不同混杂结构条件下各倾向性评分方法的模拟比较研究

目的通过构建不同混杂结构的处理因素模型和结局模型、不同相关性的协变量,比较多种倾向性评分方法在结局模型为线性回归模型的情况下估计处理效应的优劣。方法采用Monte Carlo模拟方法,通过构建四种由简单到复杂的不同结构的混杂模型,生成相应的数据集,再分别应用倾向性评分匹配、回归调整、加权以及分层的方法估计处理效应并进行比较。评价指标包括点估计、标准误、相对偏倚、均方误差。结果在结局模型为线性回归模型情况下,倾向性评分回归调整法估计的相对偏倚最小,稳定性也最好。匹配法卡钳值取0.02较卡钳值取倾向性评分标准差的0.2倍估计的相对偏倚更小。当处理因素模型中含有非线性效应时,用逆概率加权法估计的偏倚较大,并且加权法估计的标准误也最大。倾向性评分分层法在各种情况下估计的相对偏倚都较大。结论倾向性评分回归调整法能够较好地估计处理效应,并且在各种情况下估计都较为稳健。建议当协变量与处理因素和结局变量的关系无法确定时,这四种方法中可以考虑优先使用回归调整法。     

Logistic回归中误调整工具变量对因果效应估计的影响

  目的  通过统计模拟和实例数据分析,探索当存在不可观测的混杂因素时,Logistic回归分析模型中调整工具变量(instrumental variable, Ⅳ)对估计因果效应的影响。  方法  设定变量均服从二项分布,在Logistic回归分析模型中依次使用不同的参数进行统计模拟,以因果效应估计值的偏倚和标准误作为评价指标;实例数据分析是基于山东省多家医院健康体检中心的体检随访数据,以高血压为目标结局,构建纵向观察队列,筛选单核苷酸多态性(single nucleotide polymorphism, SNP)位点rs12149832作为Ⅳ,在Logistic回归分析模型中,采用不同策略(纳入/不纳入rs12149832协变量)来分析BMI与患高血压风险之间的关系。  结果  统计模拟结果显示在以Logistic回归分析模型估计暴露与结局间的效应时,协变量集中纳入Ⅳ会增大效应估计的偏倚和标准误,但增大程度较小;实例分析中,高血压队列共纳入1 240名女性,基线年龄为(37.7±10.5)岁,BMI为(22.1±3.1)kg/m2。纳入Ⅳ的模型所得的效应估计值为0.225(P＜0.001),略小于不包含Ⅳ的回归模型所得的效应估计值(0.228, P＜0.001),基本验证了关于纳入Ⅳ进行调整的统计模拟结果。  结论  观察性流行病学研究中,Logistic回归分析模型误纳入Ⅳ对效应估计值的偏倚和标准误均有影响。     

诊断试验证实偏倚校正方法的比较研究

目的探讨两阶段两分类诊断试验存在证实偏倚时灵敏度和特异度的校正方法并进行比较。方法运用实例和模拟数据说明传统方法灵敏度和特异度的有偏估计,并运用最大似然估计和贝叶斯估计对灵敏度和特异度进行校正。结果传统方法计算的灵敏度和特异度存在偏倚,最大似然法和贝叶斯方法虽然均可校正估计偏倚,但是后者计算的可信区间比前者窄。结论在对诊断试验证实偏倚进行校正时,若有良好的先验信息,贝叶斯方法所获的结果更精确。     

带有不可观测混杂因素的二值结果的处理效应的估计

目的本文研究对带有不可观测混杂因素的两值结果变量的处理效应估计问题。方法采用一种处理动态离散模型的方法进行估计,并分别作了数据模拟和实例研究。结果数据模拟结果和实例应用显示本文采用的方法有较好的估计效果。结论本文采用的估计量有较好的估计性质,在实际的临床观察性研究处理效应方面有较好的应用。     

基于贝叶斯估计的诊断试验ROC曲线回归模型

目的 阐明基于贝叶斯估计的ROC曲线回归模型.方法 通过实例对比分析,介绍WinBUGS软件ROC曲线回归模型参数估计与应用.结果 基于贝叶斯估计的ROC曲线回归模型不仅可考虑(平衡)协变量对诊断试验结果准确性评价的影响,而且可计算不同协变量取值条件下的ROC曲线下面积;不同先验分布的选取在一定范围内模型参数估计结果较稳定,可作为临床诊断试验结果分析的依据.结论 基于贝叶斯估计的ROC曲线回归模型,可有效地解决受协变量影响的临床诊断试验准确度评价问题.     

