regresjonsjustering

Regresjonsjustering er en statistisk metode for å justere effektstørrelser og utfall for forskjeller i kovariater mellom grupper i et studie, ved hjelp av regresjonsmodeller. Hensikten er å kontrollere for konfounding og å øke presisjonen i estimatet av en behandlingseffekt eller forhold mellom variabler. Metoden brukes ofte i analyser av eksperimentelle studier og observasjonsstudier.

I praksis bygges en regresjonsmodell der utfallsvariabelen er avhengig av behandlingsindikatoren og et sett kovariater (for eksempel baseline-verdi, alder, kjønn). Koeffisienten til behandlingen gir et justert estimat av effekten, og man kan også sammenligne justerte gruppegjennomsnitt ved å bruke modellen. I randomiserte studier benyttes ofte ANCOVA, som er en form for regresjonsjustering som justerer post-utfall for baseline verdier.

Vanlige utfallstyper inkluderer kontinuerlige utfall (lineær regresjon) og binære utfall (logistisk regresjon). Regresjonsjustering anvendes i kliniske studier, epidemiologiske analyser og økonomiske evalueringer for å kontrollere for konfounding og for å forbedre presisjonen. I observasjonsdata er metoden avhengig av at alle relevante kovariater som påvirker både behandling og utfall er inkludert; ellers kan unmeasured confounding feile.

Begrensninger: modellspesifikasjon er viktig; misspesifikasjon eller feil antakelser kan introdusere skjevhet, og metoden erstatter ikke randomisering som kilde til uavhengig behandlingseffekt. Overtilpasning og multikollinearitet kan redusere stabiliteten til estimatene. Det er viktig å vurdere modelvalg og rapportere usikkerhet (konfidensintervaller).

Relaterte metoder kobler til andre tilnærminger som propensity score, som forsøker å balansere kovariater mellom grupper før estimering, og til metoder for marginale vs. betingede effekter. Regresjonsjustering er derfor et verktøy for å få mer pålitelige sammenligninger i både eksperimentelle og ikke-eksperimentelle studier.