计算机模拟统计效率.docx

计算机模拟统计效率.docx

《计算机模拟统计效率.docx》由会员分享，可在线阅读，更多相关《计算机模拟统计效率.docx（15页珍藏版）》请在冰豆网上搜索。

计算机模拟统计效率

计算机模拟统计效率

目录

模拟方法的介绍

病例对照研究中统计效率模拟分析方法的运用

∙病例对照研究的定义

∙回归模型

∙有交互作用的回归模型

∙模拟过程需要的参数

队列研究中统计效率模拟方法的运用（暴露组与非暴露组的随访）

∙队列研究的定义

∙回归模型

∙有交互作用的回归模型

∙模拟过程需要的参数

横断面研究或队列研究（随访一个人群）中统计效率模拟分析的运用

∙横断面研究的定义

∙回归模型

∙有交互作用的回归模型

∙模拟过程需要的参数

易侕统计软件中统计效率模拟分析包的使用

∙输入截图举例

∙输出截图举例

∙其他输入选项

模拟方法：

1.用相应模型按以下参数

（1）指定的样本量；

（2）要检测的效应大小；

（3）变量相关基本参数（如：

均数，方差，发病率）产生随机数据。

2.在随机生成的数据上运行回归模型，保存参数估计值及P值。

3.重复上述步骤N次，P值小于显著性检验水准的次数占总重复次数（N）的比例，即为检验效率估计值。

病例对照研究中统计效率模拟分析的运用

病例对照研究定义：

以确诊的患有某特定疾病的病人作为病例，以不患有该病但具有可比性的个体作为对照，通过回顾性地搜集研究对象既往可能的危险因素的暴露史，比较病例组与对照组各因素的暴露比例（如果暴露是分类变量，如吸烟），或暴露水平（如果暴露是连续性变量，如体质指数BMI），以探索和检验病因假说。

回归模型

Y为是否患病的二分类变量，因此适用logistic回归模型

log（p/（1-p））=β0+β1*X

p/（1-p）是发病的比值，X为暴露,如果X是二分类变量（0或1），eβ1是暴露组比非暴露组患病的比值比，指暴露者患病危险性为非暴露者的多少倍。

如果X是连续性变量，eβ1是暴露每改变一个单位患病风险的OR值。

两种暴露交互作用的回归模型

Log（p/（1-p））=β0+β1*X1+β2*X2+β3*X1*X2

eβ1是在X2=0时，X1的效应（OR），称X1的主效应

eβ2是在X1=0时，X2的效应（OR），称X2的主效应

eβ3反映在X1、X2都存在时的附加效应，X1和X2的交互作用

拟合过程需要的参数

模型中只包含一个二分类暴露变量X

∙X在总人群中的暴露的率

∙X的OR值

∙样本量（包括病例数、对照数）

模型中包含一个连续性变量X

∙X在研究人群中的均数、标准差

∙X每改变一个单位，发病风险的OR值

∙样本量（包括病例数、对照数）

模型包含一个二分类变量X1和一个二分类变量X2

∙X1在目标人群中的暴露率

∙X2在目标人群的暴露率

∙X1=1时出现X2的比值与=0时出现X2的比值比，如果X1和X2相互独立，则为1。

∙样本量（包括病例数、对照数）

模型包含一个二分类变量X1和一个连续性变量X2

∙X1在总人群的暴露率

∙X在总人群中的均数、标准差

∙X1对X2的作用，即X1=1和=0时X2的均值的差值，如果X2和X1相互独立则为0。

∙交互作用项的OR值

∙样本量（病例数、对照数）

队列研究中的检验效能拟合

队列研究定义：

在一个特定人群中选择所需的研究对象，根据目前或过去某个时期是否暴露于某个待研究的危险因素，或其不同的暴露水平而将研究对象分成不同的组，如暴露组和非暴露组等，随访观察一段时间，检查并登记各组人群某结局的发生情况，比较各组结局的发生率，从而评价和检验危险因素与结局的关系。