广义加性模型及其应用

目的探讨广义加性模型在医学研究领域中的应用。方法通过研究低出生体重与年龄、先兆流产、妊高症之间关系的实例分析说明模型的实际应用。结果该模型可以揭示出发病与年龄的复杂非线性关系。结论广义加性模型不需要对模型的线性假设,应用起来灵活性强,是探索变量间复杂关系的有力工具。     

随机对照试验不依从数据分析方法的比较研究

目的比较依从者的平均因果效应(CACE)、意向性分析(ITT)、遵循研究方案分析(PP)和接受干预措施分析(AT),在分析随机对照试验不依从数据的效果,探索各种方法的适用条件,为实际数据分析提供科学依据。方法通过SAS软件模拟产生不依从数据,处理措施的因果效应使用CACE、ITT、PP和AT进行估计,以平均偏倚、均方根误差、标准误和检验效能作为评价指标,比较各种方法的估计效果。结果在各种参数组合下,以平均偏倚、均方根误差和检验效能作为评价指标,CACE的估计效果均优于ITT、PP和AT。依从率低于50%时,CACE估计的标准误低于PP,高于ITT和AT;依从率高于50%时,CACE估计的标准误均低于ITT、PP和AT。结论当满足CACE模型假设时,CACE估计随机对照试验不依从数据因果效应的效果优于三种传统分析方法,能够提供更加稳健、无偏的处理效应估计值。     

基于贝叶斯多水平模型的平均血糖构建与应用

目的 探究基于贝叶斯多水平模型框架下平均血糖构建的方法,并对实例应用进行评价。方法 通过贝叶斯多水平模型产生血糖的模拟数据,运用贝叶斯多水平模型3种方法同时构建平均血糖,并进行比较。采用队列研究方法,选择苏州某社区2011—2018年参加并随访的12321名45岁以上未发现卒中病史的成年居民作为研究对象,其中男性占比53.7%。利用完全贝叶斯方法计算出平均血糖并分为6组。运用Cox回归模型分析平均血糖值对致死性脑卒中发病的影响。结果 1000次模拟结果显示,用完全贝叶斯法计算的平均血糖估计误差均方为0.278,平均血糖估计值的平均误差为0.527 mmol,平均血糖与实际血糖相关系数平均值r=0.898。随访期间,人群中致死性卒中共153例,且平均血糖与致死性脑卒中发病风险有统计学意义(P<0.05),调整影响后,平均血糖大于140 mg/dL的发病风险是90～99 mg/dL的2.304倍(HR=2.304,95%CI 1.151～4.613)。结论 完全贝叶斯多水平潜变量模型能准确估计平均血糖。     

观察性研究中校正连续型混杂因素的非线性方法

<正>混杂偏倚(confounding bias)是观察性研究中的一类重要偏倚,它是指由于混杂因素既与暴露因素又与结局存在相关关系,导致暴露与结局之间的真实关系受到了干扰而产生的偏倚[1]。因此,观察性研究中如何控制混杂一直是研究人员所关注的重要问题。在统计分析阶段一种常用的处理办法是将混杂因素纳入回归模型中进行校正。实际问题中常常遇到这样的情况,即混杂变量为连续型指标,该变量与结局变量间的     

Stata软件在Meta-分析发表性偏倚识别中的探讨

[目的]探讨Stata软件在Meta-分析发表性偏倚的识别中的应用.[方法] 针对研究实例,采用Stata9软件中漏斗图法、Begg秩相关法、Egger回归法、剪补法的相应命令语句. [结果] 4种方法分别绘制出精美的漏斗图、Begg漏斗图、Egger回归图和剪补法漏斗图.Begg法中z=0.81,P=0.417,差异无统计学意义;Egger回归法中t=1.19,P=0.254,差异无统计学意义:剪补法补充4个缺失研究,剪补前后logRR及其95%的可信区间分别为0.022[-0.015,0.058]和0.012[-0.021,0.046].[结论] 采用4种方法对本研究的实例分析均识别出元发表性偏倚.因此,Stata软件具有高效、快速、方便地完成Meta-分析中发表性偏倚识别的优点.     

无金标准条件下患病率与阳性检出率、灵敏度、特异度的关系

目的研究无金标准（无法获得患病人数）条件下患病率与阳性检出率、灵敏度、特异度的关系。方法根据患病率和阳性检出率、试验灵敏度、特异度间的定量关系，采用计算机模拟和实际调查数据研究不同灵敏度、特异度、患病率下，患病率和阳性检出率的关系。结果阳性检出率πT与患病率πD间存在一个界值点π0,当πT〈π0时，πT将高估πD，表现为正偏倚；反之，πT将低估πD，表现为负偏倚；当πT=π0时，丌丁将正确估计πD。负偏倚主要受灵敏度影响，正偏倚主要受特异度影响。当阳性检出率接近试验假阳性率（1-Sp）时，可产生严重正偏倚，医学实例表现规律与模拟研究相一致。结论在低患病率时，即便使用高灵敏度、高特异度的筛检试验，阳性检出率也可显著高估实际患病率。     

