|
郑老师团队2022年meta分析培训来了，5.25-5.26两天学会meta 两天学会Meta分析！欢迎参加Meta分析线上训练营(6.25-26) 很多人一碰到人群的数据，就是做个回归，探讨影响因素，把所有变量放到回归分析，多因素回归分析，出来个结果就完事了。
实际上，除了随机对照研究之外，临床预后研究根据不同的目的，有3种统计分析角度，它们在回归分析的策略上有所区别，今天我来说两句。主要是两点区别，分别是筛选自变量的区别、模型评价的区别。
预测模型的研究，目的是预测患者预后疾病发展，所以是注重于模型整体效果的方法。它不关注我们挑选的自变量与预后结局指标有没有因果关系，往往要从经济性、可及性、预测效果去挑选自变量。评价自变量的方法不是每个自变量是否具有统计学意义，而是评价该指标的存在是否能够提高模型的性能；而模型的性能往往用R平方、-2倍对数似然值、AIC、BIC、AUC面积等指标来评价。所以，预测模型回归分析，往往是数据驱动的结果。分析时，往往可以先单后多挑选自变量、lasso法筛选自变量、逐步回归法筛选自变量。临床预测模型构建策略是用较少的自变量达到不差的预测效果。因此有上述做法，最后留在模型的指标都应该有它的预测价值。
影响因素研究类文章最多，但是统计学方法被广泛误用，很多人把它等同于预测模型研究，也用R平方、-2倍对数似然值、AIC、BIC、AUC面积评价，用逐步回归法来筛选自变量。其实不该这样。影响因素研究，不讲究模型建的R平方到底有多大，没有统计学意义的自变量也照样可以留在模型中。但是影响因素研究，需要控制自变量数量，因为回归模型不允许自变量太多，否则容易建模失败，所以可采用先单因素再多因素的回归建模策略。
自变量筛选上与预测模型很大的区别的是，影响因素分析科学的做法，不是数据驱动型，而是理论驱动型，要主动挑选理论上与预后指标有因果关系的指标放入模型。这样做两点好处，第1，自变量不会太多，第2，没有因果关系的不纳入模型，结果更好解释。没有认真思考，一股脑纳入所有自变量进行回归分析，得到是将会是垃圾结果。这类研究是临床真实世界研究的主要思路，预后研究不再“雨露均沾”去探讨多个影响因素，而是聚焦于关键1-2个变量（比如治疗措施、关键身体指标）对预后的影响。这类文章容易发好文章。
这类研究与第2种分析范式类似的地方是，它也不注重模型整体AUC面积是否大，R平方是否大，它也需要控制自变量数量。但不同于2种方法，本类研究在建模时除了纳入研究的关键因素之外，其他自变量挑选更加严格，自变量往往是分组不均衡的指标，自变量的个数也更少，往往局限于人口学、社会经济学、行为、缓解等因素，特别要求不能纳入中介变量进入模型，免得会干扰目标研究指标的作用。此外，多因素回归时，也不用采用逐步回归法，允许没有统计学意义的协变量留在模型；如果自变量较多，可采纳“效应改变法”策略进行自变量的去留考虑。
估计很多人会问，什么是效应改变法，下面链接可以看看。更多关于预后研究，可以关注本人7月份的真实世界临床研究的课程，详细见下方链接。2022年，我们召集了一批富有经验的高校专业队伍，着手举行短期统计课程培训班，包括R语言、meta分析、临床预测模型、真实世界临床研究、问卷与量表分析、医学统计与SPSS、临床试验数据分析、重复测量资料分析、结构方程模型等9门课。如果您有需求，不妨点击查看：
本公众号作为医学数据分析公众号，提供一些免费医学统计学学习资源下载，欢迎点击下载。
|
