Model Building in Logistic Regression Models About Lung Cancer Data

Abstract

In this study, a simple and multiple logistic regression model forms, several of their key features and model building procedures are concerned. Maximum likelihood procedures are used to estimate the model parameters of a logistic model. Interpretation of the coefficients is explained by using odds ratio values.

When the model includes more variables than needed, the greater estimated standard errors become. For this reason, there are some methods to find the best fitting through variables for the model. The final model equations of these methods can be different from each others. Here, the aim is to determine the “best” model.

A logistic regression model is developed by using a database of 1200 patients with lung cancer in Izmir. In order to obtain a solution, univariate analysis, forward selection and backward elimination methods are applied to cancer data. The SPSS software package is used and results are evaluated.

Bu çalışmada, basit ve çoklu lojistik regresyon model yapıları, onların bazı anahtar özellikleri ve model kurma yöntemleri ile ilgilenilmektedir. En çok olabilirlik yöntemleri lojistik modelin parametrelerini tahmin etmek için kullanılır. Katsayıların yorumu odds oran değerleri kullanılarak yapılmaktadır.

Model gereğinden fazla değişken içerdiği zaman, daha büyük standart hatalar elde edilmektedir. Bu nedenle, değişkenler arasındaki en iyi modeli bulmak için bazı yöntemler kullanılmaktadır. Bu yöntemlerin son model denklemleri birbirinden farklılık gösterebilmektedir. Burada amaç “en iyi” modeli bulabilmektir.

Çalışmada lojistik regresyon modeli, İzmir ilindeki akciğer kanserli 1200 hastaya ilişkin veriler kullanarak geliştirilmiştir. Çalışmada tek değişkenli lojistik regresyon çözümlemesi, ileriye doğru seçim ve geriye doğru eleme yöntemleri uygulanmıştır. Çözümlemeler SPSS paket programı kullanılarak yapılmış ve elde edilen sonuçlar tartışılmıştır.