测量误差变量与准确测量变量混合对研究真实性的影响

目的探讨测量误差变量与准确测量变量混合情况下测量误差对联系效应估计的影响。方法利用测量误差大小、准确测量变量与测量误差变量之间的相关性、准确测量变量的个数和联系效应之间的函数，采用R软件做图来讨论分析测量误差对研究真实性的影响。结果当连续变量Y和Z能准确测量，连续变量X不能准确测量时，无差异性测量误差使所估计的联系效应值总低于实际值，并随X与Z的相关程度的增加，测量误差所致的偏倚会进一步地恶化。在一个错分二分类变量X和一个准确测量连续变量Z混合的情况下，测量误差所致的偏倚不仅跟暴露测量的灵敏度和特异度有关，而且跟X与Z的相关系数以及X的暴露比例有关，并且随着相关系数的增加，AF值逐渐减少。在ρ=0．5时，AF值为1．419，变量X对应变量Y的联系效应估计值大于实际值，但当ρ增至0．9时，AF值为0．474，其联系效应估计值低于实际值，改变了错分偏倚的方向。结论在准确测量变量和测量误差变量混杂的研究中，用线性回归模型来分析估计多个自变量与应变量之间的联系时，对测量误差所致偏倚的识别、控制和评估是十分必要的，对结果的解释要谨慎。     

分类变量缺失数据处理方法有效性的比较研究

目的比较删除法(deletion methods,DM)、基于对数线性模型的多重填补法(multiple imputation of category variables using log-linear model,M ILL)及基于潜在类别模型的多重填补法(multiple imputation based on latent class model,M ILC)处理分类变量缺失数据的效果,并将M ILC应用于实例数据的分析。方法利用R语言产生不同缺失机制、缺失率和样本含量的多变量缺失模拟数据,运用DM、MILL和MILC处理形成完整数据集并进行logistic回归分析,通过回归系数的偏倚、均方根误差、稳定度和标准误偏倚评价各方法的处理效果。结果模拟实验表明当缺失率为5%时,三种方法处理效果均较好;随着缺失率的增大,MILL和MILC的各项评价指标均优于DM,且MILC的准确度高于MILL。三种方法处理效果均表现为完全随机缺失优于随机缺失、样本含量1000优于样本含量500。应用MILC对实例数据填补后标准误减小,回归系数估计更准确。结论本文应用MILL和MILC两种多重填补方法处理分类变量缺失数据均可减少缺失导致的参数估计偏倚。当缺失率5%、样本含量1000时,建议应用MILC处理分类变量缺失数据。     

四种因果图模型在观察性研究因果推断中的比较研究

目的比较有向无环图、结构方程模型、贝叶斯网络和TAN贝叶斯网络四种因果图模型在观察性研究因果推断中的原理方法和应用价值,为因果图模型的合理选用提供参考依据。方法以认知障碍为例,基于先验知识构建轻度认知功能障碍的有向无环图。根据有向无环图建立结构方程模型的初始模型,采用极大似然估计进行参数估计和修正指数进行模型优化。运用爬山算法进行贝叶斯网络结构学习、贝叶斯信息准则进行结构优化和贝叶斯估计进行网络参数学习,并进行网络推理。采用专家建模进行TAN贝叶斯网络的构建,似然比进行独立性测试和极大似然估计进行参数学习,并进行诊断推理。结果实例分析显示,有向无环图、结构方程模型和贝叶斯网络均稳定探测到了结局变量的直接原因且各模型探测到的因果路径基本趋同。有向无环图定性推断了变量间因果关系的概念框架;结构方程模型通过标化路径系数定量推断了模型假定的观测变量与结局变量间的因果关系;贝叶斯网络通过条件概率表定量推断了直接原因组合下结局变量的发生概率,正向预测推理了由因到果的路径关系;TAN贝叶斯网络通过变量重要性评分反向诊断推理了由果到因的路径关系。结论有向无环图、结构方程模型、贝叶斯网络和TAN贝叶斯网络因果图模型在观察性研究因果推断中的侧重点和实际意义有所不同,探测到的因果路径亦有所不同,实际应用时应综合四种因果图模型结果进行因果关系的稳健推断。     

