Ordinal logistic regression models: application in quality of life studies Modelos de regressão logística ordinal: aplicação em estudo sobre qualidade de vida

Quality of life has been increasingly emphasized in public health research in recent years. Typically, the results of quality of life are measured by means of ordinal scales. In these situations, specific statistical methods are necessary because procedures such as either dichotomization or misinformation on the distribution of the outcome variable may complicate the inferential process. Ordinal logistic regression models are appropriate in many of these situations. This article presents a review of the proportional odds model, partial proportional odds model, continuation ratio model, and stereotype model. The fit, statistical inference, and comparisons between models are illustrated with data from a study on quality of life in 273 patients with schizophrenia. All tested models showed good fit, but the proportional odds or partial proportional odds models proved to be the best choice due to the nature of the data and ease of interpretation of the results. Ordinal logistic models perform differently depending on categorization of outcome, adequacy in relation to assumptions, goodness-of-fit, and parsimony.O tema qualidade de vida tem ganhado ênfase nos últimos anos. Tipicamente os resultados da qualidade de vida são mensurados por meio de escalas ordinais. Procedimentos como dicotomizar a variável resposta e desconsiderar a ordenação geram perda de informação e podem ocasionar inferências incorretas. Para análise de dados ordinais, métodos estatísticos específicos são necessários, como modelos de regressão logística ordinal. A proposta deste trabalho é apresentar uma revisão dos modelos de chances proporcionais, de razão contínua, estereótipo e de chances proporcionais parciais. O ajuste, inferência estatística e comparação dos modelos são ilustrados com dados de um estudo sobre qualidade de vida realizado com 273 pacientes com esquizofrenia. Todos os modelos testados mostraram bom ajuste, mas o de chances proporcionais e o de chances proporcionais parciais foram os mais adequados pelo caráter dos dados utilizados e facilidade da interpretação dos resultados. Nem sempre todos os modelos são apropriados, daí a importância de uma escolha cuidadosa, baseada em vários fatores como caráter da variável ordinal, validade dos pressupostos, qualidade do ajuste e parcimônia