I mitt felt er den beskrivende delen av rapporten ekstremt viktig fordi den setter sammenheng for generalisering av resultatene. For eksempel ønsker en forsker å identifisere prediktorer for traumatisk hjerneskade etter motorsykkelulykker i et utvalg fra et sykehus. Hennes avhengige variabel er binær, og hun hadde en serie uavhengige variabler. Multivariabel logistisk regresjon tillot henne å produsere følgende funn:

• ingen hjelmbruk justert OR = 4,5 (95% KI 3,6, 5,5) sammenlignet med hjelmbruk.
• alle andre variabler ble ikke inkludert i den endelige modellen.

For å være tydelig var det ingen problemer med modelleringen. Vi fokuserer på verdien som beskrivende statistikk kan legge til.

Uten den beskrivende statistikken kan en leser ikke sette disse funnene i perspektiv. Hvorfor? La meg vise deg beskrivende statistikk:

  alder, år, gjennomsnitt (SD) 54 (2)
hanner, freq (%) 490 (98)
alkoholnivå i blodet,%, gjennomsnitt (SD) 0,10 (0,01)
...
 

Du kan se fra ovenstående at prøven hennes besto av eldre, berusede menn. Med denne informasjonen kan leseren si hva disse resultatene kan si om skader hos unge menn eller skader hos ikke-berusede ryttere eller kvinnelige ryttere.

Ikke se bort fra beskrivende statistikk.

Poenget med å gi beskrivende statistikk er å karakterisere utvalget ditt slik at folk i andre sentre eller land kan vurdere om resultatene dine generaliserer til deres situasjon. Så i ditt tilfelle vil tabulering av kjønn, karakterer og så videre være et gunstig tillegg til den logistiske regresjonen. Det er ikke for å gjøre det mulig for folk å sjekke antagelsene dine, selv om de også kan prøve å gjøre det.

=============== Rediger for å gi lenker til noen retningslinjer som brukes i helse

I det feltet jeg er kjent med, helse, er det spesifikke retningslinjer for rapportering. Disse har blitt samlet sammen i EQUATOR-nettverket, som bør konsulteres for oppdaterte detaljer.

Som et eksempel kan vi ta kliniske studier der relevant retningslinje er KONSORT. I dokumentet som beskriver retningslinjen tilgjengelig her og andre steder, leser vi i Tabell 1 anbefaling 15 "En tabell som viser demografiske og kliniske karakteristika for hver gruppe".

Det er lignende anbefalinger for andre studietyper.

En annen ting er å vise hvor oppførte variablene dine er.Hvis for eksempel en av variablene dine er lønnen, og du har intervjuet nøyaktig en milliardær, når du legger inn lønnen hans i den logistiske regresjonen kommer til å dominere over alt annet, så vil du sannsynligvis lære å ignorere lønnen, uansetthvor mye faktisk informasjon den kan inneholde.

Noen metoder er mer følsomme enn andre for skjevhet og ekstreme verdier, og logistisk regresjon er heller på den følsomme siden.Selvfølgelig er det endelige beviset i puddingen, og du kan sammenligne de oppnådde resultatene med rådataene, eller med hver funksjon transformert mot normalitet.

En beskrivende del hjelper deg med å forstå leseren datasettet ditt.I anvendt miljø anbefales det vanligvis sterkt, da det kan vise de første potensielle feilene i analysen.

Du kan bruke data fra forskjellige kilder for å sprenge beskrivelsene dine.

1 tabell skal være nok.Den du la ved er ikke veldig intuitiv.