ODD's ratio

Bonjour, j'ai créé un tableau géant regroupant 60 x 60 variables, rempli avec les ODD's ratios.

Cependant, j'ai des données qui me semblent aberrantes. Je trouve des ODD's ratios de 30.

Voici donc ma question :
Y a-t'il certaines contraintes pour supposer le calcul juste ?

J'ai une table de la sorte :

M NM
M 2 8
NM 1 129

et je trouve un ODD's de 30.

Faut-il une valeur minimum pour chaque donnée par case du tableau de contingence pour appliquer la formule ?

Je vous remercie d'avance.

Cependant, j'ai des données qui me semblent aberrantes. Je trouve des ODD's ratios de 30.

un odds ratio n'est pas limité donc je ne vois aucun problème dans le fait d'obtenir une valeur de 30.

Nik

Merci pour ta réponse.

Cependant, j'ai reçu un message me disant le contraire :

"C'est une bonne idée d'appliquer le calcul d'OR dans votre stage, j'espere toutefois que cela répond bien à la question posée.
Le mieux est de passer par des modeles logistiques,qui vous donne directement la significativité de l'OR. (généralement quand un resultat est un peu aberrant cela se voit au niveau de l'écart-type et la valeur du p).
Au niveau des contraintes, il n'y a pas forcément de regle précise par contre avoir tres peu d'effectifs dans certaines cases peut vous amener à trouver n'importe quoi. Je conseillerais un minimum de 5% par case ou comme un peu les hypothèses d'un test du CHI2.
N'hesitez pas si vous avez d'autres questions.
Bon courage"

Je ne vois pas comment on peut estimer que l'odds ratio est aberrant grâce à une régression linéaire ou en regardant la variance.

Qu'en penses-tu ?

Car les coefficients d'une régression logistique (et pas linéaire) s’interprète comme un odd ratio. (l'exponentiel du coef je crois, à vérifier)
Ainsi même si l'odd ratio est très élevé il n'apporte pas forcement quelque chose au modèle.
Mais pour faire un modèle, il faut avoir une problématique, il ne faut pas faire de modèle dans le seul but de voir si tes odd ratio sont significatifs (car ils sont "significatifs" dans un contexte bien précis)

Merci pour ta réponse, mais quel est le contexte alors ?

Je teste la mutation de gènes en fonction d'autres variables binaires, c'est un contexte justifié ?

gène muté ={oui=1;non=0} en fonction de variables binaires.

Tu peux bien-sûr faire une régression logistique là-dessus.

L'odd ratio sera bien l'exponentielle du coefficient et s'interprète :
tu as x fois plus de chance d'avoir une mutation avec la modalité 1 par rapport à la modalité 0 de ta variable explicative.

Bonjour,

L'OR s'interprète comme niaboc le dit seulement si la prévalence est faible (dans ce cas OR à peu près égal au RR). Sinon, l'OR n'a pas d'interprétation directe.
Un OR de 30 peut être correct, cela dépend surtout de son IC. Si l'IC est [0.2;3000] l'estimation est foireuse, mais si l'étendue de l'IC est faible, pas de problème.

Ayana

D'accord donc je dois prendre en compte deux choses :

-La comparaison de l'OR avec le RR
-l'IC

et puis faire une régression logistisque, qui d'ailleurs doit contenir toutes ces sorties j'imagine.

La régression logistique estime un OR et son IC. Pour estimer directement le RR on peut utiliser une distribution de poisson avec log comme lien plutôt que la distribution binomiale et le lien logit de la régression logistique.

Je devrais y arriver avec R.

Je vous remercie !

je sais pas si c'est moi mais en relisant le fil, je trouve qu'on s'est sérieusement éloigné de la question de départ.

La question qu'il faut que tu te poses est déjà de savoir pourquoi tu as fait ces odds ratio à partir des 60 variables. Quel est l'objectif initial ? La modélisation est elle bien ce à quoi tu veux arriver ?

L'OR s'interprète comme niaboc le dit seulement si la prévalence est faible (dans ce cas OR à peu près égal au RR). Sinon, l'OR n'a pas d'interprétation directe.

Non l'odds a bien toujours une interprétabilité directe. La différence avec le risque relatif tel que pratique dans le domaine biomédicale est simplement une affaire de contextualisation des évènements et non-évènements pour le calcul des probas.Ce n'est pas parce que la valeur obtenue ne correspond pas exactement à ce qu'attendent les médecins que ça n'a pas de sens.

Je n'ai pas dit que ca n'avait pas de sens, mais pas d'interprétation facile... Avec un OR à 30 on n'a pas le droit de dire que le risque est 30 fois plus important dans un groupe que dans l'autre, c'est seulement ça que j'ai voulu dire

Pour moi, ça se discute, si on regarde mon tableau :

Si j'obtiens une donnée de plus dans NM-M, j'obtiens un OR de 16, ce qui est presque la moitié.
C'est pourquoi l'interprétation me fait douter.

