截断混合高斯分布入组模式下生存资料样本量估计

目的在入组间期长的生存资料临床试验中,受试者入组速率可能受招募广告宣传等多因素影响而存在反复波动,本文采用截断混合高斯分布拟合这种入组速率变化并估计该入组模式下需要的样本量。方法在指数分布生存时间和指数失访假设下,采用多重积分法推导受试者入组速率服从截断混合高斯分布时的事件发生率及样本量计算公式;分别计算截断混合高斯分布中均值、方差、权重分配变化时样本量变化情况;通过Monte Carlo模拟对采用均匀分布估计波动入组速率可能引起的试验检验效能损失及对提出样本量计算公式的稳健性进行评价。结果截断混合高斯入组模式下各高斯组分的均值越小、均值较小高斯组分的方差越小、权重越大,需要的样本量越小,即受试者入组速率高峰出现较晚或早期入组速率波峰窄小时需要更多的样本量;采用均匀分布拟合波动入组速率可能会引起不同程度的试验检验效能不足,而在截断混合高斯入组模式计算的样本量下试验检验效能基本能稳定在预期水平;截断混合高斯入组模式还可以近似恒定入组速率,单调增或减入组速率等情况。结论截断混合高斯入组模式及提出的样本量计算公式具有较好的稳健性,适用性更广,可以用于生存资料临床试验样本量估计。     

临床试验中自适应设计的样本量再估计方法

临床试验的样本量大小通常取决于Ⅰ类错误概率α、Ⅱ类错误概率β、临床有意义的处理差别δ以及主要评价指标的变异程度σ等因素.在试验设计的初始阶段,除Ⅰ类错误概率α、Ⅱ类错误概率口可以指定以外,处理差别δ以及主要评价指标的变异程度σ一般是未知的.对于它们的估计往往基于以往的文献或一个小型的预试验,而这种估算结果往往会与实际情况存在较大的偏差从而导致在试验设计阶段样本量估算的不准确.     

生存资料的成组序贯试验样本量估计及其PASS软件实现

<正>以生存数据作为主要疗效终点的肿瘤等临床随访研究日益广泛,生存资料的临床试验也越来越多。与传统试验设计方法相比,成组序贯设计可以在试验进行过程中进行多次期中分析以提前得出结论结束试验,具有更强的灵活性。生存资料的成组序贯试验不仅可以节省时间和资源,加快有效药物的试验进程,还可以减少受试对象暴露于较差的治疗,更加符合伦理学要求,而如何进行成组序贯设计生存资料样本量估计是试验设计过程中需要解决的关键问题。     

诊断试验ROC参数估计双正态样本量估计方法探讨

目的 探讨ROC双正态样本量估计方法的准确性。方法 通过Monte Carlo方法对ROC双正态样本量估计法进行评价与修正。结果 根据模拟试验结果得到双正态样本量估计法的校正公式及修正曲线。结论 采用文中给出的样本量调整方法。可以有效地进行样本量估计。达到诊断试验评价的要求。     

自适应设计中盲态和揭盲状态样本量调整的模拟比较

目的 通过对盲态和揭盲状态下内部预试验(IPS)样本量调整的模拟比较,确定自适应设计中相对合理的样本量调整方法.方法 利用蒙特-卡罗(Monte Carlo)模拟不断改变IPS的样本量,在盲态和揭盲状态下分别比较I型错误和检验效能.结果 两种状态下Ⅰ型错误和检验效能没有本质区别.结论 盲态样本量调整更可取.     

一种基于条件把握度法和EM算法相结合的样本量再估计

目的探索期中分析时正态分布资料的样本量再估计。方法通过模拟试验比较揭盲状态下样本量再估计的条件把握度法及盲态下样本量再估计的EM算法,进而探索将两者相结合的应用策略。结果均数差异大于初始值时越早使用条件把握度的方法,再估计之效能越高。结论先用EM算法进行样本量再估计,如果再估计样本量大于初始样本量1.5倍,采用揭盲状态下的条件把握度法进行样本量再估计,可以尽量保持盲态和试验完整性并获得较高的把握度,同时也能减少一部分假阴性的发生以及临床资源的浪费。     

生存质量资料的统计分析方法

生存质量资料的统计分析方法万崇华方积乾随着健康观念和医学模式的转变，以及人们生活水平的提高，生存质量的研究越来越受重视，并得到了广泛的应用。相应地产生了大量的生存质量资料。生存质量资料具有不同于一般资料的特点：①生存质量是难以直接观察的主观构造，需通...     

