倾向评分分层和回归分析_论文.docxVIP

倾向评分分层和回归分析 【关键词】 倾向评分分层 回归分析 在流行病学研究中，分层分析和回归分析是资料分析阶段控制混杂偏倚的重要手段。将倾向评分法与传统的分层和回归结合，则可更有效地控制混杂偏倚，同时可以克服传统方法的一些局限性。 　一、原理和方法 传统的分层分析是按照可能的混杂因素的不同水平将研究对象分为若干层，处在同一层的研究对象混杂因素趋于一致，可以直接比较效应。分别计算各层统计量(如t值、χ2值)和效应尺度(如OR、均数差值)，然后再用某种方法(mantelhaenszel法、条件Logistic回归、Meta法等)合并各层效应尺度和统计量。随着混杂因素的数量增加，分层数将成指数倍数增加。假如所有混杂变量为2分类变量，则平衡k个混杂变量的分层数为2的k次方。如果k很大，很可能在某些层中只有处理组或非处理组的研究对象，从而无法估计这些层的效应。倾向评分分层分析(propensity score stratification)或称为亚分类分析(subclassification)原理与传统的分层分析方法基本相同，只是分层变量不是每个混杂变量，而是倾向评分值[1]。Rosenbaum和Rubin[2]研究发现，按照倾向评分合理地分层后，各层处理因素的效应是实际效应的一个无偏估计。如果分层后两组对象在各层的倾向评分均值非常接近，则各混杂因素在每一层的分布将趋于一致，此时可以认为各层中处理的分配是近似随机的。具体方法是：首先根据协变量和处理分组计算倾向评分值。将倾向评分值排序，然后按照倾向评分值的百分位数将全部研究对象划分若干个亚组或层(一般5～10层)。研究者根据两组人群的倾向评分或某一组人群的倾向评分来确定每一层的临界值。最常用的方法是根据两组共同倾向评分等分为若干层。在每一层内对两组的协变量和倾向评分分布进行均衡性分析。对连续性协变量做方差分析或t检验，对分类协变量作χ2检验。如果均衡性较差，则要重新分层或修改模型重新计算倾向评分值，如增加或减少某个协变量或交互项，然后用与传统分层分析相同的方法计算和合并各层统计量和效应尺度。 倾向评分回归调整(propensity score regression adjustment)是将倾向评分作为协变量引入最后的模型中，分析处理因素与结局变量之间的因果联系及联系强度[3]。由于倾向评分综合了各协变量在两组中的分布信息，特别是分布差异较大的协变量的信息，因此将倾向评分纳入到最终的模型中就可以调整各协变量的效应。通常有以下几种调整策略。最简单的方法是只将倾向评分和处理因素作为自变量纳入最终模型进行效应分析。倾向评分变量可以是倾向评分值，也可以是分层赋值，如果将评分等分为5层，则赋值为1、2、3、4、5。另外，研究者在实际中还可以把一些重要的变量与倾向评分一同加入最终的模型进行调整，这样可以更好地排除重点变量的影响。还有一种方法是研究者在倾向评分分层的基础上进行倾向评分回归调整，进一步消除层内的残余混杂[3]。 　二、应用实例 产程中积极管理包括适时阴道检查、早期诊断处理异常分娩、早期人工破膜以刺激宫缩、缩宫素的合理使用等内容。一般认为产程中积极管理有助于降低剖宫产率。产程中积极管理试验(active management of labor trial，ACT)是一项随机对照研究[4]。该研究主要目的是观察产程中积极管理与剖宫产发生率的关系。研究人员利用这一研究的数据，想进一步研究硬膜外分娩镇痛是否影响初产妇剖宫产的发生率[3,5]。由于本研究中硬膜外分娩镇痛不是随机分配的，因此研究者利用倾向评分分层分析来控制各种混杂因素。研究人群共包括1 778名初产妇女，其中1 003名( %)接受了硬膜外分娩镇痛(处理组)，775名( %)没有接受(对照组)。研究者确定了14个可能需要平衡的混杂变量，各变量在两组中的分布，见表1。表1 分层前后接受和未接受硬膜外分娩镇痛的妇女注：*P 作者将这些变量作为自变量，将硬膜外分娩镇痛作为因变量构建Logistic回归，计算出倾向评分。将人群按照两组共同倾向评分等分为5层后，用双因素方差分析(倾向评分分层和分娩镇痛两因素)评价各变量在两组中的均衡性。从表1结果可以看到，分层后各变量的分布趋于一致。研究者还分析了上述两因素之间的一级交互项。发现倾向评分分层与处理因素之间在入院时宫口扩张程度的交互项差异显著(F=,P=)。进一步比较各层两组之间在入院时宫口扩张程度的均值发现，前4层中两组均值非常相近，而最后1层两组均值相差较大，平衡效果不佳(见表2，图1)。从图1还可以直观地发现，两组均值大小关系在前后各层之间存在交叉现象。这些差异可以解释研究者观察到的倾向评分分层与处理因素之间的交互作用。为了更好地平衡混杂偏倚，研究者把分娩镇痛(处理因