Lojistik Regresyon Analizi Yardımıyla Denekte Menopoz Evresine Geçişe İlişkin Bir Sınıflandırma Modelinin Elde Edilmesi

Year 2005, Volume: 1 Issue: 25, 19 - 28, 01.12.2005

Neslihan İyit Aşır Genç

Abstract

Menopoz; kadında yumurtalıkların östrojen yapımını kesmelerinden itibaren gelişen ve kadının doğurganlık döneminden kısırlık dönemine geçişini tanımlayan bir evredir. Yapılan bu çalışmada, temel olarak menopozun varlığı veya yokluğunun belirlenebilmesi için kurulacak lojistik model yardımıyla, deneklerin bu fiziksel durumdan hangisine sahip olduklarını tahmin etmeye yardımcı olan bir sınıflandırma modeli elde etmek hedeflenmiştir. Yaş, E2 hormon seviyesi, kürtaj sayısı, operasyon özgeçmişi, ateş-ter basması, uykusuzluk problemi, idrar sorunu ve kanama problemi değişkenleri denekte menopoz sorunu ile karşılaşma durumunu etkilediği düşünülen olası risk faktörleri olarak ele alınmış ve kurulması öngörülen lojit model yardımıyla anlamlı bulunmuştur. Uygulanan lojistik regresyon modeli; menopoz şikayetleri ile Konya bölgesinin kırsal ve kent kesiminden özel bir kliniğe başvuran 115 hastaya ilişkin verileri %93 oranında başarıyla sınıflandırmıştır.

Keywords

Menopoz, lojistik regresyon analizi, Wald test istatistiği, Box-Tidwell yaklaşımı, Hosmer-Lemeshow Cˆg istatistiği

Obtaining a Classification Model Relating to Transition Stage to Menopause In an Individual by Using Logistic Regression Model

Abstract

Menopause is a stage in any female’s life period defined as transition from prolificacy period to sterility (barenness) period develops with stopping ovaries producing eustrogen hormone. In this study ,basically, it is aimed to obtain a classification model for the purpose of estimating which physical situation does an individual have in determining presence or absence of menopause by a logistic model. In the model building stage; risk factors such as age, E2 hormone level, number of curettage, gynecologic operation history, hot feeling-sweating, sleeping problem, uriner problems and hemorrhage problem are found significant to determine an individual having menopause problem by a logit model. As a result of this study, it is concluded that the logistic regression model classified 115 patients data ,coming to a private clinique from both rural and urban area of Konya with menopause complaints, as in menopause stage or not successively by the ratio 93%.

Keywords

Menopause, logistic regression analysis, Wald test statistics, Box-Tidwell Approximation, Hosmer-Lemeshow’s Cˆg statistics

References

• İyit, N., Lineer Olmayan Lojistik Regresyon Analizinde Model Kurma Stratejileri ve Bir Uygulaması, Basılmamış Yüksek Lisans Tezi, Selçuk Üniversitesi, Konya, (2003).
• Bagley, S.C., White H., Golomb, B.A., Logistic Regression in the Medical Literature: Standards for Use and Reporting, with Particular Attention to one Medical Domain, Journal of Clinical Epidemiology, 54, 979-985, (2001).
• Aldrich, H.J., Nelson, D.F., Linear Probability Logit and Probit Models, Sage Publications, London, (1986).
• Hosmer, D. W. and Lemeshow, S., Applied Logistic Regression, John Wiley& Sons Inc. New York, (1989).
• Menard S., Applied Logistic Regression Analysis, Sage Publications, California, (1995).
• Kleinbaum, D.G., Logistic Regression: A Self Learning Text, Springer-Verlag, New York, (1994).
• Berkson, J., Application of the Logistic Function to Bio-Assay, Journal of The American Statistical Association, 39, 357-365, (1944).
• Cox, D.R., Analysis of Binary Data, Chapman and Hall, London, (1970).
• Anderson, J.A., Multivariate Logistic Compounds, Biometrika, 66, 17-26, (1979).
• Anderson, J.A., Robust Inference Using Logistic Models, Bulletin of International Statistical Institute, 48, 35-53, (1983).
• Aranda-Ordaz, F.J., On Two Families of Transformations to Additivity for Binary Response Data, Biometrika 68, 357-363, (1981).
• Brown, C.C., On a Goodness of Fit Test for the Logistic Model Based on Score Statistics, Communications in Statistics Theory and Method, 11, 1087-1105, (1982).
• Johnson, W., Influence Measures for Logistic Regression: Another Point of View, Biometrika, 72, 59-65, (1985).
• Pregibon, D., Logistic Regression Diagnostics, The Annals of Statistics, 9, 705-724, (1981).
• Lesaffre, E., Logistic Discriminant Analysis with Applications in Electrocardiography, Doktora Tezi, Katholieke Universiteit Leuven, Belgium, (1986).
• Lesaffre, E., Albert, A., Multiple Group Logistic Regression Diagnostics, Applied Statistics, 38, 425-440, (1989).
• Bendel, R.B., and Afifi, A.A., Comparison of Stopping Rules in Forward Regression, Journal of the American Statistical Association, 72, 46-53, (1977).
• Mickey, J., and Greenland, S., A Study of the Impact of Confounder-Selection Criteria on Effect Estimation, American Journal of Epidemiology, 129, 125-137, (1989).
• Guerro, V.M. and Johnson, R.A., Use of the Box-Cox Transformation with Binary Response Models, Biometrika, 69, 309-314, (1982).
• Hosmer, D. W., Lemeshow, S., A Review of Goodness of Fit Statistics for Use in the Development of Logistic Regression Models, Am. J. Epidemiol., 115, 92-106, (1982).