Vermeiden Sie die Kategorisierung einer kontinuierlichen Variable

15. Februar 2018

Ausgewählte Literatur

• Harrell FE. Regression Modeling Strategies: With Applications, to Linear Models, Logistic and Ordinal Regression, and Survival Analysis, 2nd ed. Heidelberg: Springer.
• Greenland. Dose-response and trend analysis in epidemiology: alternatives to categorical analysis. Epidemiology. 1995;6(4):356-65.
• Bennette C, Vickers A. Against quantiles: categorization of continuous variables in epidemiologic research, and its discontents. BMC Med Res Methodol. 2012;12:21.
• Royston P, Altman DG, Sauerbrei W. Dichotomizing continuous predictors in multiple regression: a bad idea. Stat Med. 2006;25(1):127-41.
• Schmidt CO, Ittermann T, Schulz A, Grabe HJ, Baumeister SE. Linear, nonlinear or categorical: how to treat complex associations? Splines and nonparametricapproaches. Int J Public Health. 2013;58(1):161-5.
• Schmidt CO, Ittermann T, Schulz A, Grabe HJ, Baumeister SE. Linear, nonlinear or categorical: how to treat complex associations in regression analyses? Polynomial transformations and fractional polynomials. Int J Public Health. 2013;58(1):157-60.

Schlussfolgerungen

Vermeiden Sie die Kategorisierung einer kontinuierlichen Variable.

• Kein "biologischer" Grund für Sprünge in der Wirkung durch die Kategorisierung
• Die Wahl der Anzahl der Kategorien und Grenzen ist subjektiv (willkürlich).
• Verlust von statistischen Informationen
• Verlust von statistischer Power
• Steigende Anzahl der zu schätzenden Parameter
• Der Test auf Trend über Kategorien ist nicht gleichbedeutend mit dem Test von nichtlinearen Effekten auf der kontinuierlichen Skala (z.B. in einem Regressionsmodell).
• Messfehler werden durch Kategorisierung nicht reduziert.
• Insbesondere ist bei einer Dichotomisierung die Modellierung nichtlinearer Effekte nicht möglich.