cassionAnalyse de données

Retour à la leçonLeçon 3 sur 8Des résultats en oui ou non

Un rapport de cotes de 0,43 pour un rapport de risques de 0,58

Le même diaporama que les téléchargements, rendu sous forme de page. Lancez le diaporama pour le présenter en plein écran — les flèches ou un clic avancent d'une diapositive, Échap quitte.

Diapositives · PDFDiapositives · PowerPoint

  1. Diapositive 1 / 27

    Ce que couvre cette leçon

    • Ajustez-le, et lisez ce qu'il imprime
    • Pourquoi ils diffèrent, et quand cela empire
    • Le piège qui attrape les analystes, pas seulement les lecteurs
    • Quand le rapport de cotes est le bon nombre
    • La phrase à écrire, et trois à ne pas écrire
    • Rapportez-le en entier
    • La suite
    Notes du présentateur
    Les cas signalant un handicap aboutissent à 26,4 % contre 45,5 %. C'est 58 % du taux, et le modèle logistique imprime 0,43. Les deux nombres décrivent les mêmes données, un seul est ce que le lecteur croit lire, et l'écart se creuse précisément quand le résultat est fréquent.

  2. Diapositive 2 / 27

    Ajustez-le, et lisez ce qu'il imprime — En Python (suite)

    import pandas as pd
import numpy as np
import statsmodels.formula.api as smf

referrals = pd.read_csv("protection-referrals-2024.v1.csv")
referrals["disability"] = referrals["disability_reported"].map(
    {"true": 1, "Yes": 1, "false": 0, "No": 0})

consenting = referrals[referrals["consent_to_refer"]].copy()
consenting["completed"] = (consenting["referral_accepted"]
                           & consenting["days_to_first_service"].notna()).astype(int)
d = consenting.dropna(subset=["disability", "case_category", "age_band",
                              "sex", "service_requested", "admin1"])

crude = smf.logit("completed ~ disability", data=d).fit(disp=0)
print(np.exp(crude.params).round(3))

  3. Diapositive 3 / 27

    Ajustez-le, et lisez ce qu'il imprime — En Python (suite)

    print(np.exp(crude.conf_int()).round(3))

  4. Diapositive 4 / 27

    Ajustez-le, et lisez ce qu'il imprime — En R

    library(dplyr)

crude <- glm(completed ~ disability, data = d, family = binomial())
exp(cbind(OR = coef(crude), confint(crude)))

  5. Diapositive 5 / 27

    Ajustez-le, et lisez ce qu'il imprime

    • Rapport de cotes 0,430, IC à 95 % 0,308 à 0,601
    Notes du présentateur
    Rapport de cotes 0,430, IC à 95 % 0,308 à 0,601. Calculez maintenant ce que les données disent simplement.

  6. Diapositive 6 / 27

    Ajustez-le, et lisez ce qu'il imprime — En Python

    rates = d.groupby("disability")["completed"].agg(["sum", "size", "mean"])
print(rates.round(4))
p1, p0 = rates.loc[1, "mean"], rates.loc[0, "mean"]
print(f"risk ratio        {p1 / p0:.3f}")
print(f"risk difference   {p1 - p0:+.4f}")
print(f"odds ratio        {(p1/(1-p1)) / (p0/(1-p0)):.3f}")

  7. Diapositive 7 / 27

    Ajustez-le, et lisez ce qu'il imprime — En R

    d |> summarise(k = sum(completed), n = n(), rate = mean(completed), .by = disability)

  8. Diapositive 8 / 27

    Ajustez-le, et lisez ce qu'il imprime

    GroupeAboutisnTaux
    Handicap signalé5219726,4 %
    Non signalé6291 38445,5 %

  9. Diapositive 9 / 27

    Ajustez-le, et lisez ce qu'il imprime

    MesureValeurSe lit
    Rapport de risques0,58158 % de chances d'aboutir
    Différence de risques−19,1 points19 aboutissements de moins pour 100 cas
    Rapport de cotes0,430—

  10. Diapositive 10 / 27

    Ajustez-le, et lisez ce qu'il imprime

    • Le modèle a imprimé 0,430 et la réponse vaut 0,581 — Les deux sont corrects ; ce sont des réponses à des questions…
    Notes du présentateur
    Le modèle a imprimé 0,430 et la réponse vaut 0,581. Les deux sont corrects ; ce sont des réponses à des questions différentes, et une seule est la question que quelqu'un a posée.

  11. Diapositive 11 / 27

    Pourquoi ils diffèrent, et quand cela empire — En Python

    for p0 in (0.02, 0.10, 0.25, 0.45, 0.70):
    p1 = 0.6 * p0                      # a true risk ratio of 0.6 throughout
    odds = (p1 / (1 - p1)) / (p0 / (1 - p0))
    print(f"baseline {p0:5.0%}   risk ratio 0.60   odds ratio {odds:.3f}")
    Notes du présentateur
    Une cote vaut p / (1 − p). Quand p est petit, le dénominateur est proche de 1 et les cotes sont proches des risques, si bien que les deux rapports concordent presque. Quand p est grand, non.

