Which Test?

Logistic regression

Schat hoe de odds op een ja/nee-uitkomst verandert met een of meer factoren, bij gelijkblijvende overige factoren.

Statistisch beoordeeld door Hidde Stek op 4 november 2026 (op basis van de Engelse versie).

Klinisch voorbeeld

Verschillen de odds op een postoperatieve complicatie tussen patiënten met en zonder diabetes, als leeftijd en type operatie worden meegenomen?

Wanneer te gebruiken

  • De uitkomst is ja of nee, één per patiënt.
  • Elke patiënt wordt dezelfde vaste periode gevolgd, of de uitkomst wordt één keer gemeten.
  • U moet corrigeren voor andere variabelen, of de uitkomst relateren aan een continue factor.
  • U hebt genoeg patiënten in de kleinste uitkomstgroep voor het aantal parameters dat u wilt opnemen.

Aannames om te controleren

Onafhankelijke waarnemingen

Eén waarde per patiënt. Herhaalde metingen of geclusterde patiënten vragen GEE of een gemengd model.

Lineariteit op de logitschaal

Van een continue factor wordt aangenomen dat die een rechtlijnig verband met de log-odds heeft. Controleer dit door een restricted cubic spline of een kwadratische term voor die factor toe te voegen en te kijken of de fit of de schattingen veranderen.

Genoeg events per parameter

Als vuistregel ongeveer 10 events per parameter (Peduzzi et al. 1996). Het beperkende aantal is dat van de kleinste van de twee uitkomstgroepen, events of non-events: als 85% van de patiënten een complicatie krijgt, beperken de 15% zonder complicatie het model. Tel parameters, geen predictoren: een factor met 4 niveaus gebruikt er 3. De regel is omstreden. Vittinghoff en McCulloch (2007) vonden dat 5 tot 9 events per parameter voor correctie vaak voldoende is, en voor predictiemodellen raden Riley et al. (2019, 2020) een formele steekproefberekening aan.

Geen separatie of schaarse data

Zeer grote odds ratio's met extreem brede betrouwbaarheidsintervallen zijn het waarschuwingssignaal, vaak bij weinig events of een factor die de uitkomst bijna perfect voorspelt. Firth's gepenaliseerde logistische regressie (of exacte logistische regressie) lost dit op.

Controleer eerst

  • Het event is de uitkomst die als 1 is gecodeerd: in R het tweede niveau van de factor, in SPSS de hogere code. Als u het andersom codeert, draait elke odds ratio om.

Wat te rapporteren

  • Odds ratio met 95%-BI voor uw hoofdfactor, ongecorrigeerd en gecorrigeerd
  • De variabelen waarvoor u hebt gecorrigeerd, en waarom
  • Hoe de uitkomst is gecodeerd (welke uitkomst het event is) en de referentiecategorie van elke factor
  • De eenheid van elke continue factor (bijvoorbeeld per levensjaar) en of die lineair of met een spline is gemodelleerd
  • Het aantal events en het aantal patiënten in het model, en hoeveel er zijn weggelaten door ontbrekende data

Veelgemaakte fouten

Vermijd het selecteren van variabelen stapsgewijs of op p-waarde

Het neigt naar overfitting, vertekent de schattingen en maakt betrouwbaarheidsintervallen te smal. Kies variabelen vooraf, bijvoorbeeld met een causaal diagram (DAG).

Een odds ratio is geen risicoratio

Als de uitkomst vaak voorkomt (bij meer dan ongeveer 10% van de patiënten), ligt de odds ratio verder van 1 dan de risicoratio. Log-binomiale regressie geeft in plaats daarvan een risico- of prevalentieratio. Beschrijf een odds ratio van 2 niet als "twee keer het risico".

Dichotomiseer een meting niet

Een continue variabele in hoog en laag knippen ("bloeddruk boven 140") gooit informatie en onderscheidend vermogen weg, en de afkapwaarde is vaak willekeurig.

Odds ratio's tussen subgroepen vergelijken in plaats van een interactie te toetsen.

Alternatieven

Als uw situatie is…Gebruik
Herhaalde metingen of geclusterde patiëntenGEE and mixed-effects logistic regression
Corrigeren is niet nodigChi-square test
Veelvoorkomende uitkomst in een cohort of trial en u wilt een risicoratio (log-binomiaal, of Poisson met robuuste SE)Log-binomial regression
Gematchte case-controlstudieConditional logistic regression
Follow-uptijd verschilt of patiënten zijn gecensureerdCox proportional hazards regression
Geordende uitkomstcategorieënProportional odds (ordinal logistic) regression
Drie of meer ongeordende categorieënMultinomial logistic regression
Een predictiemodel bouwen in plaats van één effect schatten: gebruik gepenaliseerde regressie (bijvoorbeeld LASSO of ridge) in plaats van stapsgewijze selectiePrediction models (not covered yet)

In uw software

R
# R
# complication: 0/1, of een factor waarvan het tweede niveau het event is
# surgery_type als factor: het eerste niveau is de referentie
cohort$surgery_type <- factor(cohort$surgery_type)
fit <- glm(complication ~ diabetes + age + surgery_type,
           family = binomial, data = cohort)
nobs(fit)   # gebruikte patiënten; glm laat ontbrekende waarden stil weg
or <- exp(cbind(OR = coef(fit), confint(fit)))
or[-1, ]    # intercept weggelaten: basis-odds, geen OR
SPSS
LOGISTIC REGRESSION VARIABLES complication
  /METHOD=ENTER diabetes age surgery_type
  /CATEGORICAL=surgery_type
  /CONTRAST(surgery_type)=Indicator(1)
  /PRINT=CI(95).

Bronnen