International Journal of Reproductive BioMedicine

en ارزیابی عملکرد رگرسیون خطی چندگانه و انواع مدل خطی تعمیم یافته در تخمین سن یائسگی طبیعی: یک مطالعه توصیفی Evaluation of multiple linear regression function and generalized linear model types in estimating natural menopausal age: A cross-sectional study Fertility & Infertility Original Article Original Article <div style="text-align: justify;">مقدمه: از آنجا که زنان حدود یک سوم از عمر خود را در یائسگی سپری میکنند، پیشبینی صحیح سن یائسگی طبیعی و پارامترهای موثر بر آن، برای افزایش امید به زندگی زنان بسیار مهم است. هدف: هدف از این مطالعه مقایسه عملکرد مدلهای خطی تعمیمیافته (GLM) و روش حداقل مربعات معمولی (OLS) در پیشبینی سن یائسگی طبیعی در جمعیت بزرگی از زنان ایرانی بود. مواد و روشها: این مطالعه مقطعی با استفاده از دادههای مرحله اول مطالعهی کوهورت شاهدیه که در سال 2016-2015 جمعآوری شده بود، انجام شده است. در مجموع 1251 زن که تجربه یائسگی طبیعی داشتند، وارد مطالعه شدند. برای مدلسازی سن یائسگی طبیعی، از مدل رگرسیون خطی چندگانه با استفاده از روش OLS و GLMs استفاده شد. با کمک معیار اطلاعات آکائیکه (ACI)، جذر میانگین مربع خطا (RMSE) و میانگین خطای مطلق (MAE)، عملکرد مدلهای رگرسیون اندازهگیری شد. نتایج: میانگین سن یائسگی زنان 7/4 ± 1/49 سال (3/49-8/48 =  CI:95%) با میانه 50 سال بود. تجزیه و تحلیل، مقادیر مشابه معیار Akaike را برای مدل خطی چندگانه با روش OLS و GLM با خانواده Gaussian نشان داد. با این حال، مقادیر RMSE و MAE در مدل  GLM بسیار کمتر بود. در همه    مدلها، تحصیلات، سابقه جراحی سالپینژکتومی، دیابت، ایسکمیک قلبی و افسردگی به طور معنیداری با سن یائسگی ارتباط داشتند. نتیجه گیری: به منظور پیشبینی سن یائسگی طبیعی در این مطالعه، GLM با خانواده گاوسی و تابع پیوند Log با کاهش خطاهای RMSE و MAE      میتواند جایگزین مناسبی برای مدلسازی سن یائسگی طبیعی باشد.  </div> <div style="text-align: justify;">Background: Since women spend about one-third of their lifespan in menopause, accurate prediction of the age of natural menopause and its effective parameters are crucial to increase women's life expectancy. <a name="_Hlk80516171">Objective:</a> This study aimed to compare the performance of <a name="_Hlk52987519">generalized linear model</a>s (GLM) and the ordinary least squares (OLS) method in predicting the age of natural menopause in a large population of Iranian women. <a name="_Hlk80516258">Materials and Methods:</a> This cross-sectional study was conducted using data from the recruitment phase of the Shahedieh Cohort Study, Yazd, Iran. In total, 1251 women who had the experience of natural menopause were included. For modeling natural menopause, the multiple linear regression model was employed using the ordinary least squares method and GLMs. With the help of the Akaike information criterion, root-mean-square error (RMSE), and mean absolute error, the performance of regression models was measured. Results: The mean age of menopausal women was 49.1 ± 4.7 yr (95% CI: 48.8-49.3) with a median of 50 yr. The analysis showed similar Akaike criterion values for the multiple linear models with the OLS technique and the GLM with the Gaussian family. However, the <a name="_Hlk39523288">RMSE </a>and mean absolute error values were much lower in GLM. In all the models, education, history of salpingectomy, diabetes, <a name="_Hlk53566882">cardiac ischemic</a>, and depression were significantly associated with menopausal age. Conclusion: To predict the age of natural menopause in this study, the GLM with the Gaussian family and the log link function with reduced RMSE and mean absolute error can be a good alternative for modeling menopausal age.</div> سن یائسگی, مدلهای تعمیمیافته خطی, کوهورت شاهدیه. Menopause, Etiology, Statistics, Numerical data. 377 388 http://ijrm.ir/browse.php?a_code=A-10-471-1&slc_lang=en&sid=1 Nasrin Sadeghi Sadeghi.stat89@ gmail.com 0000-0001-5721-3662 No Department of Statistics and Epidemiology, Shahid Sadoughi University of Medical Sciences, Yazd, Iran. Sadeghi.stat89@ gmail.com (+98)09387786951 Hossien Fallahzadeh Fallahzadeh.ho@gmail.com 0000-0001-6518-366x Yes Research Center of Prevention and Epidemiology of Non-Communicable Diseases, School of Public Health, Shahid Sadoughi University of Medical Sciences, Yazd-Iran. Fallahzadeh.ho@gmail.com (+98)09131529486 Maryam Dafei maryam_dafei@yahoo.com 0000-0001-9509-6719 No Research Center for Nursing and Midwifery Care, School of Nursing and Midwifery, Shahid Sadoughi University of Medical Sciences Yazd-Iran. maryam_dafei@yahoo.com (+98)09132588499 Maryam Sadeghi Sadeghi.maryam@mail.um.ac.ir 0000-0002-4337-8770 No Ferdowsi University of Mashhad, Faculty of Mathematical Sciences, Mashhad, Iran. Sadeghi.maryam@mail.um.ac.ir (+98)09378099979 Masoud Mirzaei Masoud_mirzaei@hotmail.com 0000-0001-6455-0747 No Center for Healthcare Data Modeling, Departments of Biostatistics and Epidemiology, School of public health, Shahid Sadoughi University of Medical Sciences, Yazd, Iran. Masoud_mirzaei@hotmail.com (+98) 09134509917