您如何解释相对风险和绝对风险之间的区别？

前几天，我与流行病学家进行了会诊。她是一名拥有流行病学公共卫生学位的医学博士，并且具有大量的统计知识。她指导她的研究员和居民，并帮助他们解决统计问题。她非常了解假设检验。她有一个比较两组的典型问题，以查看与充血性心力衰竭（CHF）相关的风险是否存在差异。她测试了获得CHF的受试者比例的平均差异。p值为0.08。然后，她还决定查看相对风险，得出p值为0.027。因此她问为什么一个重要，而另一个不重要。通过查看差异的95％双向置信区间和比率，她发现平均差异区间包含0，但比率的置信上限小于1。所以为什么我们得出不一致的结果。在技​​术上正确的情况下，我的回答并不令人满意。我说：“这些是不同的统计数据，可以得出不同的结果。p值都在边际有效范围内。这很容易发生。” 我认为必须有更好的方法以外行的方式回答医师问题，以帮助他们了解测试相对风险与绝对风险之间的区别。在Epi研究中，这个问题出现了很多，因为他们经常关注罕见事件，两组的发生率都非常小，样本量不是很大。我已经考虑了一下，并提出了一些想法。但是首先，我想听听你们中的一些人将如何处理这个问题。我知道你们中许多人在医疗领域工作或咨询，可能已经遇到了这个问题。你会怎么做？

好吧，从您已经说过的角度来看，我认为您已经涵盖了大部分内容，但只需要用她的语言来表达：一个是风险的差异，一个是风险的比例。因此，一个假设检验询问而另一个询问。有时这些是“接近的”，有时则不是。（用引号引起来，因为很显然它们在通常的算术意义上不是很接近）。如果风险极少，则通常是“相距甚远”。例如（远离1），而（接近0）；但是如果风险很高，则这些风险是“接近的”：（远离0）和（也远离0，至少与罕见情况相比）。p $p_2 - p_1 = 0$.002/.001=2.002-.001=.001.2/.1=2.2-.1=$\frac{p_2}{p_1} = 1$$.002/.001 = 2$$.002-.001 = .001$$.2/.1 = 2$$.2 - .1 = .1$

请注意，在这两个测试中，您使用不同的假设来测试完全不同的假设。结果不可比，这是一个太常见的错误。

在绝对风险中，您测试比例的（平均）差异是否明显不同于零。标准测试中的基本假设是假设比例差异呈正态分布。这可能只占很小的比例，但不是很大。从技术上讲，您可以计算以下条件概率：

$P( p1 - p2 = 0 | X )$

其中和是两个比例，您的解释变量。这等效于测试以下模型的斜率：p 2 X $p1$$p2$$X$$b$

$p = a + b*X + \epsilon$

您假设。$\epsilon \sim N(0,\sigma)$

在相对风险中，您执行完全不同的操作。您根据解释变量检验获得正面结果的可能性。所以你计算$X$

$P( log(\frac{p1}{p2}) = 0 | X )$

这等效于在以下逻辑模型中测试斜率：

$log(\frac{p}{1-p}) = a + b*X + \epsilon$

与是所述几率的对数。请注意，此假设是根据赔率而不是比例来表述的！因此，模型的假设也根据赔率（或更确切地说，对数的对数）来表述。您正在测试不同的假设。$log(\frac{p}{1-p})$

彼得·弗洛姆（Peter Flom）的答案给出了这样做的原因：绝对风险的微小差异可以带来很大的赔率。因此，在您的情况下，这意味着罹患该疾病的人群比例没有显着差异，但是，处于一组中的几率明显大于另一组中的几率。那是完全明智的。