/guide-R/analyses/regression-logistique-binaire.html#pr%C3%A9senter-lensemble-des-r%C3%A9sultats-dans-un-m%C3%AAme-tableau

C'est un exemple sur des données non pondérées. Il faut l'adapter au cas pondéré mais la logique est la même.

[RaphaelFen]

Merci.
Mais je crains qu'il n'existe pas de pendant à la fonction tbl_uvregression() applicable aux objets survey issus de survey::svydesign pour des résultats univariés (là où tbl_regression est remplacé par tbl_svyregression() pour du multivarié) ?

[larmarange]

L'aide de tbl_uvregression() précise que cette fonction est compatible avec des objets survey.

library(tidyverse)
library(labelled)
data(hdv2003, package = "questionr")
d <-
  hdv2003 |> 
  mutate(
    sexe = sexe |> fct_relevel("Femme"),
    groupe_ages = age |>
      cut(
        c(18, 25, 45, 65, 99),
        right = FALSE,
        include.lowest = TRUE,
        labels = c("18-24 ans", "25-44 ans",
                   "45-64 ans", "65 ans et plus")
      ),
    etudes = nivetud |> 
      fct_recode(
        "Primaire" = "N'a jamais fait d'etudes",
        "Primaire" = "A arrete ses etudes, avant la derniere annee d'etudes primaires",
        "Primaire" = "Derniere annee d'etudes primaires",
        "Secondaire" = "1er cycle",
        "Secondaire" = "2eme cycle",
        "Technique / Professionnel" = "Enseignement technique ou professionnel court",
        "Technique / Professionnel" = "Enseignement technique ou professionnel long",
        "Supérieur" = "Enseignement superieur y compris technique superieur"
      ) |> 
      fct_na_value_to_level("Non documenté")  
  ) |> 
  set_variable_labels(
    sport = "Pratique un sport ?",
    sexe = "Sexe",
    groupe_ages = "Groupe d'âges",
    etudes = "Niveau d'études",
    relig = "Rapport à la religion",
    heures.tv = "Heures de télévision / jour",
    poids = "Pondération de l'enquête"
  )

library(srvyr)
#> 
#> Attachement du package : 'srvyr'
#> L'objet suivant est masqué depuis 'package:stats':
#> 
#>     filter
library(survey)
#> Le chargement a nécessité le package : grid
#> Le chargement a nécessité le package : Matrix
#> 
#> Attachement du package : 'Matrix'
#> Les objets suivants sont masqués depuis 'package:tidyr':
#> 
#>     expand, pack, unpack
#> Le chargement a nécessité le package : survival
#> 
#> Attachement du package : 'survey'
#> L'objet suivant est masqué depuis 'package:graphics':
#> 
#>     dotchart
dp <- d |> 
  as_survey_design(weights = poids)

library(gtsummary)
dp |>
  tbl_uvregression(
    y = sport,
    include = c(sexe, groupe_ages, etudes, relig, heures.tv),
    method = survey::svyglm,
    method.args = list(family = quasibinomial),
    exponentiate = TRUE
  ) |> 
  bold_labels() |> 
  as_kable()

Characteristic	N	OR	95% CI	p-value
Sexe	11,071,226
Femme		—	—
Homme		1.52	1.20, 1.91	<0.001
Rapport à la religion	11,071,226
Pratiquant regulier		—	—
Pratiquant occasionnel		1.23	0.81, 1.87	0.3
Appartenance sans pratique		1.50	1.02, 2.19	0.039
Ni croyance ni appartenance		1.83	1.21, 2.76	0.004
Rejet		1.48	0.78, 2.80	0.2
NSP ou NVPR		0.85	0.34, 2.16	0.7
Heures de télévision / jour	11,036,941	0.79	0.73, 0.85	<0.001
Groupe d’âges	11,071,226
18-24 ans		—	—
25-44 ans		0.59	0.39, 0.89	0.012
45-64 ans		0.21	0.14, 0.33	<0.001
65 ans et plus		0.12	0.07, 0.20	<0.001
Niveau d’études	11,071,226
Primaire		—	—
Secondaire		3.96	2.48, 6.35	<0.001
Technique / Professionnel		5.41	3.52, 8.33	<0.001
Supérieur		11.9	7.60, 18.5	<0.001
Non documenté		28.6	15.1, 54.0	<0.001

^{Created on 2024-03-27 with reprex v2.1.0}

[RaphaelFen]

Je n'avais pas la subtilité d'aller chercher survey::svyglm dans l'argument method de tbl_uvregression().
Merci beaucoup !

[ObsTEF93]

Bonjour,

Lorsqu'on utilise des données pondérées, les résultats affichés par broom::glance et performance::model_performance pour évaluer les performances du modèle sont-ils fiables? Ou faut-il utiliser d'autres fonctions adaptées aux données pondérées?

Lorsque j'utilise model_performance, j'ai le message suivant qui s'affiche dans la console:
1: Dans logLik.svyglm(x, ...) : svyglm not fitted by maximum likelihood.
2: Dans logLik.svyglm(x) : svyglm not fitted by maximum likelihood.
3: Dans logLik.svyglm(x, ...) : svyglm not fitted by maximum likelihood.
4: Dans logLik.svyglm(x) : svyglm not fitted by maximum likelihood.
5: Dans logLik.svyglm(x, ...) : svyglm not fitted by maximum likelihood.
6: Dans logLik.svyglm(x) : svyglm not fitted by maximum likelihood.

Merci par avance pour votre retour... et merci tout court pour la grande qualité (notamment pédagogique) de vos ressources.

[larmarange]

Normalement, si vous avez utilisez svyglm, les statistiques de glance et de performance sont correctes, car utilisent les méthodes standards fournies par survey

[elisemb1]

Bonjour,

Je vous remercie pour ce guide qui est très précieux. Auriez-vous des exemples de code pour réaliser les "diagnostics" du modèle de régression linéaire, notamment à l'aide du package svydiags ?

Merci pour tout !

[elisemb1]

*regression logistique :)

[larmarange]

Toutes mes excuses mais je découvre ce package. Je ne l'ai donc jamais essayé.

Vous pouvez également regarder du package performance https://easystats.github.io/performance/index.html qui est compatible avec les modèles survey et dont la documentation est plus détaillée

[elisemb1]

Bonjour, aucun souci. J'ai finalement suivi vos conseils et utilisé le package "performance"! Un tout grand merci pour votre aide !

[titouan-ramilison-hub]

Bonjour,

Merci beaucoup pour votre travail !

Ma question concerne le chapitre "33 Régression logistique binaire pondérée", dans la partie "33.5 Prédictions marginales", vous n'indiquez pas les poids (wts) associés au survey design dans broom.helpers::plot_marginal_predictions(). Pourquoi ? Le fait d'avoir utilisé un svyglm pour estimer le modèle suffit-il pour avoir des estimations correctes sans avoir à re fournir les poids ?

[larmarange]

Bonjour et merci pour votre retour et d'avoir pointé cela.

Je viens de mettre à jour le code du chapitre : 0a34766

Le version HTML sera actualisée d'ici quelques jours.

Quelques éléments de précision :

• Les prédictions du modèle restent correctes.
• Cependant, si l'on ne précise pas les poids, et dans le cas de prédictions marginales moyennes, les prédictions marginales obtenues reflètent la situation d'une population ayant une structure équivalente à la structure non pondérée de l'échantillon.
• L'ajout des poids permet d'avoir des prédictions correspondant à la structure pondérée de l'échantillon.

Bien cordialement