Questions tagged «epidemiology»

如果我有无病生存数据（定义为是否已诊断出特定疾病以及事件发生的时间或后续损失）以及总体生存数据，那么我该如何处理在没有疾病的情况下发生的死亡疾病事件？是否对这些患者进行了检查？还是应该从无病生存（dfs）分析中排除此类患者？我计划针对几种特定类型的疾病分别进行dfs分析。

10 regression  survival  epidemiology 

我有以下形式的GLMM： lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) 当我使用时drop1(model, test="Chi")，我得到的结果与Anova(model, type="III")从汽车包装或汽车上获得的结果不同summary(model)。后两个给出相同的答案。 通过使用大量虚构数据，我发现这两种方法通常没有区别。对于平衡线性模型，不平衡线性模型（不同组中的n不相等）和平衡广义线性模型，它们给出相同的答案，但对于平衡广义线性混合模型，它们给出相同的答案。因此看来，只有在包括随机因素的情况下，这种矛盾才会显现出来。 为什么这两种方法之间存在差异？ 使用GLMM时应使用Anova()还是drop1()应使用？ 至少就我的数据而言，两者之间的差异很小。哪一个使用都重要吗？

10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 

我很难理解可以在影响评估中使用的不同估计量。我知道意向性（ITT）估算器会比较没有该计划的合格个人与有该计划的合格个人之间的差异，而不管其遵守情况如何。但是，我认为平均治疗效果（ATE）也能测量出相同的结果。但是，ATE似乎考虑了合规性。因此，它比较了符合条件和接受治疗的患者与不符合条件的患者的结局。它是否正确？

10 experiment-design  epidemiology 

我想比较两组之间的发生率（一组没有疾病，一组有疾病）。 我打算计算发病率比率（IRR），即发病率组B /发病率组A，然后测试该比率是否等于1，最后计算IRR的95％CI间隔。 我在书中找到了一种计算95％CI的方法（Rosner's Fundamentals of Biostatistics）： exp[log(IRR)±1.96(1/a1)+(1/a2)−−−−−−−−−−−−√]exp⁡[log⁡(IRR)±1.96(1/a1)+(1/a2)]\exp\left[\log(\text{IRR}) \pm 1.96\sqrt{(1/a_1)+(1/a_2)}\right] 其中，和是事件数。但是，这种近似值仅适用于足够大的样本量，我认为事件的数量很小（也许对于总体比较来说还可以）。a1a1a_1a2a2a_2 所以我认为我应该使用另一种方法。 我使用R和extraci包，发现可以使用poisson.test()。但是此函数有3种方法来定义两个侧面的p值：中心，minlike和blaker。 所以我的问题是： 使用比较泊松率的检验比较两个发生率比率im是否正确？ 在使用来自确切代码包的R中的poisson.test函数时，哪种方法最好？ 该小品的exactci说： 中心：是上面由1限定的单侧p值的最小值的2倍。名称“中心”是由相关的反转条件间隔（即中心间隔）引起的，即，它们保证真实参数小于小于（大于）100（1-）％置信区间的下（上）尾的概率。这被Hirji（2006）称为TST（较小尾法的两倍）。α/2α/2\alpha/2αα\alpha minlike：是可能性小于或等于观察到的可能性的结果概率之和。这被Hirji（2006）称为PB（基于概率）方法。 blaker：将观察到的较小尾巴的概率与相对尾巴的最小概率（不超过观察到的尾巴概率）相结合。Blaker（2000）提出了“ blaker”这个名字，该名字全面研究了有关置信区间的相关方法。这被Hirji（2006）称为CT（组合尾巴）方法。 我的数据是： Group A: Age group 1: 3 cases in 10459 person yrs. Incidence rate: 0.29 Age group 2: 7 cases in 2279 person yrs. Incidence rate: 3.07 Age group …

9 r  poisson-distribution  epidemiology  incidence-rate-ratio