控制混杂因素,再给你支个大招:工具变量分析
龚志忠

龚志忠

首都医科大学附属北京中医医院

擅长:临床研究数据统计分析、流行病学方法设计、临床预测模型建模与评价
已关注
关注
2019-04-22 来源:医咖会

在前面几期的内容中,我们分别介绍了对于观察性研究中不可避免的偏倚现象,可以采用分层分析多因素调整倾向性分析等方法来对混杂因素加以控制,这些方法的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,今天我们就来向大家介绍一下这种在控制混杂因素家族中相对陌生的新方法。

工具变量分析

首先介绍一下什么是工具变量,工具变量是指与研究暴露/处理因素相关,和其他混杂因素无关,并且和结局变量无直接关系的一类变量,它仅仅是通过与暴露/处理因素的关系,以及暴露/处理因素与结局变量的关系,来间接影响结局变量。

工具变量分析是一种用来控制测量误差和未知混杂因素引起的偏倚的估计方法,其基本思想为通过选择有效的工具变量,采用二阶段回归分析来消除未知混杂因素与暴露/处理因素之间的关系,使得混杂因素在暴露/处理组与对照组之间的分布是均衡的,从而获取暴露/处理因素对结局变量无偏的效应估计值。

工具变量满足条件

根据工具变量的定义,一个理想的工具变量应该满足以下几个条件

1. 工具变量应与暴露/处理因素具有一定的相关性,其相关性的强弱称为工具变量的强度,可以通过第一阶段回归中工具变量的F统计量来检验。如果F统计量>10,则可认为是强工具变量,如果F统计量太小,则为弱工具变量,此时往往会导致效应估计值的置信区间较宽,容易得到无统计学意义的结果,增加了假阴性错误的概率,估计值的可信程度就会降低,缺乏实际的临床应用价值。

有问题
找小咖
公众号
统计咨询
扫一扫添加小咖个人微信,立即咨询统计分析服务!
数据库搭建
想提升科研效率和数据质量?扫码添加小E,立即咨询数据采集与管理相关产品和服务!查看详细>>
意见反馈