复杂抽样下的截取回归模型在医学研究中的应用

目的 探讨复杂抽样下截取因变量回归模型的方差估计及在医学研究中的应用.方法 模拟复杂抽样下分别从左右方向发生因变量截取的回归数据,比较不同截取比例、不同组内相关时不考虑抽样特点和考虑抽样设计后的泰勒级数法、刀切法、平衡半样本法所得到回归系数及其标准误,并给出一个医学随访实例.结果 随截取比例的增加回归系数偏性增加且其标准误变大,考虑抽样特征时回归系数标准误减小,群内个体相关越小回归系数标准误也减小.结论 对于抽样框完整的复杂抽样截取数据进行回归分析时,运用复杂抽样数据方差估计可提高统计推断效率.     

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。     

广义线性混合模型在煤工尘肺发病影响因素研究中的应用

目的研究广义线性混合模型在煤工尘肺发病影响因素的应用,为煤工尘肺及类似疾病的发病影响因素研究提供新的方法。方法收集煤矿集团所属8个煤矿所有接尘矿工的资料,用SAS进行卡方检验、Logistic回归进行尘肺发病影响因素研究,并与SAS nlmixed模块实现的广义混合现行模型结果进行比较。结果单因素分析、Logistic回归和广义线性混合模型显示:工龄、接尘时间和工种均为尘肺发病的影响因素,工作地点作为随机效应结果差异无统计学意义。结论广义线性混合模型因考虑了不同工人工作地点的不同和随机效应,结果虽然和其他方法一致,但是更有说服力,与其他方法相比是研究尘肺发病影响因素较好的方法。     

死因监测整群抽样与不等概率抽样设计方案的比较

为比较不同整群抽样设计方法 的抽样误差及设计效应,评价不等概率抽样在死因监测中的应用效果.以陕西省107个县(市、区)作为抽样框架,采用等概率整群抽样和不等概率整群抽样等设计方案抽取样本,用复杂抽样方法 计算不同方案样本的抽样误差和设计效应.不同的抽样方案得到不同的抽样误差估计,分层整群抽样的标准误小于完全随机整群抽样;不等概率抽样(πPS抽样)的设计效率虽略逊于等概率的完全随机整群抽样,但扩大了监测范围.结论 :对于抽样框架明确的整群抽样调查数据,在统计分析时不应脱离预先设定的抽样设计方案和设计参数.死因监测采用不等概率抽样设计,能增加样本的权重,提高死亡率的地区代表性.     

非独立多分类数据的统计分析方法及SAS程序

目的采用广义估计方程、广义线性混合模型、非线性混合模型分析非独立分类数据。方法以眼科临床试验资料为实例,采用SAS9.2软件中GENMOD、GLIMMIX、NLMIXED过程拟合广义估计方程、线性混合效应模型、非线性混合效应模型。结果广义估计方程将非独立观测间的协方差结构处理为多余参数,模型中不能容纳随机效应;广义线性混合模型可以拟合多个随机效应,但不能对其提供统计学检验;非线性混合效应模型中因变量的分布形式可以自己指定,可以提供真实的似然函数及随机效应的统计学检验结果。3种分析方法的统计分析结论一致。结论 3种分析方法都是分析非独立分类数据的有力工具,研究者根据数据的特征及研究目的选择合适的方法对资料进行分析。     

重复测量诊断试验的ROC曲线广义线性混合效应模型北大核心CSCD

目的针对重复测量诊断数据,为同时考虑协变量对诊断试验准确性评价的影响,度量重复测量数据间的相关性,本文探索新的ROC曲线的建模方法。方法通过广义线性混合效应模型对ROC曲线进行模拟,并采用贝叶斯参数估计方法,利用Win BUGS软件予以实现,进而计算不同协变量取值下的ROC曲线下面积(AUC)以对诊断试验结果进行评价。结果实例数据分析结果表明,基于广义线性混合效应模型的ROC曲线建模方法可以有效地刻画重复测量诊断试验数据,给出更有解释意义的回归参数,提供临床分析的参考依据。结论基于广义线性混合效应的ROC曲线模型在解决重复测量诊断试验的准确度评价问题起着至关重要的作用。     

复杂抽样下截取因变量回归系数方差估计的模拟研究

目的探讨复杂抽样下截取因变量数据拟合回归模型后其回归系数的方差估计。方法模拟复杂抽样下分别从左右方向发生截取的数据,按照是否考虑抽样特征分别拟合参数与半参数回归模型,给出两种情况下模型中回归系数的标准误,比较这两种情况所得结果的异同。结果在样本量固定的前提下拟合截取回归模型,考虑复杂抽样特征后估计所得的回归系数与假设完全随机抽样一致,但其回归系数的标准误却不同于复杂抽样的情形。如果群内异质性高,群内相关系数很小,在复杂抽样条件下回归系数的标准误要低于不考虑复杂抽样特征的情形。结论对于抽样框完整的复杂抽样截取数据,进行数据处理时应尽可能地将抽样特征考虑在内,运用复杂抽样数据方差估计得到的结果更接近于实际情况,统计推断结果更加真实可靠。     

广义线性混合效应模型及其应用

[目的]探讨广义线性混合效应模型在医学研究领域中的作用。[方法]通过实例分析说明模型的实际应用。[结果]将实例中的多中心临床实验数据中不能直观观测到的中心的效应以随机应项纳入型来解决由于来自同一中心可能造成的观测间不独立的问题，模型很好地处理了此类数据。[结论]广义线性混合效应模型可以分析观测间相关、因变量为非正态分布的非独立数据。     

重复测量诊断试验的ROC曲线广义线性混合效应模型

目的针对重复测量诊断数据,为同时考虑协变量对诊断试验准确性评价的影响,度量重复测量数据间的相关性,本文探索新的ROC曲线的建模方法。方法通过广义线性混合效应模型对ROC曲线进行模拟,并采用贝叶斯参数估计方法,利用Win BUGS软件予以实现,进而计算不同协变量取值下的ROC曲线下面积(AUC)以对诊断试验结果进行评价。结果实例数据分析结果表明,基于广义线性混合效应模型的ROC曲线建模方法可以有效地刻画重复测量诊断试验数据,给出更有解释意义的回归参数,提供临床分析的参考依据。结论基于广义线性混合效应的ROC曲线模型在解决重复测量诊断试验的准确度评价问题起着至关重要的作用。     

混合效应模型在系统分组资料中的应用及SAS实现

目的 探讨系统分组资料的混合效应模型的建模及SAS程序实现.方法 以系统分组资料例证混合效应模型的SAS MIXED 实现过程,并与传统的广义线性模型结果作比较.结果 该实例显示SAS混合效应模型结果与广义线性结果一致.结论 SAS MIXED可以灵活地拟合和分析系统分组资料.