【原】如何获得连续型变量的RR和校正的RR（二）

转自个人微信公众号【Memo_Cleon】的统计学习笔记：SPSS之1:n倾向性得分匹配。

单个分类变量的RR很容易通过交叉表分析获得，连续型变量的RR和校正的RR怎么获得呢？我们在<<如何获得连续型变量的RR和校正的RR>>中通过Cox回归来获得了解释变量的RR，但在SPSS中COX回归未提供对大量“结”数据的校正算法，RR虽然一致，但统计检验结果存在偏差，可以改用STATA配合相应的选项来计算。文末我们也说Poisson回归中的事件发生率比值（incidence-rate ratios，IRR）意同RR，也可以利用Poisson回归来获取RR。有留言说采用广义线性模型来拟合的泊松模型也只能获得跟SPSS中COX回归一致的结果，也就是说直接在SPSS中采用泊松模型获得的结果也存在偏差，该怎么办？

COX回归模型结果如下，操作步骤参见如何获得连续型变量的RR和校正的RR。

SPSS中的GLM模型进行泊松回归结果如下，具体操作见后面的步骤，在【参数估计】选项卡中采用默认的[Model-based estimator]进行协方差矩阵的估计。

在SPSS中直接采用Poisson的回归结果的确跟COX完全一致。

实际上在SPSS中的GLM模型中，在参数估计选项卡中除了默认的基于模型进行协方差估计，还提供了稳健估计法。我们只需要将估计方法改为“Robust estimator”即可解决这个问题。

示例依旧采用<<如何获得连续型变量的RR和校正的RR>>中的案例数据，稳健Poisson回归步骤如下：

Predictors：本例将因子变量（名义变量）通过[选项]修改为降序，在参数估计表中参照水平将指定为低水平（不吸烟）。

Estimation：协方差矩阵估计默认是基于模型估计，本例改为稳健估计。

Statistic：选中参数的指数值估计。

主要结果如下：

拟合优度：拟合优度的统计量可以用来进行模型间的比较，单独一个模型的信息准则值意义并不大。泊松分布要求等离散（期望均值与方差相等），偏差残差和Pearon卡方的Value/df 如果＞1，提示计数资料可能存在过离散。本例Value/df比值＜1，提示数据均值等于方差，满足等离散的要求。

稳健泊松回归参数估计结果如下，结果同采用STATA采用校正算法的COX回归是完全一致的。

结果显示，在固定年龄因素的影响后，孕期吸烟新生儿出现低体重的可能性是不吸烟的1.585倍(wald chi2=4.641,P=0.031)，95%CI：[1.042,2.409]。这里的wald chi2值刚好是cox回归中检验统计量Z值的平方（Z=2.15）。

转自个人微信公众号【Memo_Cleon】的统计学习笔记：SPSS之1:n倾向性得分匹配。