Questions tagged «relative-risk»

简要总结 为什么在具有二元结果的队列研究中使用逻辑回归（具有比值比），而不是与泊松回归（具有相对风险）相比，更普遍？ 背景 根据我的经验，本科生和研究生的统计和流行病学课程通常会讲逻辑回归应用于对具有二元结果的数据进行建模，风险估计值以比值比报告。 但是，泊松回归（以及相关的：拟泊松，负二项式等）也可以用于对具有二元结果的数据进行建模，并通过适当的方法（例如鲁棒的三明治方差估计器）提供有效的风险估计和置信度。例如， Greenland S.，基于模型的相对风险和其他流行病学方法在共同结局研究和病例对照研究中的估计，Am J Epidemiol。2004年8月15日； 160（4）：301-5。 Zou G.，使用二进制数据进行前瞻性研究的改进的Poisson回归方法，《美国流行病学杂志》。2004 Apr 1; 159（7）：702-6。 Zou GY和Donner A.，将修正的Poisson回归模型扩展到具有相关二元数据的前瞻性研究，Stat Methods Med Res。2011年11月8日。 通过泊松回归，可以报告相对风险，其中一些人认为相对风险比与比值比更容易解释，尤其是对于频繁的结局，尤其是对于没有统计学背景的个人而言。请参见张J.和于克芬，相对风险是多少？一种校正常见结局队列研究中的优势比的方法，JAMA。1998年11月18日； 280（19）：1690-1。 通过阅读医学文献，在具有二元结果的队列研究中，似乎似乎更普遍的是通过逻辑回归报告比值比，而不是通过泊松回归报告相对风险。 问题 对于具有二元结果的队列研究： 是否有充分的理由报告逻辑回归的优势比，而不是泊松回归的相对风险？ 如果不是，医学文献中具有相对风险的Poisson回归频率不高是否可以归因于科学家，临床医生，统计学家和流行病学家在方法论理论与实践之间的滞后？ 中间统计学和流行病学课程是否应包括更多关于二元结果的泊松回归的讨论？ 我是否应该鼓励学生和同事在适当的时候考虑使用泊松回归而不是逻辑回归？

42 logistic  poisson-distribution  epidemiology  odds-ratio  relative-risk 

拟合coxmodel之后，可以进行预测并检索新数据的相对风险。我不了解的是如何计算一个人的相对风险，以及相对风险是什么（即人口的平均值）？有什么建议可以帮助您理解（我在生存分析方面不是很先进，所以越简单越好）？

17 predictive-models  relative-risk  cox-model 

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？

12 relative-risk  absolute-risk  rare-events 

注意：这个问题是一个转贴，因为我的上一个问题出于法律原因不得不删除。 在比较SAS的PROC MIXED与R中lme的nlme软件包的功能时，我偶然发现了一些相当混乱的差异。更具体地说，不同测试的自由度在PROC MIXED和之间有所不同lme，我想知道为什么。 从以下数据集（以下给出的R代码）开始： ind：指示进行测量的个人的因子 fac：进行测量的器官 trt：表示治疗的因素 y：一些连续响应变量 这个想法是建立以下简单模型： y ~ trt + (ind)：ind作为随机因子 y ~ trt + (fac(ind))：fac嵌套在ind作为随机因子 需要注意的是最后一个模型应引起奇异性，因为只有1的值y对每一个组合ind和fac。 第一模型 在SAS中，我建立以下模型： PROC MIXED data=Data; CLASS ind fac trt; MODEL y = trt /s; RANDOM ind /s; run; 根据教程，R中使用的相同模型nlme应为： > require(nlme) > options(contrasts=c(factor="contr.SAS",ordered="contr.poly")) > m2<-lme(y~trt,random=~1|ind,data=Data) 两种模型对系数及其SE均给出相同的估计，但是在对F的影响进行F检验时trt，它们使用的自由度不同： SAS : Type …

12 r  mixed-model  sas  degrees-of-freedom  pdf  unbiased-estimator  distance-functions  functional-data-analysis  hellinger  time-series  outliers  c++  relative-risk  absolute-risk  rare-events  regression  t-test  multiple-regression  survival  teaching  multiple-regression  regression  self-study  t-distribution  machine-learning  recommender-system  self-study  binomial  standard-deviation  data-visualization  r  predictive-models  pearson-r  spearman-rho  r  regression  modeling  r  categorical-data  data-visualization  ggplot2  many-categories  machine-learning  cross-validation  weka  microarray  variance  sampling  monte-carlo  regression  cross-validation  model-selection  feature-selection  elastic-net  distance-functions  information-theory  r  regression  mixed-model  random-effects-model  fixed-effects-model  dataset  data-mining 

我对估算调整后的风险比率很感兴趣，类似于人们如何使用logistic回归估算调整后的优势比率。一些文献（例如this）表明，将泊松回归与Huber-White标准误差一起使用是基于模型的方法 我没有找到关于调整连续协变量如何影响这一点的文献。下面的简单模拟表明此问题并非那么简单： arr <- function(BLR,RR,p,n,nr,ce) { B = rep(0,nr) for(i in 1:nr){ b <- runif(n)<p x <- rnorm(n) pr <- exp( log(BLR) + log(RR)*b + ce*x) y <- runif(n)<pr model <- glm(y ~ b + x, family=poisson) B[i] <- coef(model)[2] } return( mean( exp(B), na.rm=TRUE ) ) } set.seed(1234) arr(.3, …

9 r  references  biostatistics  poisson-regression  relative-risk 

我熟悉元分析和元回归技术（使用metaforViechtbauer 的R包），但是最近我偶然发现了一个我不容易解决的问题。假设我们患有一种可能从母亲传播到未出生婴儿的疾病，并且已经对此进行了多次研究。母亲和孩子出生后立即进行了病毒检测。由于未出生的孩子可能无法从母亲那里获得该病毒，因此人们希望交叉列表如下： | neg kid | pos kid mother neg | A | C=0 -----------|---------|-------- mother pos | B | D 显然，使用比值比（OR）会产生错误，因为错误将被1除以0。对于相对风险而言，相同： A /（A + B ）0 /（0 + D ）A/(A+B)0/(0+D)\frac{A/(A+B)}{0/(0+D)} 现在，研究人员想检验（无意义的）假设，即儿童的感染是否与母亲的感染有关（这似乎非常非常明显）。我正在尝试重新提出假设，并提出有意义的东西，但我找不到真正的东西。 使事情变得复杂的是，一些妈妈消极的孩子实际上是积极的，可能是由于第一周的感染。因此，我只有一些研究，其中C = 0。 任何人都想知道如何按照这种模式对不同研究的数据进行统计总结。与科学论文的链接也非常受欢迎。

9 meta-analysis  odds-ratio  relative-risk