我感兴趣的治疗协变量相互作用的实验背景/随机对照试验,用二进制治疗分配指标。
根据具体的方法/来源,我分别看到已治疗和未治疗受试者的和。Ť = { 1 ,- 1 }
使用或有什么经验法则吗?{ 1 ,- 1 }
解释有何不同?
我感兴趣的治疗协变量相互作用的实验背景/随机对照试验,用二进制治疗分配指标。
根据具体的方法/来源,我分别看到已治疗和未治疗受试者的和。Ť = { 1 ,- 1 }
使用或有什么经验法则吗?{ 1 ,- 1 }
解释有何不同?
Answers:
指标变量的估计值和截距的解释不同。让我们从:
说你有以下模型
哪里
在这种情况下,您最终得到的以下公式:
因此,的解释是安慰剂的作用,的解释是安慰剂的作用与药物作用之间的差异。实际上,您可以将解释为该药物提供的改进。β 1 β 1
现在让我们看一下:
然后,您将具有以下模型(再次):
但是哪里
在这种情况下,您最终得到的以下公式:
此处的解释是是安慰剂作用和药物作用的平均值,而是两种治疗方法与该平均值的差。β 1
的解释在基本上是一个基线。您设置了一些标准处理,并将所有其他处理(可以有多个)与该标准/基准进行比较。特别是当您开始添加其他协变量时,就标准医学问题而言,这仍然很容易解释:这些药物与安慰剂或既定药物相比如何? { 0 ,1 }
但是最后,这全都是解释问题,我在上面已经解释过。因此,您应该评估您的假设并检查哪种解释使结论的绘制最直接。
线性回归的,上下文是用于编码二进制变量(是否将它们放置在回归的右手侧的左手侧)更自然(和标准)的方法。正如@Jarko Dubbeldam解释的那样,您当然可以使用其他解释,并且系数的含义会有所不同。
举一个例子的其他方式,编码输出变量编程或导出数学底层时是标准的支持向量机。(在调用库时,您希望以库期望的格式传递数据,该格式可能是0、1的公式。)
尝试使用正在执行/正在使用的标准符号。
对于任何具有截距项的线性模型,这两种方法在它们通过简单的线性变换关联的意义上是等效的。在数学上,它不会不管你是否使用数据矩阵或数据矩阵〜X = X 一个,其中一个是满秩。在广义线性模型,您估计系数无论哪种方式,将通过线性变换有关一个和拟合值Ÿ将是相同的。
这是更抽象的(也许没有用),但是我会注意到,从数学的角度来看,这两种表示实际上是组表示,并且它们之间存在同构。
从本质上讲,布尔值指示符变量的含义是“因果为真”或“因果为假”。给定两个事件T 1和T 2,您可能会问“这两个事件的因数是否相等,例如,它们是对还是错?在布尔逻辑,这是Ť 1 ⇔ Ť 2。这定义了组结构Z 2。现在,1 ,0和1 ,- 1所这组的两个形式表示,与该组操作一个⇔ b = 1 - (一和一个⇔ b = 一个b,分别。从第一个表示到第二个表示的同构由 ϕ (a )= 2 ∗ a − 1给出。