使用标准化标志物的逻辑回归分析
应用统计
2013-12-02 v1
摘要
诊断性生物标志物研究的数据分析通常采用两种不同的方法。逻辑回归用于拟合给定标志物值时的患病概率模型，而ROC曲线和风险分布则用于评估分类性能。在本文中，我们提出了一种能同时完成这两项任务的方法。关键步骤是在将标志物纳入逻辑回归模型之前，相对于非患病人群对其进行标准化。该方法的优点包括：(i) 确保回归结果与性能评估结果彼此一致；(ii) 允许以熟悉的方式处理协变量调整以及协变量对ROC曲线的影响；(iii) 提供一种机制，将关于ROC曲线结构的重要假设纳入拟合的风险模型。我们针对合并来自多个研究、人群或生物标志物测量平台的数据集的问题，当各数据源的ROC曲线相似时，详细阐述了该方法。该方法适用于队列研究和病例对照研究两种抽样设计。推动此应用的数据集涉及前列腺癌抗原3 (PCA3) 用于诊断有或无既往阴性活检史患者的前列腺癌，其中发现PCA3的ROC曲线在这两个人群中是相同的。推导了估计的约束最大似然估计量和经验似然估计量。在模拟研究中比较了这些估计量，并用PCA3数据集说明了这些方法。
引用
@article{arxiv.1311.7333,
title = {Logistic regression analysis with standardized markers},
author = {Ying Huang and Margaret S. Pepe and Ziding Feng},
journal= {arXiv preprint arXiv:1311.7333},
year = {2013}
}
备注
Published in at http://dx.doi.org/10.1214/13-AOAS634 the Annals of Applied Statistics (http://www.imstat.org/aoas/) by the Institute of Mathematical Statistics (http://www.imstat.org)