Odds Ratio and Relative Risk ; 오즈비와 상대위험도 part. 2 기본 콘텐츠로 건너뛰기

Odds Ratio and Relative Risk ; 오즈비와 상대위험도 part. 2

 지난 글에서 2X2 분할표에서 많이 사용되는 오즈비와 상대위험도의 개념에 대해서 살펴보았다.


그 중에서도 지난 글에서는 오즈비를 사용할 수밖에 없는 경우에 대해 살펴보았다. 

상대위험도가 직관적으로 이해하기 쉽고 위험비에 대한 쉬운 해석을 가능하게 하지만, 그럼에도 불구하고 보건 or 의학 계열에서 오즈비를 많이 사용 할 수밖에 없는 이유에 대해 살펴보았다.

또한 오즈비와 상대위험도는 가끔 동일하게 해석되기도 한다.

(자세한 내용은 이전 글로..)


그럼 이번 글에서는 오즈비와 상대위험도를 동일하게 해석할 수 있는 경우에 대해 살펴보도록 하겠다.


먼저 다음과 같은 오즈비의 특성을 이해해야 한다.


오즈비의 중요 특성: 상대적인 위험도를 과장하는 측면이 있다.


이는 굉장히 중요한 오즈비의 특성인데, Relative Risk 값보다 항상 큰 값을 가진다.

그리고 이는 해당 Event가 흔하게 일어날 수록 더욱 더 과장 된다.


📋예를 들어 보자.

따듯한 차를 마셨을 때와 방안 온도의 차를 마셨을 때 체온이 상승하는지 아니면 그대로 유지되는지에 대해 조사하고 다음과 같은 분할표를 얻었다.


 

체온 상승

유지

Total

Warm tea

90

10

100

Normal temp

20

180

200


먼저 Relative Risk 상대위험도를 구해보자.

$$ \frac{90/100}{20/200} = 9 $$


이번엔 Odds Ratio 오즈비를 구해보자. (유도과정은 이전 글 참고)

$$ \frac{90 * 180}{20 * 10} = 81 $$


이번엔 방금 구한 상대위험도와 오즈비를 해석해보자.

📉RR: 상대위험도는 9로, 이는 따듯한 차를 마신다면 체온이 상승할 확률이 방안 온도의 차를 마셨을 때보다 체온이 상승할 확률이 9배가 더 높다는 의미로 해석할 수 있다.


📈OR: 한편, 오즈비가 81라는 것은 따듯한 차를 마셨을 때 체온이 상승할 오즈가 방안 온도의 차를 마셨을 때 체온이 상승할 오즈보다 81배가 높다는 의미로 해석할 수 있다.


이 실험의 경우 상대적인 비율이 9배라는 것과 81배라는 것은 엄청난 차이가 있다. 그 비율에 있어서도 무려 9배가 차이가 난다. 오즈비 역시 상대적인 위험도를 나타내는 수치이지만 이렇게 큰 차이가 날 경우 오즈비를 상대위험도처럼 해석하면 안된다.


이러한 실험처럼 어떤 Event (이번 사례에서는 체온 상승)가 rare하지 않고 흔하게 일어나는 경우라면 그 상대적인 위험도를 매우 과장시키기 때문에 오즈비를 사용하는 것은 적절하지 않다.



📋이번에는 다음 사례를 살펴보자.

A약과 B약을 복용하였을 때 부작용이 일어날 상대위험도와 오즈비를 구해보도록 하겠다.


 

부작용

정상

Total

Drug A

2

242

244

Drug B

3

478

481


📉먼저 Relative Risk 상대위험도를 구해보자.

$$ \frac{2/244}{3/481} = 1.314 $$


📈이번엔 Odds Ratio 오즈비를 구해보자.

$$ \frac{2 * 478}{3 * 242} = 1.316 $$


역시 오즈비가 상대위험도보다 아주 약간 더 큰 값이 나왔다.

그러나 중요한 점은 오즈비와 상대위험도의 값이 매우 비슷하다는 것이다.

❗이러한 경우에는 오즈비를 상대위험도처럼 해석할 수 있다.


요약하자면, 오즈비는 직관적인 해석이 어려운 대신 상대위험도를 계산할 수 없는 사례-대조 연구에서 사용할 수 있고, 어떤 event가 일어날 사건이 희귀하다면(=확률이 작다면) 충분히 그 해석을 상대위험도로 근사하게 할 수 있다.


댓글

이 블로그의 인기 게시물

민감도와 특이도 - 예측력 측도

민감도와 특이도   Predicted Total Pos Neg Actual Pos a b a+b Neg c d c+d 민감도 sensitivity 는 조건부확률로 실제 양성일 때, 양성으로 판정할 확률이다. $$ Sensitivity = P(Y=1|X=1) , Specificity = P(Y=0|X=0) $$ 이를 위 표에 적용해보면 민감도는 $$ \frac{a}{a+b} $$ 특이도 specificity 는 실제 음성일 때 음성으로 판정할 확률이다. 위 표로부터 구한 특이도는 다음과 같다. $$ \frac{c}{c+d} $$ 따라서 민감도와 특이도가 높을수록 예측력이 좋다고 할 수 있다.

범주형 변수 ; Categorical Variables

 범주형 변수 (categorical variables)의 정의와 예시에 대해 살펴보고 다음 글부터 범주형 변수의 분석 방법에 대해 다루고자 한다. ✅범주형 변수 의 정의: 측정 단위가 여러 범주들의 집합으로 구성되어 있는 변수 범주형 변수는 질적 변수 (qualitative variables) 라고도 일컬어 진다. 📋범주형 변수의 예시 ex 1) 영화장르: 액션 - 로코 - 코미디 - 드라마 ex 2) 백신 접종 여부: 예 - 아니오 ex 3) 최종 학력: 중졸 - 고졸 - 전문대졸 - 대졸 - 대학원졸 ex 4) 행복 수준: 없음 - 가끔 - 꽤 행복 - 항상 행복 범주형 변수는 하위 세 가지 타입의 변수를 갖는다. 1. 이항변수 (Binary variables)        ⇨ 위 예시 2번이 해당       ⇨ [예 or 아니오] 혹은 [찬성 or 반대] 두 가지의 범주만을 갖는 변수들 2. 명목형변수 (Nominal variables)        ⇨ 위 예시 1번이 해당      ⇨ 3개 이상의 범주를 갖고 변수들 사이에 순서에 대한 의미가 없는 변수들 3. 순서형변수 (Ordinal variable)        ⇨ 위 예시 3번과 4번이 해당     ⇨ 범주들이 일정한 순서를 갖는 변수들 (순서에 의미가 있음)  범주형 변수들을 어떻게 분석할 것인가?     ⇨ GLM (Generalised Linear Model) 일반화 선형모형 이용함. 자세한 분석 방법들은 다음 글들에서 다루고자 한다.