Hướng dẫn tạo bảng tổng hợp kết quả hồi quy – phần 6

Ở bài trước, tôi đã minh họa cách sử dụng câu lệnh table với tùy chọn command để trình bày một bảng tổng hợp kết quả hồi quy từ một mô hình. Bài viết này, tôi sẽ tiếp tục sử dụng câu lệnh table cùng tùy chọn command để tạo một bảng tổng hợp kết quả hồi quy cho nhiều mô hình. Dữ liệu thực hành Chúng ta tiếp tục thực hành trên bộ dữ liệu NHANES-II 1 và xem mô tả sơ lược các biến highbp, age, sex và diabetes . webuse nhanes2, clear . describe highbp age sex diabetes Variable Storage Display Value name type format label Variable label ──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── highbp byte %8.0g * High blood pressure age byte %9.0g Age (years) sex byte %9.0g sex Sex diabetes byte %12.0g diabetes Diabetes status Biến highbp, sex và diabetes có dạng nhị phân; age là một biến liên tục. Kết hợp nhiều mô hình Tôi sẽ ước lượng ba mô hình hồi quy logistic cho biến phụ thuộc highbp. Mỗi mô hình tôi sẽ sử dụng câu lệnh logistic để ước tính Odds Ratios cùng các sai số chuẩn của nó. Sau đó sử dụng câu lệnh estat ic để tính toán các giá trị AIC, BIC về độ phù hợp của mô hình. Bảng kết quả cuối cùng sẽ bổ sung thêm thông tin về ba mô hình từ sáu câu lệnh khác nhau. Tôi sử dụng câu lệnh collect get để tổng hợp thông tin từ mỗi câu lệnh. Sau đó, tôi lại sử dụng câu lệnh collect layout để xây dựng bố cục cho bảng. Ở đây, tôi sẽ thực hiện từng bước, từ bước đơn giản đến bước tổng hợp cuối cùng để các bạn tiện theo dõi. Sử dụng collect get . collect get: logistic highbp c.age i.sex Logistic regression Number of obs = 10,351 LR chi2(2) = 1563.54 Prob > chi2 = 0.0000 Log likelihood = -6268.9975 Pseudo R2 = 0.1109 ─────────────┬──────────────────────────────────────────────────────────────── highbp │ Odds ratio Std. err. z P>|z| [95% conf. interval] ─────────────┼──────────────────────────────────────────────────────────────── age │ 1.049042 .0013945 36.02 0.000 1.046313 1.051779 │ sex │ Female │ .648767 .0280172 -10.02 0.000 .5961141 .7060706 _cons │ .0887874 .0063561 -33.83 0.000 .0771641 .1021615 ─────────────┴──────────────────────────────────────────────────────────────── Note: _cons estimates baseline odds. Sử dụng collect layout . collect layout (colname) (result[_r_b _r_se]) Collection: collect5 Rows: colname Columns: result[_r_b _r_se] Table 1: 1 x 2 ─────────────────────── Diabetic 1.52 (0.15) ─────────────────────── Thật đơn giản, tôi đã tạo một bảng đơn giản với hai lệnh cơ bản. Câu lệnh collect get đã tạo một collection mới tên là default. Từ ý tưởng thực hiện ở trên, tôi sẽ xây dựng một collection riêng, collect5 chẳng hạn, để bổ sung một số tùy chọn cần thiết cho việc tổng hợp các mô hình sau này. Sử dụng câu lệnh collect create Đầu tiên, tôi sẽ xóa tất cả các collection (nếu có) tồn tại trong bộ nhớ (lệnh collect clear và tạo collect5 như sau: . collect clear . collect create collect5 (current collection is collect5) Sau đó, sử dụng collect get hoặc viết gọn là collect để tổng hợp kết quả ước lượng mô hình vào collect5: . collect, name(collect5): logistic highbp c.age i.sex Logistic regression Number of obs = 10,351 LR chi2(2) = 1563.54 Prob > chi2 = 0.0000 Log likelihood = -6268.9975 Pseudo R2 = 0.1109 ─────────────┬──────────────────────────────────────────────────────────────── highbp │ Odds ratio Std. err. z P>|z| [95% conf. interval] ─────────────┼──────────────────────────────────────────────────────────────── age │ 1.049042 .0013945 36.02 0.000 1.046313 1.051779 │ sex │ Female │ .648767 .0280172 -10.02 0.000 .5961141 .7060706 _cons │ .0887874 .0063561 -33.83 0.000 .0771641 .1021615 ─────────────┴──────────────────────────────────────────────────────────────── Note: _cons estimates baseline odds. Tôi sẽ tạo thêm một dimension và level mới cho các kết quả từ mô hình hồi quy logistic trên bằng cách sử dụng tùy chọn tab của collect. Cú pháp cơ bản của tùy chọn tag(dimension[level]). Đoạn lệnh bên dưới sẽ lưu các kết quả mô hình hồi quy logistic trên vào dimension model ở level(1) . collect, name(collect5) /// > tag(model[(1)]) /// > : logistic highbp c.age i.sex Logistic regression Number of obs = 10,351 LR chi2(2) = 1563.54 Prob > chi2 = 0.0000 Log likelihood = -6268.9975 Pseudo R2 = 0.1109 ─────────────┬──────────────────────────────────────────────────────────────── highbp │ Odds ratio Std. err. z P>|z| [95% conf. interval] ─────────────┼──────────────────────────────────────────────────────────────── age │ 1.049042 .0013945 36.02 0.000 1.046313 1.051779 │ sex │ Female │ .648767 .0280172 -10.02 0.000 .5961141 .7060706 _cons │ .0887874 .0063561 -33.83 0.000 .0771641 .1021615 ─────────────┴──────────────────────────────────────────────────────────────── Note: _cons estimates baseline odds. Ví dụ trên sẽ lưu tất cả các kết quả của mô hình, nhưng tôi chỉ quan tâm đến các hệ số và sai số chuẩn. Tôi sẽ khai báo các thông số cần tổng hợp sau collect như sau: . collect _r_b _r_se, /// > name(collect5) /// > tag(model[(1)]) /// > : logistic highbp c.age i.sex Logistic regression Number of obs = 10,351 LR chi2(2) = 1563.54 Prob > chi2 = 0.0000 Log likelihood = -6268.9975 Pseudo R2 = 0.1109 ─────────────┬──────────────────────────────────────────────────────────────── highbp │ Odds ratio Std. err. z P>|z| [95% conf. interval] ─────────────┼──────────────────────────────────────────────────────────────── age │ 1.049042 .0013945 36.02 0.000 1.046313 1.051779 │ sex │ Female │ .648767 .0280172 -10.02 0.000 .5961141 .7060706 _cons │ .0887874 .0063561 -33.83 0.000 .0771641 .1021615 ─────────────┴──────────────────────────────────────────────────────────────── Note: _cons estimates baseline odds. Tạo bố cục Sau đây là trình tự các bước cần thiết để tạo bố cục cho bảng Liệt kê các dimension của collection hiện tại, lệnh collect dims . collect dims Collection dimensions Collection: collect5 ───────────────────────────────────────── Dimension No. levels ───────────────────────────────────────── Layout, style, header, label cmdset 3 coleq 1 colname 8 model 1 program_class 1 result 43 result_type 3 rowname 1 Header, label sex Style only border_block 4 cell_type 4 ───────────────────────────────────────── Dimension result có tới 43 level. Để chọn đúng level mình cần, bạn có thể liệt kê các level này bằng lệnh collect levelsof result . collect levelsof result Collection: collect5 Dimension: result Levels: N N_cdf N_cds _r_b _r_ci _r_df _r_lb _r_p _r_se _r_ub _r_z chi2 chi2type cmd cmdline converged depvar df_m estat_cmd ic k k_dv k_eq k_eq_model ll ll_0 marginsnotok marginsok ml_method mns opt p predict properties r2_p rank rc rules technique title user vce which Chọn dimension để lên bố cục Dimension result gồm các ước tính của hệ số, sai số chuẩn, giá trị p, log-likelihood… từ mô hình đã ước lượng. Chúng ta thử sử dụng collect layout để tạo bảng cho dimension result . collect layout (result), name(collect5) Collection: collect5 Rows: result Your layout specification does not uniquely match any items. Dimension colname might help uniquely match items. Stata báo lỗi xác định vì không thể tạo ra một