无金标准条件下含协变量的ROC曲线估计方法

目的阐明无金标准条件下,考虑协变量后估计ROC曲线的两部贝叶斯模型。方法介绍两部贝叶斯模型,结合实例,筛选无金标准条件下ROC曲线的影响因素,考虑协变量影响后,估计ROC曲线。结果两部贝叶斯模型不仅可探讨协变量对疾病状态的影响,而且可探讨协变量对诊断试验结果的影响,同时可计算不同协变量取值条件下ROC曲线下面积。结论两部贝叶斯模型可有效地解决无金标准条件下,考虑协变量影响的ROC曲线估计问题。     

基于非参数回归的生物等效性多重检验

目的本文提出一种基于非参数模型的生物等效性检验的新方法。方法首先利用非参数回归的方法估计血药浓度-时间曲线,并建立血药浓度估计值线性混合效应模型估计药物效应系数,在此模型的基础上采用多重检验的方法对曲线上每一时间点处的药物效应系数进行生物等效性检验。若在所有时间点处等效,则两种药物等效。结果模拟和实例分析表明此方法能消除周期效应和序列效应的影响,同时在数据稀疏时可降低生物等效性检验的I类误差率,并能提高在测量误差较大时的检验效能。结论本文提出的多重检验方法有较高的检验效能和较低的I类误差率,可应用于生物等效性检验。     

核偏最小二乘回归及其在医学中的应用

目的研究用于处理解释变量与反应变量之间非线性关系或复杂关系的一种基于核函数的回归方法:核偏最小二乘回归。方法运用Monte-Carlo模拟方法,对核偏最小二乘回归的模型拟合效果和预测效果予以分析。结果模拟试验结果表明:核偏最小二乘回归估计性能均较高。结论核偏最小二乘回归是基于核函数的非线性回归方法,模型构建基于样本,而非解释变量空间,该方法特别适合于处理医学研究中各种类型资料,能够有效地处理解释变量与反应变量之间的非线性关系或复杂关系等方面。     

利用全基因组表达数据对比评价九种遗传预测模型方法

目的研究稀疏模型(Lasso、ENET、ssLasso、贝叶斯变量选择回归模型(BVSR))与多基因模型(线性混合模型(LMM)、贝叶斯稀疏线性混合模型(BSLMM)、狄利克雷回归模型(DPR))等九种遗传预测方法在全基因组表达数据中对复杂疾病的遗传预测表现。方法通过模拟研究评价每种方法在不同的较大基因稀疏程度和不同的遗传度下的预测精度,利用乳腺癌数据进行表型预测。结果模拟结果显示预测方法在满足各自的模型假设时表现结果最好。在相同模拟假设情况下,随着遗传度的增高,模型的预测准确性也逐渐增高。BVSR运算速度和BSLMM运算速度相似,由于迭代次数的影响,BVSR与BSLMM的运算速度低于LMM。实际的乳腺癌数据显示BSLMM和DPR的预测精度优于其他方法。结论 BSLMM和DPR在不同模拟情形下和真实数据中均表现出稳健的预测能力,值得在实际应用中推荐。     

利用因果森林估计异质性人群下个体的处理效应

目的 探讨因果森林在异质性人群中估计个体处理效应的有效性及如何应用于实例数据以挖掘异质性人群特征。方法 设计4种模拟方案,通过模拟试验验证因果森林在不同处理效应环境设置下对个体处理效应进行估计的效果,并应用于右心导管插入术实例数据集进行分析。结果 模拟试验结果表明,在4种不同效应值设置下,用因果森林方法所估计的个体处理效应值都能与总体效应相吻合,符合预期分布;实例数据分析结果显示绝大多数患者个体处理效应为正值,使用RHC会导致该样本人群180 d死亡率增高,2月生存模型估计概率和白蛋白含量偏低的患者在使用RHC后更倾向于有较低的死亡风险。结论 因果森林能够有效地估计个体处理效应,为个体是否接受某种处理提供建议。     

MIPE在临床试验转组研究中的应用

目的本文介绍一种新的处理临床试验转组数据的统计学方法——校正迭代参数法(MIPE),并通过模拟试验在不同情形下比较MIPE、IPE、意向性分析(ITT)三种方法对治疗效果估计的准确性。方法通过模拟数据探讨不同的治疗效应真值、潜在预后、转组率等24个假设场景中试验药疗效估计值的差异,并将MIPE、IPE、ITT方法应用于每个场景下进行效果比较。结果当试验药与安慰剂组疗效存在差异时,ITT和IPE方法得出的治疗效应估计均有偏,这种有偏估计与不同的治疗效应真值、潜在预后和转组率等因素相关,而MIPE方法不受上述因素影响,估计结果较为准确且稳定。结论 MIPE方法不受实际治疗效应、潜在预后、转组率等因素的影响,在各场景中治疗效应估计值的均值较为稳定,与其他方法相比,更接近真实值,在临床试验评价中使用更为可靠。