समायोजन बनाम मिलान [डुप्लिकेट]
कबूल करने की स्थिति समूहों के बीच काफी हद तक अलग है, इस बारे में मेरे पास एक सवाल है कि समायोजन बनाम मिलान। उदाहरण के लिए, पुरुषों में पार्किंसंस रोग और संवहनी रोग होने का खतरा अधिक होता है; जबकि, महिलाओं को अल्जाइमर रोग और एमएस के लिए अतिसंवेदनशील होते हैं।
यह कहें कि पार्किंसन और मनोभ्रंश को संवहनी जोखिम का आकलन करना चाहता है। इस मामले में, उम्र और लिंग दोनों जोखिम और परिणाम के लिए मजबूत कन्फ़्यूडर होने के लिए जाने जाते हैं। क्या प्रतिगमन में कन्वेन्डर को अधिक विश्वसनीय या मेल खाते हुए समायोजित करना चाहिए?
मैं पूछ रहा हूं क्योंकि मुझे बहुत अच्छी तरह से सैंपल पर आधारित आबादी वाले कॉहोर्ट में बहुत अलग परिणाम मिले। एक तरफ, संवहनी जोखिम परिणामों (या = 14.4 [5.92,35.2]) के साथ अत्यधिक जुड़ा हुआ था, लेकिन यह पूरी तरह से जाने के बाद मैं दो समूहों (रोग बनाम रोग-मुक्त) से मेल खाता था (OR = 1.29 [0.92,35.82] ) है। परिणाम मिलान समूहों में बहुत मजबूत थे (मैंने कई बार अलग-अलग अनुपात और अलग-अलग तरीकों से मिलान करने की कोशिश की है)।
मुझे व्यक्तिगत रूप से लगता है कि उम्र और लिंग वितरण में बहुत अंतर होने के कारण, प्रतिगमन समायोजन पूरी तरह से भ्रमित करने के लिए जिम्मेदार नहीं हो सकता है। इसलिए, मिलान से परिणाम अधिक विश्वसनीय हैं। इसका एक प्रमाण यह है कि मिलान के बाद, पीडी केवल संवहनी जोखिम के स्कोर पर 0.1 वेतन वृद्धि में योगदान देता है। इसलिए, यह संभावना नहीं है कि एसोसिएशन वास्तविक थी।
जवाब
सामान्यतया, मिलान का सुझाव दिया जाता है यदि
- सभी डेटा एकत्र नहीं किए गए हैं और आप $ बचाना चाहते हैं या
- जिन मापों को आप समायोजित करना चाहते हैं, वे मॉडल के लिए कठिन हैं (आमतौर पर बड़ी संख्या में विभिन्न श्रेणियों के होने के कारण), जैसे व्यवसाय या ज़िप कोड
आपकी स्थिति मॉडल-आधारित समायोजन के लिए अधिक उपयुक्त हो सकती है, लेकिन मॉडलिंग अभ्यास अनुपस्थिति-अंतःक्रियात्मक मान्यताओं को उजागर करेगा जिन्हें आपको असंतुलित डेटा के आधार पर बनाने की आवश्यकता होगी।