【专题】控制混杂因素,教你4招!

专题合集更多教程

当我们想要评估某种干预措施的疗效时,最为理想的研究方案是,除了干预措施以外,其他所有可能会影响结局的因素,包括已知的和未知的因素,在两组研究对象之间均保持一致。

 

随机化是解决这一问题最理想的方法,但在观察性研究中暴露/处理因素往往是病人自行或被动选择的,从而导致暴露/处理组和非暴露/对照组人群之间的预后因素分布不均衡,使得真实的效应值被低估或高估,引起偏倚。这种现象我们称之为混杂(Confounding),其中引起混杂效应的因素被称为混杂因素(Confounder)。

 

为了控制混杂因素对研究结果的干扰,减少偏倚,我们需要对混杂因素进行一定的调整,使其在暴露/处理组和非暴露/对照组中分布均衡,才能更准确地探讨暴露/处理因素与研究结局之间的关联性,保证观察性研究结果的真实可靠。

 

本专题就详细介绍观察性研究控制混杂因素的4种方法。以下小标题都可以直接点击查看详细教程。

 

1. 分层分析(Stratified Analysis)

 

分层分析是一种常用的控制混杂因素的方法,它是将数据资料按照某个需要控制的混杂因素进行分层,然后再估计暴露/处理因素与研究结局之间的关联性。

 

2. 多因素调整分析(Multivariable risk adjustment)

 

分层分析仅仅适用于混杂因素较少,且多为分类变量的情况。当我们的研究中存在较多的混杂因素,且混杂因素较为复杂时,可以尝试多因素调整分析法。在多因素调整分析方法中,根据因变量的类型不同,我们最常应用到的三种回归模型即:多重线性回归、logistic回归及Cox回归

 

3. 倾向性评分分析(Propensity Score Analysis,PSA)

 

分层分析法和多因素调整分析法,操作起来较为简单也易于理解,但是他们都有一个共同的局限性,也就是同时调整的混杂因素的数量不能太多,且受到结局事件例数的限制。如果有大量的混杂因素需要同时进行调整的话,此时该怎么办呢?来看一下倾向性分析。

 

目前应用倾向性评分来控制混杂因素的方法主要有四种:倾向性评分匹配法,倾向性评分分层法,倾向性评分校正法,倾向性评分加权法

 

4. 工具变量分析(Instrumnental Variable Analysis,IVA)

 

分层分析、多因素调整和倾向性分析等方法,优点在于使用起来相对简单,对结果的解释易于理解,但缺点在于它们仅能控制已测量到的混杂因素所引起的偏倚,而无法消除未知的、被遗漏的、以及测量不准确的混杂因素所造成的残余混杂。

 

为了进一步消除这部分残余混杂,2006年Brookhart等人首次从计量经济学中将工具变量分析(Instrumental Variable Analysis, IVA)的概念引入到观察性研究中,经过10年的发展,工具变量分析法在观察性研究中得到了越来越多的应用。

描述问题
选择一个标签 (请选择一个与您问题最相符的标签)
提交问题
我要提问
描述问题
选择一个标签 (请选择一个与您问题最相符的标签)
提交问题
描述问题
选择一个标签 (请选择一个与您问题最相符的标签)
    提交问题