kết hợp duy nhất cho các phần tử và đề xuất sử dụng kết hợp với dimension colname thay thế. Dimension colname gồm 8 level, trong đó có các biến trong mô hình mà chúng ta quan tâm, *age, 1.sex, 2.sex, _cons*. . collect levelsof colname Collection: collect5 Dimension: colname Levels: age 1.sex 2.sex c1 c2 c3 c4 _cons Chúng ta sẽ thêm dimension **colname** vào bố cục: . collect layout (colname) (result), name(collect5) Collection: collect5 Rows: colname Columns: result Table 1: 4 x 2 ────────────┬─────────────────────── │ Coefficient Std. error ────────────┼─────────────────────── Age (years) │ 1.049042 .0013945 Male │ 1 0 Female │ .648767 .0280172 Intercept │ .0887874 .0063561 ────────────┴─────────────────────── Ghi chú: Câu lệnh collect layout chỉ bao gồm các ô có giá trị liên quan đến mỗi level của cả dimension dòng và cột. Ở đây, chúng ta chỉ yêu cầu hiển thị các hệ số _r_b và sai số chuẩn _r_se từ mô hình; đồng thời những hệ số này chỉ có giá trị ở các level *age, 1.sex, 2.sex, và _cons* cho dimension colname. Do vậy, chúng ta sẽ không thấy tất cả 43 level của dimension result hay các level từ c1 đến c4 ở dimension colname ở kết quả liệt kê ở trên. Chúng ta có thể lồng các hệ số và sai số chuẩn (ở dimension result) vào trong mỗi biến (dimension colname) bằng cách sử dụng toán tử #, colname#result . collect layout (colname#result) (), name(collect5) Collection: collect5 Rows: colname#result Table 1: 12 x 1 ──────────────┬───────── Age (years) │ Coefficient │ 1.049042 Std. error │ .0013945 Male │ Coefficient │ 1 Std. error │ 0 Female │ Coefficient │ .648767 Std. error │ .0280172 Intercept │ Coefficient │ .0887874 Std. error │ .0063561 ──────────────┴───────── Cuối cùng là tạo và đưa các kết quả vào dimension model với level tương ứng. Do ở trên, tôi đã tạo sẵn model với level(1) nên sẽ đưa kết quả ước lượng của mô hình logistic trên vào đây. . collect layout (colname#result) (model[(1)]), name(collect5) Collection: collect5 Rows: colname#result Columns: model[(1)] Your layout specification does not uniquely match any items. Dimension cmdset might help uniquely match items. Kết quả là kết quả ước lượng mô hình với các thông số được chọn đã hiển thị ở cột đầu tiên với tiêu đề là (1) Như vậy quá trình xây dựng bố cục cho các bảng được bắt đầu bằng việc xem các dimension trong collection (collect dims), rồi sử dụng collect levelsof để xem các level của từng dimension. Sau đó sử dụng collect layout để lên bố cục. Bổ sung thêm các trị thống kê Các thông tin về độ phù hợp của mô hình như AIC, BIC không có trong các level của dimension result, nhưng nó được tính toán trong câu lệnh estat ic sau khi chạy hồi quy. . estat ic Akaike's information criterion and Bayesian information criterion ─────────────┬─────────────────────────────────────────────────────────────── Model │ N ll(null) ll(model) df AIC BIC ─────────────┼─────────────────────────────────────────────────────────────── . │ 10,351 -7050.765 -6268.998 3 12544 12565.73 ─────────────┴─────────────────────────────────────────────────────────────── Note: BIC uses N = number of observations. See [R] BIC note. Các trị thống kê AIC, BIC được lưu trữ trong ma trận tên r(S) . return list matrices: r(S) : 1 x 6 . matlist r(S) │ N ll0 ll df AIC BIC ─────────────+────────────────────────────────────────────────────────────────── . │ 10351 -7050.765 -6268.998 3 12544 12565.73 Chúng ta có thể truy xuất vị trí ma trận hoặc tên cột để lấy các giá trị display r(S)[1,6] hoặc display r(S)[1,“BIC”] Tôi sẽ lấy các thông tin này và lưu vào