  12. Diapositive 12 / 27

    Pourquoi ils diffèrent, et quand cela empire — En R

    # One true risk ratio, five baselines, five different odds ratios.

  13. Diapositive 13 / 27

    Pourquoi ils diffèrent, et quand cela empire

    Risque de baseVrai rapport de risquesRapport de cotes
    2 %0,600,59
    10 %0,600,57
    25 %0,600,53
    45 %0,600,45
    70 %0,600,31

  14. Diapositive 14 / 27

    Pourquoi ils diffèrent, et quand cela empire

    • Le rapport de cotes n'est pas une distorsion fixe du rapport de risques — il dépend du niveau de base — À 2 % de…
    • Les résultats de programme ne sont pas rares — L'aboutissement des orientations vaut 43 %, la présence 88 %,…
    Notes du présentateur
    Le rapport de cotes n'est pas une distorsion fixe du rapport de risques — il dépend du niveau de base. À 2 % de résultat les deux sont interchangeables, ce qui explique la survie du rapport de cotes en épidémiologie, où les résultats sont rares. Les résultats de programme ne sont pas rares. L'aboutissement des orientations vaut 43 %, la présence 88 %, l'inscription 97 %, et à ces niveaux le rapport de cotes est très loin de ce que le lecteur y lira. Ce n'est pas une subtilité — c'est le cas ordinaire dans ce métier.

  15. Diapositive 15 / 27

    Le piège qui attrape les analystes, pas seulement les lecteurs — En Python

    adjusted = smf.logit(
    "completed ~ disability + case_category + age_band + sex"
    " + service_requested + admin1", data=d).fit(disp=0)
print(f"crude OR    {np.exp(crude.params['disability']):.3f}")
print(f"adjusted OR {np.exp(adjusted.params['disability']):.3f}")
    Notes du présentateur
    Ajouter des covariables change un rapport de cotes même sans aucune confusion, ce qui surprend qui n'a travaillé qu'avec des modèles linéaires.

  16. Diapositive 16 / 27

    Le piège qui attrape les analystes, pas seulement les lecteurs — En R

    adjusted <- glm(completed ~ disability + case_category + age_band + sex +
                  service_requested + admin1, data = d, family = binomial())
exp(coef(adjusted))["disability"]

  17. Diapositive 17 / 27

    Le piège qui attrape les analystes, pas seulement les lecteurs

    Rapport de cotesDifférence de risques
    Brut0,430−19,05 points
    Ajusté0,388−19,41 points

  18. Diapositive 18 / 27

    Le piège qui attrape les analystes, pas seulement les lecteurs

    • Le rapport de cotes a bougé de 10 % et la différence de risques d'un tiers de point — La lecture habituelle — «…
    • Une mesure effondrable est égale à la moyenne des mesures de sous-groupes — Les différences et les rapports de risques…
    • Un rapport de cotes ajusté et un rapport de cotes brut ne peuvent donc pas être comparés pour juger d'une confusion —…
    Notes du présentateur
    Le rapport de cotes a bougé de 10 % et la différence de risques d'un tiers de point. La lecture habituelle — « l'ajustement a révélé un effet plus fort » — est fausse ici. Rien n'a été démêlé d'une confusion ; le rapport de cotes n'est simplement pas effondrable. Une mesure effondrable est égale à la moyenne des mesures de sous-groupes. Les différences et les rapports de risques le sont ; les rapports de cotes non. Ajoutez une covariable qui prédit le résultat et le rapport de cotes conditionnel s'éloigne de 1 même si la covariable est sans lien avec l'exposition. Un rapport de cotes ajusté et un rapport de cotes brut ne peuvent donc pas être comparés pour juger d'une confusion. Cette comparaison est le geste standard de tout tutoriel de régression et elle ne fonctionne pas pour les modèles logistiques. Comparez plutôt des différences de risques, que la leçon suivante calcule.

  19. Diapositive 19 / 27

    Quand le rapport de cotes est le bon nombre

    • Une étude cas-témoins — Cas et témoins sont échantillonnés séparément, si bien que les risques ne sont pas estimables…
    • Un résultat rare — En dessous d'environ 10 %, le rapport de cotes approche le rapport de risques d'assez près pour que…
    • Une comparaison avec une littérature publiée en rapports de cotes — Rapportez alors les deux, et menez avec la…
    Notes du présentateur
    Trois cas, et il vaut la peine d'être précis parce que la réponse n'est pas « jamais ». Une étude cas-témoins. Cas et témoins sont échantillonnés séparément, si bien que les risques ne sont pas estimables du tout et que le rapport de cotes est le seul rapport que le protocole autorise. C'est ce pour quoi la mesure a été inventée. Un résultat rare. En dessous d'environ 10 %, le rapport de cotes approche le rapport de risques d'assez près pour que la distinction cesse de compter. Dites quand même lequel vous avez calculé. Une comparaison avec une littérature publiée en rapports de cotes. Rapportez alors les deux, et menez avec la différence de risques.

