Dans l'exemple suivant
> m = matrix(c(3, 6, 5, 6), nrow=2)
> m
[,1] [,2]
[1,] 3 5
[2,] 6 6
> (OR = (3/6)/(5/6)) #1
[1] 0.6
> fisher.test(m) #2
Fisher's Exact Test for Count Data
data: m
p-value = 0.6699
alternative hypothesis: true odds ratio is not equal to 1
95 percent confidence interval:
0.06390055 5.07793271
sample estimates:
odds ratio
0.6155891
J'ai calculé le rapport de cotes (# 1) "manuellement", 0,600; puis (# 2) comme l'une des sorties du test exact de Fisher, 0,616.
Pourquoi n'ai-je pas obtenu la même valeur?
Pourquoi existe-t-il plusieurs façons de calculer l'odds-ratio et comment choisir la plus appropriée?
la source
Pour répondre à votre deuxième question, les biostats ne sont pas mon fort, mais je crois que la raison des statistiques de rapport de cotes multiples est de tenir compte du plan d'échantillonnage et du plan des expériences.
J'ai trouvé trois références ici qui vous permettront de comprendre pourquoi il existe une différence entre le MLE conditionnel et inconditionnel pour le rapport de cotes, ainsi que d'autres types.
Estimation ponctuelle et par intervalle du rapport de cotes commun dans la combinaison de tableaux 2 × 2 avec des marginaux fixes
L'effet du biais sur les estimateurs du risque relatif pour les échantillons appariés et stratifiés
Une étude comparative de l'estimation de vraisemblance maximale conditionnelle d'un rapport de cotes commun
la source