level(1) của dimension model . collect AIC=r(S)[1,"AIC"] /// > BIC=r(S)[1,"BIC"], /// > name(collect5) /// > tag(model[(1)]) /// > : estat ic Akaike's information criterion and Bayesian information criterion ─────────────┬─────────────────────────────────────────────────────────────── Model │ N ll(null) ll(model) df AIC BIC ─────────────┼─────────────────────────────────────────────────────────────── . │ 10,351 -7050.765 -6268.998 3 12544 12565.73 ─────────────┴─────────────────────────────────────────────────────────────── Note: BIC uses N = number of observations. See [R] BIC note. . collect layout (colname#result result[AIC BIC]) (model[(1)]), name(collect5) Collection: collect5 Rows: colname#result result[AIC BIC] Columns: model[(1)] Table 1: 2 x 1 ────┬───────── │ (1) ────┼───────── AIC │ 12544 BIC │ 12565.73 ────┴───────── Ở đây sở dĩ phải thêm result[AIC BIC] riêng vì hai trị thống kê này là đặc trưng của mô hình chứ không phải tham số đặc trưng của biến nên không thể lồng vào biến như các giá trị hệ số, độ lệch chuẩn hay giá trị p. Thêm các mô hình khác Mô hình 2 Tôi sẽ tạo thêm một level(2) ở dimension model để lưu kết quả ước lượng mô hình logistic mới với việc bổ sung thành phần tương tác giữa age và sex. . collect _r_b _r_se, /// > name(collect5) /// > tag(model[(2)]) /// > : logistic highbp c.age##i.sex Logistic regression Number of obs = 10,351 LR chi2(3) = 1675.19 Prob > chi2 = 0.0000 Log likelihood = -6213.1696 Pseudo R2 = 0.1188 ─────────────┬──────────────────────────────────────────────────────────────── highbp │ Odds ratio Std. err. z P>|z| [95% conf. interval] ─────────────┼──────────────────────────────────────────────────────────────── age │ 1.035184 .0018459 19.39 0.000 1.031572 1.038808 │ sex │ Female │ .1556985 .0224504 -12.90 0.000 .1173677 .2065477 │ sex#c.age │ Female │ 1.028811 .002794 10.46 0.000 1.02335 1.034302 │ _cons │ .1690035 .0153794 -19.54 0.000 .1413957 .2020018 ─────────────┴──────────────────────────────────────────────────────────────── Note: _cons estimates baseline odds. . . collect AIC=r(S)[1,"AIC"] /// > BIC=r(S)[1,"BIC"], /// > name(collect5) /// > tag(model[(2)]) /// > : estat ic Akaike's information criterion and Bayesian information criterion ─────────────┬─────────────────────────────────────────────────────────────── Model │ N ll(null) ll(model) df AIC BIC ─────────────┼─────────────────────────────────────────────────────────────── . │ 10,351 -7050.765 -6213.17 4 12434.34 12463.32 ─────────────┴─────────────────────────────────────────────────────────────── Note: BIC uses N = number of observations. See [R] BIC note. và sử dụng lệnh collect layout để lên bố cục hiển thị: . collect layout (colname#result result[AIC BIC]) (model), name(collect5) Collection: collect5 Rows: colname#result result[AIC BIC] Columns: model Table 1: 20 x 2 ─────────────────────┬────────────────── │ (1) (2) ─────────────────────┼────────────────── Age (years) │ Coefficient │ 1.035184 Std. error │ .0018459 Male │ Coefficient │ 1 Std. error │ 0 Female │ Coefficient │ .1556985 Std. error │ .0224504 Male # Age (years) │ Coefficient │ 1 Std. error │ 0 Female # Age (years) │ Coefficient │ 1.028811 Std. error │ .002794 Intercept │ Coefficient │ .1690035 Std. error │ .0153794 AIC │ 12544 12434.34 BIC │ 12565.73 12463.32 ─────────────────────┴────────────────── Mô hình 3 Tương tự, tôi sẽ tạo thêm một level(3) ở dimension model để lưu kết quả ước lượng của mô hình logistic thứ 3. Mô hình này là mô hình 2 và bổ sung thêm biến diabetes . collect _r_b _r_se, /// > name(collect5) /// > tag(model[(3)]) /// > : logistic highbp c.age##i.sex i.diabetes Logistic regression Number of obs = 10,349 LR chi2(4) = 1691.59 Prob > chi2 = 0.0000 Log likelihood = -6203.8722 Pseudo R2 = 0.1200 ─────────────┬──────────────────────────────────────────────────────────────── highbp │ Odds ratio Std. err. z P>|z| [95% conf. interval] ─────────────┼──────────────────────────────────────────────────────────────── age │ 1.034281 .0018566 18.78 0.000 1.030648 1.037926 │ sex │ Female │ .1549363 .0223461 -12.93 0.000 .1167849 .2055511 │ sex#c.age │ Female │ 1.028856 .0027958 10.47 0.000 1.023391 1.034351 │ diabetes │ Diabetic │ 1.521011 .154103 4.14 0.000 1.247073 1.855124 _cons │ .1730928 .0157789 -19.24 0.000 .144772 .2069537 ─────────────┴──────────────────────────────────────────────────────────────── Note: _cons estimates baseline odds. . . collect AIC=r(S)[1,"AIC"] /// > BIC=r(S)[1,"BIC"], /// > name(collect5) /// > tag(model[(3)]) /// > : estat ic Akaike's information criterion and Bayesian information criterion ─────────────┬─────────────────────────────────────────────────────────────── Model │ N ll(null) ll(model) df AIC BIC ─────────────┼─────────────────────────────────────────────────────────────── . │ 10,349 -7049.666 -6203.872 5 12417.74 12453.97 ─────────────┴─────────────────────────────────────────────────────────────── Note: BIC uses N = number of observations. See [R] BIC note. Sử dụng lệnh collect layout để đảm bảo câu lệnh hoạt động. . collect layout (colname#result result[AIC BIC]) (model), name(collect5) Collection: collect5 Rows: colname#result result[AIC BIC] Columns: model Table 1: 26 x 3 ─────────────────────┬─────────────────────────── │ (1) (2) (3) ─────────────────────┼─────────────────────────── Age (years) │ Coefficient │ 1.035184 1.034281 Std. error │ .0018459 .0018566 Male │ Coefficient │ 1 1 Std. error │ 0 0 Female │ Coefficient │ .1556985 .1549363 Std. error │ .0224504 .0223461 Male # Age (years) │ Coefficient │ 1 1 Std. error │ 0 0 Female # Age (years) │ Coefficient │ 1.028811 1.028856 Std. error │ .002794 .0027958 Not diabetic │ Coefficient │ 1 Std. error │ 0 Diabetic │ Coefficient │ 1.521011 Std. error │ .154103 Intercept │ Coefficient │ .1690035 .1730928 Std. error │ .0153794 .0157789 AIC │ 12544 12434.34 12417.74 BIC │ 12565.73 12463.32 12453.97 ─────────────────────┴─────────────────────────── Định dạng hiển thị Sử dụng các lệnh collect để định dạng hiển thị cho bảng kết quả đã tổng hợp. Cụ thể, tôi sẽ sử dụng các lệnh sau: collect style showbase, collect style row, collect style cell, và collect style header. . // TURN OFF BASE LEVELS FOR FACTOR VARIABLES . collect style showbase off . // CHANGE THE INTERACTION DELIMITER . collect style row stack, spacer delimiter(" x ") . // REMOVE THE VERTICAL LINE . collect style cell border_block, border(right, pattern(nil)) . // FORMAT THE NUMBERS . collect style cell, nformat(%5.2f) . collect style cell result[AIC BIC], nformat(%8.0f) . // PUT PARENTHESES AROUND THE STANDARD ERRORS . collect style cell result[_r_se], sformat("(%s)") . // LABEL AIC AND BIC . collect style header result[AIC BIC], level(label) Xem qua bảng hiển thị: . collect preview ──────────────────────────────────────── (1) (2) (3) ──────────────────────────────────────── Age (years) Coefficient 1.04 1.03 Std. error (0.00) (0.00) Female Coefficient 0.16 0.15 Std. error (0.02) (0.02) Female x Age (years) Coefficient 1.03 1.03 Std. error (0.00) (0.00) Diabetic Coefficient 1.52 Std. error (0.15) Intercept