泊松与逻辑回归

我有一组不同随访时间的患者。到目前为止，我无视时间方面，只需要对二进制结果-疾病/无疾病建模。我通常在这些研究中进行逻辑回归，但是我的另一个同事问泊松回归是否合适。我对泊松不是很感兴趣，对于在这种情况下进行泊松的利弊可与logistic回归进行比较尚不确定。我阅读了Poisson回归以估计二元结果的相对风险，但在这种情况下我仍不确定Poisson回归的优点。

解决此问题的一种方法是假设事件的数量（如爆发）与时间成正比。如果用表示个体暴露水平（在您的情况下为随访时间），则在此情况下，如果随访时间是原来的两倍，则预期计数将增加一倍，其他所有条件都相同。这可以在代数上等效于的模型这只是泊松模型，其中的系数限制为。您还可以通过放宽约束并测试假设来测试比例假设。E [ y | X $t$E[y| X]=EXP{X'β+日志吨}，日志吨1β升Ö克（吨）=$\frac{E[y \vert x]}{t}=\exp\{x'\beta\}.$$E[y \vert x]=\exp\{x'\beta+\log{t}\},$$\log t$$1$$\beta_{log(t)}=1$

但是，这听起来并不像您观察到事件的数量，因为您的结果是二元的（或者对您的疾病而言可能没有意义）。这使我相信，具有对数偏移量的逻辑模型在这里更为合适。

这个数据集听起来像一个人年数据集，其结果是一个事件（这是正确的吗？），并且在事件发生之前的后续行动也不尽相同。在那种情况下，这听起来像是一项同类研究（假设我了解正在研究的内容），因此，可能需要进行泊松回归或生存分析（kaplan-meier和cox比例风险回归）。