  20. Diapositive 20 / 27

    Quand le rapport de cotes est le bon nombre — En Python

    def report(label, p1, p0):
    return (f"{label}: {p1:.1%} vs {p0:.1%} — "
            f"risk difference {p1-p0:+.1%}, risk ratio {p1/p0:.2f}, "
            f"odds ratio {(p1/(1-p1))/(p0/(1-p0)):.2f}")

print(report("Referral completion, disability reported", p1, p0))

  21. Diapositive 21 / 27

    Quand le rapport de cotes est le bon nombre — En R

    # Print all three. The reader picks; you do not pick for them by omission.

  22. Diapositive 22 / 27

    La phrase à écrire, et trois à ne pas écrire

    • Pas ceci — « Les cas signalant un handicap avaient 57 % de chances en moins d'aboutir (RC 0,43)
    • Ni ceci — « Le handicap a divisé par deux les cotes d'aboutissement
    • Ni ceci — « RC 0,43 (IC à 95 % 0,31–0,60, p < 0,001)
    • Ceci — « Les cas signalant un handicap ont abouti à 26,4 % contre 45,5 % pour les cas sans handicap signalé — 19,1…
    • La dernière proposition est celle qui travaille — Un rapport de cotes dans un rapport de programme sans traduction à…
    Notes du présentateur
    Pas ceci : « Les cas signalant un handicap avaient 57 % de chances en moins d'aboutir (RC 0,43). » Deux erreurs en une phrase — un rapport de cotes n'est pas une probabilité, et 57 % n'est pas la réduction. Ni ceci : « Le handicap a divisé par deux les cotes d'aboutissement. » Arithmétique correcte, et « divisé par deux » sera lu comme un risque par tous ceux qui ne sont pas statisticiens. Ni ceci : « RC 0,43 (IC à 95 % 0,31–0,60, p < 0,001). » Complet, vérifiable, et cela n'apprend rien d'actionnable à un responsable de programme. Ceci : « Les cas signalant un handicap ont abouti à 26,4 % contre 45,5 % pour les cas sans handicap signalé — 19,1 points de pourcentage de moins (IC à 95 % −25,7 à −12,4), soit 58 % du taux d'aboutissement. Ajusté sur la catégorie de cas, l'âge, le sexe, le service demandé et le département, l'écart vaut 19,4 points. Le rapport de cotes ajusté vaut 0,39 ; il est indiqué ici pour la comparabilité avec les études publiées et ne doit pas être lu comme un risque. » La dernière proposition est celle qui travaille. Un rapport de cotes dans un rapport de programme sans traduction à côté sera lu comme un risque par presque tous ceux qui le verront, y compris ceux qui ont commandé l'analyse.

  23. Diapositive 23 / 27

    Rapportez-le en entier — Exemple (suite)

    Referral completion by disability status, 1,581 consenting cases

  Disability reported     26.4%   52 of 197
  Not reported            45.5%   629 of 1,384

  Risk difference   -19.1 points   95% CI -25.7 to -12.4
  Risk ratio          0.58
  Odds ratio          0.43 (crude), 0.39 (adjusted)

  The odds ratio is reported for comparability only. Completion is a common
  outcome (43% overall), so the odds ratio overstates the relative
  difference: 0.43 in odds is 0.58 in risk.

  The adjusted odds ratio differs from the crude one partly because the odds
  ratio is not collapsible, not only because of confounding. The adjusted
  risk difference is -19.4 points, essentially unchanged from crude.

  24. Diapositive 24 / 27

    Rapportez-le en entier — Exemple (suite)

    
  Fitted on the 1,581 consenting cases with complete covariates. The
  statistics course reported this gap on all 1,638 consenting cases and got
  -19.4 points; the 57-case difference is the complete-case restriction.

  25. Diapositive 25 / 27

    Rapportez-le en entier

    • Le dernier paragraphe fait deux lignes et prévient la surinterprétation la plus courante — celle qui veut que…
    Notes du présentateur
    Le dernier paragraphe fait deux lignes et prévient la surinterprétation la plus courante — celle qui veut que l'ajustement ait « renforcé » un constat quand la mesure a simplement bougé pour des raisons arithmétiques.

  26. Diapositive 26 / 27

    La suite

    • Un modèle logistique imprime des coefficients sur une échelle où personne ne pense.
    Notes du présentateur
    Un modèle logistique imprime des coefficients sur une échelle où personne ne pense. La leçon suivante les reconvertit en probabilités — le nombre qu'un responsable de programme peut multiplier par une charge de cas — et montre ce que le modèle dit des deux portes que la filière d'orientation possède réellement.

  27. Diapositive 27 / 27

    La suite

    Lire la leçon complète, avec le code exécutable Retour à la leçon