Coefficient 0.17 0.17 Std. error (0.02) (0.02) AIC 12544 12434 12418 BIC 12566 12463 12454 ──────────────────────────────────────── Canh giữa các giá trị của cột Sử dụng tùy chọn haligh(center) để canh giữa giá trị của các cột. . collect style cell cell_type[item column-header], halign(center) Ẩn tiêu đề của bảng . collect style header result, level(hide) . collect preview ──────────────────────────────────────── (1) (2) (3) ──────────────────────────────────────── Age (years) 1.04 1.03 (0.00) (0.00) Female 0.16 0.15 (0.02) (0.02) Female x Age (years) 1.03 1.03 (0.00) (0.00) Diabetic 1.52 (0.15) Intercept 0.17 0.17 (0.02) (0.02) AIC 12544 12434 12418 BIC 12566 12463 12454 ──────────────────────────────────────── Thêm một khoảng trắng vào giữa các cột . collect style column, extraspace(1) . collect preview ───────────────────────────────────────────── (1) (2) (3) ───────────────────────────────────────────── Age (years) 1.04 1.03 (0.00) (0.00) Female 0.16 0.15 (0.02) (0.02) Female x Age (years) 1.03 1.03 (0.00) (0.00) Diabetic 1.52 (0.15) Intercept 0.17 0.17 (0.02) (0.02) AIC 12544 12434 12418 BIC 12566 12463 12454 ───────────────────────────────────────────── Xuất kết quả ra file pdf Sử dụng các lệnh putpdf putdocx paragraph, style() putpdf paragraph, font() halign() collect style putdocx collect style putpdf . putpdf clear . putpdf begin . putpdf paragraph, font("Calibri Light",26) halign(center) . putpdf text ("Hypertension in the United States") . putpdf paragraph, font("Calibri Light",14) halign(left) . putpdf text ("The National Health and Nutrition Examination Survey (NHANES)") . putpdf paragraph . putpdf text ("Hypertension is a major cause of morbidity and mortality in") . putpdf text ("the United States. This report will explore the predictors") . putpdf text ("of hypertension using the NHANES dataset.") . collect style putpdf, width(60%) indent(1 in) /// > title("Table 3: Logistic Regression Models for Hypertension Status") /// > note("Note: Odds ratio (standard error)") . putpdf collect (collection collect5 posted to putpdf) . putpdf save Table6.pdf, replace successfully created "D:/1 - BAI DANG/2022/table/Table6.pdf" Tổng kết Trong bài viết này, tôi đã minh họa cách sử dụng lệnh table với tùy chọn command để tạo một bảng kết quả tổng hợp cho nhiều mô hình hồi quy. Các bạn cũng biết cách tạo một collection bằng câu lệnh collect, đặc biệt là tùy chọn tag để tạo mới một dimension model cùng 3 level để lưu kết quả 3 mô hình. Ngoài ra, tôi cũng minh họa cách bổ sung thêm các trị thống kê khác mà bản thân câu lệnh ước lượng không tính toán, chẳng hạn các giá trị độ phù hợp AIC, BIC của mô hình. Các phép toán truy xuất giá trị cần lấy cũng được đề cập ở đây. Hơn nữa, các thiết lập hiển thị bằng cách sử dụng các câu lệnh collect cũng được mô tả để bạn ngày càng làm quen với việc định dạng. Bài tiếp theo và cũng là bài cuối trong chuỗi minh họa cách tạo bảng trên Stata, tôi sẽ minh họa cách sử dụng câu lệnh collect style save và collect style use cũng như các lệnh collect label save và collect label use để lưu và sử dụng các nhãn. Bài viết được tổng hợp từ The Stata Blog 2 Tài liệu tham khảo McDowell A, Engel A, Massey JT, Maurer KPlan and operation of the Second National Health and Nutrition Examination Survey, 1976-1980Vital Health Stat 11981;(15):1-144PMID: 7344293.↩︎ Customizable tables in Stata 17, part 6: Tables for multiple regression models tại: https://blog.stata.com/2021/09/02/customizable-tables-in-stata-17-part-6-tables-for-multiple-regression-models/↩︎