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.

통계 : Dummy Variable Trap

 Regression model을 만들다 보면, 독립변수로 명목형 변수를 사용할 때가 많다. 지역이나 성별, biomaker유/무 등이 대표적으로 많이 사용되는 명목형 변수로, 특히 medical 저널에서는 성별을 covariate으로 취급하여 성별에 따른 종속변수의 차이를 보고자 할 때가 많다. 명목형 변수들은 Dummy Variable로 바꾸어서 regression model을 만드는데, one hot 인코딩 방식으로 더미 변수들을 만든다. 예를 들면,  ❕ male=0, female=1 ❕ Biomarker유=1, Biomarker무=0 이런식으로 만든다. 이와 같은 binary 데이터들은 더미 변수로 만드는 것도 쉽고 큰 문제가 되지 않는다. one-hot encoding의 이유는, 0과 1 대신 빨간색, 녹색, 파란색을 1,2,3 으로 코딩해버리면, 적합한 모델은 숫자가 더 큰 3을 빨간색보다 더 중요한 인자로 생각하게 되기 때문이다. 학력처럼 순서형이면 각 숫자에 의미가 있지만 여러 컬러처럼 단순 명목형일 때에는 one-hot 인코딩을 해야한다.  (단, 컬러가 연함 - 진함과 같이 순서형이라면 굳이 one-hot 인코딩을 안해도 된다.) one-hot encoding 의 예시는 아래 세 가지 카테고리로 보면 더 명확하게 이해가 된다. (image출처: https://towardsdatascience.com/encoding-categorical-variables-one-hot-vs-dummy-encoding-6d5b9c46e2db) 그럼 binary 말고 여러 카테고리가 있는 변수의 경우는 어떤 식으로 더미 변수를 만들까? Regression 모델을 만들 때에는 k개의 카테고리가 있다면, k-1개의 더미변수를 생성하게 된다. 위 그림에서 Blue일 때, d1, d2, d3 모두 0으로 코딩해도 Red, Green과 차이가 있으므로, d1과 d2만 만들어도 무방하다는 의미이다. 즉, d1과 d2가 0일 때, Blue가...

GLM과 이탈도 - 모형검정 & 적합도검정

 GLM에서 이탈도 이탈도 Deviance란 무엇일까? GLM에서 이탈도 deviance는 선형회귀모형에서 잔차제곱합에 대응하는 값으로 표본과 적합된 모형 간 편차를 정량화 하는 값이다. GLM에서 이탈도로 할 수 있는 검정이 무엇이 있을까? 1. 모형의 유의성 검정 2. 모형의 적합도평가 GLM 모형을 적합하면 다음과 같은 결과가 나오는데, 이탈도 값은 2개가 나온다. ①Null deviance ②Residual deviance 이 두 개의 이탈도 값이다. ①Null deviance는 절편만 있는 모형에서의 이탈도 ②Residual deviance는 β  가 포함된 모형에서의 이탈도를 의미한다. 먼저 ① 모형의 유의성 검정 을 살펴보겠다. 유의성 검정에서의 귀무가설과 대립가설은 다음과 같다. 귀무가설:  β1  =  β2  = 0 (Null model) 대립가설: 적어도 하나는 0이 아니다. 이를 검정하기 위한 검정통계량 LR(=가능도비 검정통계량) 은 다음과 같다. LR = [Null deviance] - [Residual deviance] = 2(현재모형 하에서 로그가능도 함수의 최댓값 - 귀무가설 하에서 로그가능도 함수의 최댓값) 따라서 이를 위 적합 결과에 적용하면 $$ LR = 225.76 - 189.12 = 36.64 $$ $$ 1 - pchisq(36.64, df=2) = 1.1(10)^{-8} $$ 결론: 유의확률이 매우 작으므로 귀무가설을 기각하고 대립가설을 선택할 수 있다. 모형의 유의성 검정에 대해 살펴보았으니 이번에는 두 번째인 ② 모형의 적합도 검정 을 살펴보자. 적합도 검정에서의 귀무가설과 대립가설은 다음과 같다. 귀무가설: 현재의 단순한 모형 M (=모형M에 포함되지 않은 모수들은 모두 0이다.) 대립가설: 포화모형 saturated model 이를 검정하기 위한 검정통계량은 이탈도 통계량으로 다음과 같이 정의한다. 이탈도 통계량 = 2[포화모형 로그가능도함수의 최댓값 ...