样本量估计及其在nQuery软件上的实现——生存分析(二)

例3-3的 SAS9.2软件实现: ％ macro STT3U (a,s,T,acc1,epd1,d1,acc2,epd2,d2,n_sim,seed,n1,n2); proc IML; start STT3U (a,s,T,n_sim,seed,n1,n2); acc1 =&acc1;epd1 =&epd1;d1 =&d1;acc2 =&acc2;epd2 =&epd2;d2 =&d12;test1 =0;test2 =0;t1 =T; do i =1 to n_sim; do k =1 to t1;if acc1 [k] =100 then dim1 =k;end; head1 =J (dim1,T,0);event1 =J (dim1,T,0);drop1 =J(dim1,T,0); ran1 =100#uniform(repeat(seed,1,n1 》);     

卫生经济学评价中基于贝叶斯NMB模型的样本量估计方法及SAS实现

目的通过SAS编程实现Bayesian方法在卫生经济学评价中的样本量估计,弥补该领域样本量计算在操作上的不足。方法概括性地介绍Bayesian方法的理论背景,以及分析阶段和设计阶段的先验信息对样本量估计的重要性,给出样本量估算的不等式。编写SAS宏程序,利用迭代算法估算出不同参数组合下的样本量。结果通过举例展示了三种情形下的样本量估计结果,包括:分析阶段较弱、设计阶段较强的先验信息,分析阶段较弱、设计阶段适当的先验信息,以及分析阶段、设计阶段相同的先验信息。效果与成本的相关系数(含方向)、效应量、意愿支付界值与所需样本量呈负相关。此外,先验信息越强,所需样本量越小。结论本文的SAS程序可以实现不同效应量、相关系数、意愿支付界值等参数组合下的Bayesian样本量估计结果,还包括了经典的频率方法。     

基于广义估计方程的多重应答资料统计分析方法

目的目前对于多重应答的统计推断尚无较好的方法,本文尝试对其进行分析时可用的模型结构作一探索.方法在选项可互换时,考虑使用选择总数进行分析;在选项不可互换时,将其视为多元logistic回归问题,采用广义估计方程加以分析,随后利用实例对上述思路作了进一步阐述.结果广义估计方程可以很好地分析自变量对于多重应答各项的影响,并能进一步对各选项间的相关和具体差异进行分析.结论广义估计方程可以作为多重应答统计分析问题的标准模型加以推广.     

多个相关二分类共同终点临床试验样本量估计方法

正对于具有多个主要终点(multiple primary endpoints)的临床试验,当规定任一个终点成功整个研究即为成功时,可称为并交(union-intersection)试验~[1],此类研究常常会带来多重性问题。与之相反,针对多个共同终点(multiple co-primary endpoints)的临床研究称为交并(intersection-union)试验~[2-3],一般规定多个终点同时具有统计学意义时整个试验才记为成功。这     

logistic回归中一类基于Wald检验的样本量和功效估计

目的本文以logistic回归为例,介绍一类基于Wald检验的样本量和功效计算方法。方法推导一般情形下的计算方法,给出两类简单情形下的样本量计算公式:(1)模型仅含有一个暴露因素;(2)模型含有一个暴露因素和一个混杂因素,并给出实例分析。在暴露因素为一个二分类变量时,通过模拟研究比较了教科书上常用计算公式与基于Wald检验样本量的区别。对于病例对照研究,给定功效时,可通过最小化样本量来估计最优的病例与对照的比例。结果理论推导和模拟研究均显示,教材中的公式可能高估也可能低估样本量,仅当H_0成立时,三种方法得到的样本量估计相同。结论研究设计中计算样本量的统计量与假设检验采用的统计量建议保持一致。     

