Régression logistique

Objectif

Modéliser un résultat binaire (oui/non) et estimer des odds ratios (OR).

Syntaxe

modele_logit <- glm(evenement ~ age + sexe + groupe,
                    data = donnees,
                    family = binomial)
summary(modele_logit)

# Odds ratios et IC à 95 % (Wald)
OR <- exp(coef(modele_logit))
IC <- exp(confint.default(modele_logit))
cbind(OR = OR, IC_inf = IC[, 1], IC_sup = IC[, 2])

glm() ajuste un modèle linéaire généralisé. Dans la formule, evenement est le résultat binaire et age + sexe + groupe les variables explicatives ; data indique le tableau source. family = binomial choisit le modèle binomial avec lien logit, adapté à un résultat binaire. summary() affiche les coefficients sur l'échelle des log-odds.

coef(modele_logit) extrait ces coefficients ; exp() les exponentie pour les exprimer en odds ratios. confint.default() calcule les intervalles de confiance de Wald sur l'échelle des coefficients, et exp() les convertit en intervalles pour les OR. Enfin, cbind() rassemble les colonnes dans un tableau : IC[, 1] sélectionne la borne inférieure et IC[, 2] la borne supérieure. Vérifiez le codage de l'événement et la catégorie de référence, car ils déterminent le sens d'interprétation des OR.

Points critiques

• Un OR n'est pas un risque relatif ; l'OR s'éloigne du RR lorsque l'événement est fréquent.
• Vérifiez la catégorie de référence des variables catégorielles.
• Vérifiez le codage de l'événement (0/1).
• Surveillez la colinéarité, le nombre d'événements par variable et la convergence.

Attention : dans une étude transversale ou cas-témoins, l'interprétation de l'OR doit respecter le plan d'étude (odds ratio de prévalence, ou OR d'exposition). Ne le présentez jamais comme un risque relatif.