Landsdækkende undersøgelse af kræftpatienters oplevelser

4.2.5 Placering af enheder i forhold til landsresultatet
Placeringer af enheder over (O), under (U) eller ikke signifikant forskellig fra landsresultatet
(G) foretages ved hjælp af logistisk regression. Eksempelvis placeres de enkelte
diagnosegrupper og regioner i forhold til landsresultatet i bilagstabel A. I placeringen er
landsresultatet ikke vægtet. Det betyder, at landsresultatet er det samme som det samlede
resultat for alle besvarelser.
I den logistiske regression bliver køn og alder inddraget som forklarende variable. På den
måde kan deres påvirkning på vurderingen holdes ude af placeringen. Nogle kombinationer
af køn og alder er mere negative i deres vurdering end andre, uanset hvilken kræftdiagnose
de har. Diagnosegrupper, der har mange patienter fra den ”negative kombination”, skal ikke
have en dårligere placering blot af den grund.
Hvor skalaniveauet på spørgsmålet tillader det, er der benyttet ordinal logistisk regression.
I enkelte tilfælde, er placeringen foretaget med binær logistisk regression. Fordelen ved at
placere analyseenhederne ved hjælp af ordinal logistisk regression er, at den oprindelige
svarskala bevares, hvormed vi bruger den mere detaljerede viden om patienternes oplevelser
af kvalitet i placeringen. Eksempelvis vil det sige, at et spørgsmål, hvor svarkategorierne går
fra ”virkelig god” til ”virkelig dårlig”, tæller svaret ”virkelig god” mere end svaret ”god”.
Placering af analyseenheder i forhold til landsresultatet med logistisk regression.
I den ordinale logistiske regressionsanalyse modelleres sandsynligheden for det svar, som
patient j fra diagnose i giver på et spørgsmål med rangordnede svarkategorier 0,1,2,…, l:
hvor k = 1,2,…l, x i er patientens diagnose, mens z ij er en vektor indeholdende indikatorer for
patientens køn og aldersgruppe. Det testes ved hjælp af effekt-parametrisering og Wald
X 2 - test, om koefficienten for en diagnose, ß i , er statistisk signifikant.
Hvis l = 1 (dvs. at der kun findes svarmulighederne 0 og 1) reduceres modellen til simpel
binær logistisk regression.
Der er i analyserne anvendt et signifikansniveau på 5 % (p