队列研究分为前瞻性队列研究、历史性队列研究和双向性队列研究。

回归模型：

如果结果变量为二分类变量（0=是，1=否），适用logistic回归模型：

Log（p/（1-p））=β0+β1*X

p/（1-p）为是否患病的比值，X为暴露变量，X对Y的效应：

比值比（OR）=eβ1

如果结局变量为连续性变量，适用线性回归：

Y=β0+β1*X

X对Y的效应为回归系数，即β1

含两个暴露变量且有交互作用的回归模型

如果结局变量为二分类变量（0=否，1=是），适用于logistic回归模型

Log（p/（1-p））=β0+β1*X1+β2*X2+β3*X1*X2

eβ1是当X2=0时X1的效应（OR），即X1的主效应

eβ2是当X1=0时X2的效应（OR），即X2的主效应

eβ3反映X1和X2均存在时附加的效应（OR），即X1和X2的交互作用

如果结局变量为连续性变量，适用于线性回归

Y=β0+β1*X1+β2*X2+β3*X1*X2，

以回归系数来表示X对Y的效应

回归系数β1是当X2=0时X1的效应，即X1的主效应

回归系数β2是当X1=0时X2的效应，即X2的主效应

回归系数β3反映X1和X2均存在时附加的效应，即X1和X2的交互作用

模拟过程需要的参数

模型中包含二分类结局变量Y

∙Y在非暴露人群中的患病率

∙暴露变量X引起发病风险的OR值

∙样本量，包括非暴露人数，暴露人数

模型中包含连续性结局变量Y

∙Y在非暴露人群中的均数和标准差

∙X对Y回归系数

∙样本量，包括非暴露人数，暴露人数

二分类结局变量，探索暴露变量X1（二分类）和X2（二分类）的交互作用的模型

∙Y在非暴露人群中的患病率

∙X2在研究人群中的分布情况

∙X2与X1的联系，即有X1时出现X2的比值，与无X1时出现X2的比值比，若两者相互独立，则为1

∙X1的主效应（OR）

∙X2的主效应（OR）

∙交互作用效应（OR）

∙样本量，包括非暴露组人数，暴露组人数

连续性结局变量，探索暴露变量X1（二分类）和X2（二分类）的交互作用的模型

∙Y在非暴露人群中的均数和标准差

∙X2在研究人群中的分布情况

∙X2与X1的联系，即有X1时出现X2的比值，与无X1时出现X2的比值比，若两者相互独立，则为1

∙X1的主效应（回归系数）

∙X2的主效应（回归系数）

∙交互作用项的回归系数

∙样本量，包括非暴露组人数，暴露组人数

二分类结局变量，探索暴露变量X1（二分类）和X2（连续性）的交互作用的模型

∙Y在非暴露人群中的患病率

∙X2在研究人群中的均数和标准差

∙X1对X2的作用，即X1=1和X1=0时的X2的均值的差值，如果X2和X1相互独立，设为0

∙X1的主效应（OR）

∙X2的主效应（OR）

∙交互作用效应（OR）

∙样本量，包括非暴露组人数，暴露组人数

连续性结局变量，探索暴露变量X1（二分类）和X2（连续性）的交互作用的模型

∙Y在非暴露人群中的均数和标准差

∙X2在研究人群中的均数和标准差

∙X1对X2的作用，即X1=1和X1=0时的X2的均值的差值，如果X2和X1相互独立，设为0

∙X1的主效应（回归系数）

∙X2的主效应（回归系数）

∙交互作用项的回归系数

∙样本量，包括非暴露组人数，暴露组人数

横断面研究或者随访队列研究的统计效率模拟分析

定义：

旨在观察一组人群，收集所有暴露和结局的数据，进行关联性分析，探索暴露与结局间的关系，有别于一般的在两组人群中的研究（如病例对照研究，包括暴露组与非暴露组的队列研究）

