大样本数据标准化率的SAS宏实现

正流行病学研究过程中,经常会遇到率的比较问题,当各组观测的内部构成,诸如年龄、性别等存在较大差异时,直接比较各组的粗率(合计率)是不合理的,通常应该对其进行标准化来消除内部构成不同的影响。对于小样本数据,一般只涉及几组率的比较而不是多组率的比较或者是内部构成简单(比如只有年龄这一混杂因素),通常结合统计相关教材借助Excel就能较容易、简单的计算出标准化率;但在这个信息化时代,     

标准化率中标准组的选择

在医疗卫生实践和医学科研工作中,经常要评价和比较两组或多组资料的总率(发病率、患病率和死亡率等)。如果资料内部有混杂因素存在(年龄和性别等),则需要用标准化率来比较。对于直接标准化率的方法,需要选定一组标准人口,而采用不同的人口     

非独立计量资料的内部相关性研究

本文讨论了非独立计量资料中因变量的协方差结构和内部相关性。在忽略类间相关的情况下，分别给出了不考虑协变量和考虑协变量时内部相关的计算方法和步骤。实例分析表明，混杂因素对内部相关有较大的影响，只有合理地构造协方差结构，才能得到合理的、不含混杂的内部相关。     

倾向指数分层法的模拟研究

目的用SAS程序模拟研究倾向指数分层法处理非随机化试验数据的效果。方法利用蒙特-卡罗模拟法产生有三个协变量的两组随机样本,以分组变量为因变量,以协变量为自变量建立logistic回归模型,并计算研究对象的倾向指数,然后按照倾向指数分成五层,得到一层内各个协变量均衡的处理组与对照组样本。结果协变量间不均衡的两个处理组在分层以后组内得到了均衡。结论倾向指数法是一种有效处理非随机化试验数据的方法,具有重要的应用价值。     

倾向评分匹配法在横断面资料处理中的应用价值研究

目的探讨心血管疾病与骨关节炎疾病患病情况之间的相关性,进而评价倾向评分匹配法在横断面资料处理中的应用价值。方法对山西省阳城县和偏关县农村社区7126名16岁以上常住居民进行心血管疾病与骨关节炎的相关调查,根据心血管患病情况分为2组进行比较;利用Stata14.0对组间协变量进行倾向评分卡钳匹配,计算2组的倾向评分,对匹配前后心血管疾病组与非心血管疾病组发生骨关节炎的危险性进行评估。结果心血管疾病组与非心血管疾病组各有1123例匹配成功,匹配前2组骨关节炎患病率比较差异有统计学意义(P0.001);经倾向评分匹配后,年龄、性别、职业、口味、BMI、吸烟情况等协变量达到了均衡,2组骨关节炎患病率比较差异仍有统计学意义(P0.001)。结论心血管疾病与骨关节炎患病之间有一定的相关性,但具体机制仍需进一步的研究证实。倾向评分匹配法能有效降低观察性研究组间的混杂偏倚,在横断面资料数据处理中有广阔的应用前景。     

多组间协变量均衡性评价方法的研究

目的构建用于评价三分组资料组间协变量均衡性的指标(简称FQ统计量);比较假设检验法、标准化差异法和FQ统计量这三种方法检验三分组资料组间协变量均衡性的能力。方法利用合并方差构建FQ统计量;采用有序多分类和无序多分类logistic回归计算各组研究个体的倾向性评分值;采用Monte Carlo模拟比较上述三种方法检验三分组资料组间协变量均衡性的能力。结果假设检验法检验三组间协变量均衡性的能力受样本量大小的影响,而标准化差异法和FQ统计量则不受样本量大小的影响。标准化差异法和FQ统计量检验三组间协变量均衡性的能力均高于假设检验法,且两者保持高度一致。当协变量的FQ统计量小于0.2时,认为协变量在三组间的分布达到均衡。结论标准化差异法与FQ统计量是有效的协变量均衡性检验方法,而FQ统计量的计算步骤较标准化差异法简便,因此更具有应用的优势。     

匹配在观察性研究中的作用——有向无环图视角

匹配是观察性研究中选择研究对象的一种常用方法,具有控制混杂因素、提高统计效率等作用,但其控制混杂因素的作用在不同观察性研究中并不一致,匹配在队列研究中能够消除匹配变量的混杂偏倚,但在病例对照研究中匹配本身并不能消除混杂偏倚。在匹配性病例对照研究选择匹配变量时,研究者可能并不能准确判断该变量是否为混杂变量,若误将真实情况为非混杂因素的变量进行匹配,则会形成过度匹配,造成统计效率下降或引入难以避免的偏倚或增加工作量等;若将真实情况为混杂因素的变量遗漏不予匹配,则会造成混杂偏倚。有向无环图是一种直观的展示不同流行病学研究设计、变量间复杂因果关系的可视化图形语言。本文从有向无环图视角分析匹配在不同观察性研究设计中的作用、匹配性病例对照研究中欲匹配变量的选择标准制定,为今后流行病学研究设计提供一定的参考建议。     

如何控制观察性疗效比较研究中的混杂因素：（二）未知或未测量混杂因素的统计学分析方法

观察性疗效比较研究作为随机对照研究的证据补充,其应用价值越来越受到关注。未测量混杂因素的统计学分析方法是观察性疗效比较研究中的重大挑战,本文对观察性疗效比较研究中未知或未测量的混杂因素控制的统计分析方法进行述评。未测量混杂因素的统计学方法包括工具变量法、本底事件率比校正法和双重差分模型及其衍生方法。工具变量法模型构造巧妙,但满足条件的工具变量在实际研究中并不易得;本底事件率比校正法和双重差分模型均要求研究数据有干预前信息,有些实际研究中往往无法满足。未测量混杂因素对统计学方法提出了新的要求、新的挑战,有待国内外统计学者的进一步完善和研究。     

倾向性评分法简介及其SAS实现

随机对照试验(RCT)被视为评估治疗效果的金标准,其关注效力(efficacy)研究,但是人们的兴趣通常还是集中在评估RCT严格控制的范围之外的真实世界的效果(effectiveness),更加重视外部有效性[1]。因此,越来越多的研究者使用观察数据来评估治疗效果。在RCT中,受试者被随机分配到治疗组和对照组,从而保证了两组基线协变量的分布相同,而观察性研究并非如此,如果某些协变量同时与治疗方案和结果相关,则可能会造成混杂。此时,需要通过统计方法消除混杂的影响,常用的方法有匹配法、多元统计分析法等。近十几年来,倾向性评分(propensity score,PS)法作为一种控制混杂偏倚的方法被研究者们越来越关注,其实现的统计软件有R语言、stata、SPSS等。     

基于个体的标准化法--倾向评分加权

倾向评分加权是利用倾向评分值对每个观察单位进行加权调整.由于倾向评分将许多协变量综合为一个变量,因此通过倾向评分加权可以使各混杂变量在两组人群中的分布趋于一致.根据调整后标准人群的不同分为两种加权方法:逆处理概率加权法(IPTW)和标准化死亡比加权法(SMRW).本文实例分析表明,用IPTW和SMRW加权调整后处理组和对照组妇女各混杂变量的分布均趋于一致,两种方法调整后的效应估计基本相同.本文介绍倾向评分加权法的基本原理、具体方法,并结合实例探讨了其在流行病学中的应用.