基于Super Learner的边缘结构模型研究及发展

摘要：时依性混杂是纵向观察性研究数据中常见,但较难用传统回归模型控制的特殊混杂。边缘结构模型通过计算逆概率权重对原始人群进行加权,获得新的虚拟人群,消除混杂因素的影响,是目前控制时依性混杂较流行的方法。近年来,随着机器学习的发展,利用数据自适应算法计算逆概率权重的边缘结构模型逐步受到关注。Super Learner是其中较新颖的一种方法,其能很好地规避传统估计逆概率权重方法的缺陷。该文基于前人的相关研究,总结传统边缘结构模型和逆概率权重的构建与计算,介绍Super Learner的构建、优缺点以及目前在药物流行病学相关研究中的实际应用,并提出未来可研究和待解决的问题。     

以生存时间为疗效指标的临床试验转组研究中RPSFT法与BW法进行处理效应估计的性能比较

目的:本文介绍等级结构保留失效时间模型(rank preserving structural failure time models,RPSFT)和BW法(the method of Branson and Whitehead)在临床试验转组研究中的应用,并对两种方法进行比较。方法:以部分对照组受试者在试验中途转至试验组为例,采用计算机模拟试验,查看不同截尾率、转组率水平下,RPSFT法和BW法估计试验药疗效的效果。以及探讨与传统的ITT法相比,RPSFT法和BW法的检验效能和Ⅰ类错误控制情况。结果:RPSFT法和BW法估计试验药疗效的准确性高,与传统的分析方法比较,引入的偏倚小。随着转组率和截尾率增大,RPSFT法与BW法的偏倚逐渐增大,估计的试验药疗效低于真实疗效,但RPSFT法的偏倚比BW法小。两种方法估计的均方误差(MSE)十分接近。当截尾率较大(40%)时,RPSFT法的MSE比BW小。随着转组率增大,两种方法的Ⅰ类错误不断升高,普遍高于0.05。与ITT法相比,RPSFT法与BW法的检验效能受转组率的影响小,下降趋势缓慢。结论:在估计试验药疗效的临床试验中,若存在对照组受试者转组到试验组的情况,统计分析以ITT法分析为主,RPSFT法和BW法作为辅助分析方法。RPSFT法和BW法相比,当截尾率和转组率均较高时,参数估计优先考虑选择使用RPSFT法。     

如何进行因变量为二值变量的多logistic回归分析－怎样在药物应用与监测研究中正确运用统计学（十二）

通常的多重线性回归模型中,因变量常为一个连续性变量,而在临床医学、药学实验中因变量有时为分类变量,此时需要采用logistic回归模型进行分析。Logistic回归属于概率型回归,即因变量是某事件（代表自变量取某特定值所对应的事件,如患者被治愈）发生的概率。因变量的性质通常可以有以下3种情形：1）二值变量,如成功或失败、生存或死亡;