Mon but est d'expliquer par exemple : Le gène X aura n fois plus de chance d'être muté si le gène Y est muté.

J'essaye de trouver des OR éloignés de [0.75 , 1.5] afin de pouvoir trouver une liaison.

Quelqu'un m'a dit qu'il faut au moins un effectif de 5% dans chacune des cases du tableau de contingence afin que le test soit interprétable.

Mais tout le monde ne me dit pas la même chose donc je ne sais pas quoi faire.

L'intervalle de confiance obtenu est large?

Je n'ai pas calculé l'IC pour l'instant, le seul moyen que je connaisse est la régression mais je ne compte pas la faire aujourd'hui.

Si tu connais une méthode ou fonction rapide sur R, je peux la faire maintenant.

http://www.aly-abbara.com/utilitaires/statistiques/khi_carre_rr_odds_ratio_ic.html

Même si les termes sont médicaux, ca colle pour n'imprte quelle table de contingence

Très bon lien !

Alors :

IC(95%)=[-0.26 ; 4.54]
écart-type=4
OR=32
RR=26
(ils sont très proches)
Chi2=16,38

IC-OR(woolf)=[3 ; 395]
IC-OR(Miettinin)=[6 ; 173]

Les Intervalles de confiance de l'OR sont quand même assez énormes

Vus les IC de l'OR effectivement, il y a un soucis, probablement à cause des effectifs. En revanche, je trouve que 26 et 32 c'est pas si proche que ça^^

En effet !

Je vais créer une fonction RR (le calcul est simple), et je vais faire une boucle qui n'affichera que les OR proches du RR (RR=[0.75 OR ; 1.5 OR]).

ça devrait aller comme ça ?

Ayana a écrit:Bonjour,

L'OR s'interprète comme niaboc le dit seulement si la prévalence est faible (dans ce cas OR à peu près égal au RR).

ok

Ayana a écrit:
Sinon, l'OR n'a pas d'interprétation directe.

Je vais m'exprimer avec un exemple :

sur 100 homme : 40 sont alcooliques
sur 100 femmes : 20 sont alcooliques.

RR(H/F)=0.4/0.2=2
Tu as donc 2 fois plus de "chance" d'être alcoolique si t'es un homme plutôt qu'une femme.

OR(H/F)=(0.4/0.6)*(0.8/0.2)=2.7
Tu as donc 2.7 fois plus de "chance" d'être alcoolique plutôt que non-alcoolique quand t'es un homme plutôt qu'une femme.

C'est comme ça que je l'interprète... directement.

Aaahhhh ok!!! Merci pour l'explication. Dans ce cas nous sommes parfaitement d'accord, et c'est surtout en régression logistique multivariée que les interprétations d'OR se compliquent.

"Tu as donc 2 fois plus de "chance" d'être alcoolique si t'es un homme plutôt qu'une femme.
Tu as donc 2.7 fois plus de "chance" d'être alcoolique plutôt que non-alcoolique quand t'es un homme plutôt qu'une femme."

Je ne comprends pas la différence, les OR se font toujours sur des données binaires, tu es donc soit alcoolique, soit non-alcoolique.

En quoi le risque d'être "alcoolique plutôt que non-alcoolique" est différent du risque d'être "alcoolique" ?

Oui, du moins c'est comme ça que je comprends la différence entre ces deux formules :

P(Y=1|X=1)/P(Y=1|X=0)= RR

P(Y=1|X=1)/P(Y=0|X=1)
---------------------------- =OR
P(Y=1|X=0)/P(Y=0|X=0)

zezima a écrit:"En quoi le risque d'être "alcoolique plutôt que non-alcoolique" est différent du risque d'être "alcoolique" ?

il faut pas séparer ça de la suite : "quand t'es un homme plutôt qu'une femme".

Ah d'accord ! On compare donc les risques au sein d'un groupe pour le RR et on compare les risques totaux pour l'OR.

Merci pour ces expliquations

Ah d'accord ! On compare donc les risques au sein d'un groupe pour le RR et on compare les risques totaux pour l'OR.

Exactement. Le risque relatif est une autre mesure. C'est une sorte d'odds-ratio conditionnel donc on ne peut le comparer directement à un odds.
La confusion provient sans doute de la manière de rédiger les conclusions. Et du coup je redis que je suis pas d'accord sur le fait que l'odds n'a pas d'interprétation directe. Il ne s'interprète effectivement pas comme le RR puisqu'il ne mesure pas la même chose mais c'est bien un rapport de probabilité entre l'évènement "A" et l'évènement "non A".