|
原创 2017-08-25 松哥统计 精鼎数据分析联盟 精鼎数据分析联盟 data973 （为伊消得人憔悴；一用就错学不会；舍得应付换应用；案例实战真英雄！）这里没有生涩难懂的统计理论，只有白话统计思维+案例实战。咱们一起成长吧！ 倾向性评分（PS）近年确实不要太火。其主要用途是用已知的多个自变量X凝炼出一个综合评分，用此评分去校正基线数据不均衡。适用于观察性研究。然而PSM在实际应用中，用3种用法，你知道吗? 1.PSM 倾向性评分匹配，就是利用产生的倾向性评分，在试验组与对照组中选择研究对象，构成新的试验组和对照组，然后进行两组间干预因素作用的比较。 注意，此时参与分析的研究对象，已经不是我们当初所有的研究对象，是当初的一部分，而这一部分对象，在两组间，相关影响因素的分布是均衡的。 本号曾近发过如下文章，感兴趣可参看： 2.PS分层 我们知道，统计学多因素分析，很大一部分是为了消除混杂干扰，而分层分析与回归分析都是消除混杂干扰的方法。 比如，性别与某种疾病有关，而性别在干预组与对照组间不可比。此时，我们也可以按照性别进行分层。也就是说在男性中，进行统计分析，再在女性中进行统计分析。如果得到一致的结果，我们在用Cochran方法进行合并，如果结果不一致，则不能合并，得分开分析与讨论。 倾向评分分层分析原理与传统的分层分析方法基本相同, 只是分层变量不是每个混杂变量, 而是倾向评分值。研究发现，按照倾向评分合理地分层后, 各层处理因素的效应是实际效应的一个无偏估计，如果分层后两组对象在各层的倾向评分均值非常接近, 则各混杂因素在每一层的分布将趋于一致, 此时可以认为各层中处理的分配是近似随机的。 具体方法是: （1）首先根据协变量和处理分组计算倾向评分值'将倾向评分值排序。 （2） 然后按照倾向评分值的百分位数将全部研究对象划分若干个亚组或层(一般5 ~10层) ，研究者根据两组人群的倾向评分或某一组人群的倾向评分来确定每一层的临界值。 （3）最常用的方法是根据两组共同倾向评分等分为若干层，在每一层内对两组的协变量和倾向评分分布进行均衡性分析；对连续性协变量做方差分析或t检验, 对分类协变量作卡方检验；如果均衡性较差, 则要重新分层或修改模型重新计算倾向评分值, 如增加或减少某个协变量或交互项,然后用与传统分层分析相同的方法计算和合并各层统计量和效应尺度。 3.PS回归 倾向评分回归调整( pronensity score regression adjustment) 是将倾向评分作为协变量引人最后的模型中, 分析处理因素与结局变量之间的因果联系及联系强度。 由于倾向评分综合了各协变量在两组中的分布信息, 特别是分布差异较大的协变量的信息, 因此将倾向评分纳人到最终的模型中就可以调整各协变量的效应。 通常有以下几种调整策略，最简单的方法是只将倾向评分和处理因素作为自变量纳人最终模型进行效应分析，倾向评分变量可以是倾向评分值, 也可以是分层赋值, 如果将评分等分为5 层, 则赋值为1、2 、3 、4、5 。 参考文献： 李智文，任爱国.倾向评分分层和回归分析.中国生育健康杂志.2010,21:（3）。 松哥统计说 现代生物统计学奠基人之一，R.A.Fisher曾经说过“当你试验完成之后，再去找统计学者进行求教，无异于请统计学者为你的实验结果进行尸体解剖，统计学者或许只能告诉你实验失败的原因而已”。此话告诉我们在试验设计阶段，就应该有统计学者的参与。但略微有一点点的夸大，因为，统计学还是在某种程度上进行“亡羊补牢”的。比如我们今天所学的，倾向性评分法，呵呵！ 但统计的补救不是万能的哦，就像“医治不死病，佛渡有缘人”一样。 总结一下吧： （1）倾向性评分匹配： 从现有数据中，依据PS选取可比性的样本进行分析。该法无疑会减少我们研究的样本量，导致信息损失！ （2）倾向性评分分层： 利用PS进行分5-10层，然后进行各层比较。样本量无损。 （3）倾向性评分回归： 直接将PS当做一个变量纳入模型进行分析，或者将PS分成1、2、3、4、5级别纳入模型。样本量无损。 看到此处可以点个广告，呵呵！
人赞赏 看到此处可以点个广告，呵呵！ 阅读 '' |
|
|