回归模型：

如果结局变量为二分类（0=否，1=是），适用于logistic回归模型

Log（p/（1-p））=β0+β1*X

p/（1-p）是结局变量Y的比值，X是暴露变量

X对Y的效应为OR（比值比），即eβ1

如果结局变量为连续性变量，适用于线性回归：

Y=β0+β1*X

X对Y的效应为回归系数，即β1

包含两种暴露交互作用的回归模型

如果结局变量为二分类变量（0=否，1=是），适用于logistic回归模型

Log（p/（1-p））=β0+β1*X1+β2*X2+β3*X1*X2

eβ1是当X2=0时X1的效应（比值比），即X1的主效应

eβ2是当X1=0时X2的效应（比值比），即X2的主效应

eβ3反映X1和X2均存在时附加的效应（比值比），即X1和X2的交互作用

如果结局变量为连续性变量，适用于线性回归：

Y=β0+β1*X1+β2*X2+β3*X1*X2，

以回归系数来表示X对Y的效应

回归系数β1是当X2=0时X1的效应，即X1的主效应

回归系数β2是当X1=0时X2的效应，即X2的主效应

回归系数β3反映X1和X2均存在时附加的效应，即X1和X2的交互作用

统计模拟分析过程需要的参数

包含二分类结局变量Y和二分类暴露变量X的模型

∙Y在研究人群中的发生率

∙X在研究人群中出现的概率

∙暴露变量X对Y的作用（有X时发生Y的比值与无X时发生Y的比值比），即待计算的效应（OR）

∙样本量，包括研究对象总数

二分类结局变量Y和连续性暴露变量X的模型

∙Y在研究人群中的发生率

∙X在研究人群中的均数和标准差

∙X每改变一个单位，发生Y的比值比，即待计算的效应（OR）

∙样本量，包括研究对象总数

连续性结局变量Y和二分类暴露变量X的模型

∙Y在研究人群中的均数和标准差

∙X在研究人群中出现的概率

∙暴露变量X对Y的回归系数，待计算的效应

∙样本量，包括研究对象总数

连续性结局变量Y和连续性暴露变量X的模型

∙Y在研究人群中的均数和标准差

∙X在研究人群中的均数和标准差

∙X每改变一个单位对Y的回归系数，待检测的效应

∙样本量，包括研究对象总数

二分类结局变量，探索暴露变量X1（二分类）和X2（二分类）的交互作用的模型

∙Y在研究人群中的发生率

∙X1在研究人群中出现的概率

∙X2在研究人群中出现的概率

∙X2与X1的联系，即有X1时出现X2的比值，与无X1时出现X2的比值比，若两者相互独立，则定为1 

∙X1的主效应（比值比）

∙X2的主效应（比值比）

∙交互作用项的比值比，待计算的效应

∙样本量，包括研究对象总数

二分类结局变量Y，探索暴露变量X1（二分类）和X2（连续性）的交互作用的模型

∙Y在研究人群中的发生率

∙X1在研究人群中出现的概率

∙X2在研究人群中的均数和标准差

∙X1对X2的作用，即X1=1和X1=0时的X2的均值的差值，如果X2和X1相互独立，设为0

∙交互作用项的比值比，待计算的效应

∙样本量，包括研究对象总数

连续性结局变量Y，探索暴露变量X1（二分类）和X2（二分类）的交互作用的模型

∙Y在研究人群中的均数和标准差

∙X1在研究人群中出现的概率 

∙X2在研究人群中出现的概率

∙X2与X1的联系，即有X1时出现X2的比值，与无X1时出现X2的比值比，若两者相互独立，则定为1

∙X1的主效应（回归系数）

∙X2的主效应（回归系数）

∙交互作用项的回归系数

∙样本量，包括研究对象总数

连续性结局变量Y，探索暴露变量X1（二分类）和X2（连续性）的交互作用的模型

∙Y在目标人群中的均数和标准差

∙X1在研究人群中出现的概率

∙X2在研究人群中的均数和标准差

∙X1对X2的作用，即X1=1和X1=0时的X2的均值的差值，