不同方差比双正态ROC参数估计样本量确定方法准确性探讨

目的 探讨不同方差比双正态参数估计时样本量确定方法的准确性,对最常用样本量估计方法--双正态法所估计样本量的准确性进行评价与修正.方法 采用Monte Carlo模拟试验,分别利用参数法和非参数法计算获得曲线下面积的参数估计值,获得实际所需样本量,对Obuchowski和Mcclish给出的不同方差比双正态ROC参数估计所需样本量的准确性进行评价,依据试验数据采用曲线拟合方法给出修正公式.结果 Obuchowski和Mcclish给出的方法是假定患病组诊断变量XA和非患病组诊断变量XN服从正态分布,样本量计算公式是以ROC曲线下面积估计值服从正态分布为前提导出的,但事实上随ROC曲线实际面积θ逐渐增大,样本估计量偏离正态,导致样本量估计结果不够准确,与实际样本需要量有一定差距.在其他条件相同的情况下,患病组与非患病组诊断变量方差比越大实际所需样本量越多,在患病组与非患病组诊断变量方差比分别为2∶1及3∶1的情况下,用Obuchowski和Mcclish方法计算出的样本量与实际所需样本量相差不是很大.根据Monte Carlo模拟试验的结果,给出了Obuchowski和Mcclish方法计算样本量的修正公式,该修正公式可有效地应用于实际.结论 Obuchowski和Mcclish方法计算的样本量进行ROC参数估计时需要调整,采用Monte Carlo方法估计的样本量,可以有效地进行双正态ROC参数估计,达到诊断试验评价要求.     

现况调查的样本量计算方法

正现况调查是医学研究中最常见的研究类型之一,旨在了解目标人群的健康状况及其与暴露因素的关系。为准确了解目标人群的健康水平,调查样本量的计算十分关键。本文对现况调查常用的简单随机抽样、分层抽样和整群抽样等样本量计算方法作简单介绍,供医学研究初学者学习和参考。     

偏态资料间变异度比较的方法探讨

本文对偏态资料间变异度的比较方法进行初步探讨。问题的提出 在资料呈正态或近似正态分布时，标准差是描述其变异度大小的统计指标，它带有单位，而进行两组间比较时，如果两组资料的单位不同或均数相差悬殊，就不能直接用标准差来比较两资料间的变异度，而应计算两组资料的变异系数(CV)并加以比较。     

样本量及抽样过程对线性模型中自变量重要性估计方法的影响研究

目的通过从同一总体中抽样产生不同样本量及相同样本量的重复抽样数据集,来观察并评价样本量对重要性估计方法的影响以及重复抽样过程对各方法估计稳定性的影响。方法简单介绍已有的几种重要性评价方法,调用SAS中的PROC SURVEYSELECT过程从同一总体中重复抽样,观察样本量变化、重复抽样过程对重要性估计结果的影响,评价各方法的稳定性。结果样本量较小时,各方法的重要性估计值变异较大,随着样本量增大估计值也逐渐趋于稳定。优势分析、相对权重、乘积尺度(βr)的重要性估计值之和与模型R~2之差,小于标准回归系数平方(β~2)、简单相关系数平方(R~2),优势分析法的稳定性最好。结论在现有的几种常见重要性估计方法中,优势分析法的重要性估计稳定性最好,相对权重法虽然与优势分析法最为接近,但仍有不足之处。     

肿瘤流行病学研究资料的统计分析 第四讲生存资料单变量分析中危险率比估计

Ｌｏｇｒａｎｋ检验[1,2]是生存分析中最常用的非参数统计方法。在资料分析时,除计算假设检验统计量及相应Ｐ值外,还可以对研究因素的效应做出估计,即估计一些参数或指标,例如回归系数β或相对危险度ＲＲ。单因素分析中常用的参数是相对危险度(ＲＲ)。在生存分析中该术语经常被称为危险率比(ｈａｒｚａｒｄｒａｔｉｏ,ＨＲ)。国人在生存资料单因素分析的结果中仅报道假设检验统计量及Ｐ值,很少给出ＲＲ或ＨＲ的估计值,一般在Ｃｏｘ回归模型分析中列出它们的结果。所以如何在单变量分析情形下,基于ｌｏｇｒａｎｋ检验估计ＲＲ或ＨＲ,是本讲的…     

肿瘤流行病学研究资料的统计分析 第四讲生存资料单变量分析中危险率比估计

Logrank检验[1,2]是生存分析中最常用的非参数统计方法。在资料分析时,除计算假设检验统计量及相应P值外,还可以对研究因素的效应做出估计,即估计一些参数或指标,例如回归系数B或相对危险度RR。     

配对设计中缺乏差值标准差情况下的样本量估计策略

目的 在临床配对设计试验中,利用定量指标变化值(干预前后差值)进行两组比较时,其样本量的准确估计需要依据两组变化值的均数和标准差.如果参数假设源于外部数据的话,通常会缺少变化值的标准差信息.本研究旨在探索配对设计中缺乏差值标准差情况下的样本量估计策略.方法 两组变化值的均数可直接从干预前均数与干预后均数相减得到.经理论...