文献中常看到的pfortrend,到底是个啥,该怎么操作实现？.pdfVIP

文献中常看到的 P for trend ，到底是个啥， 该怎么操作实现？ ，用于检验两个分类变量之间是否存在一定的变化趋势。 但是我们在阅读文献时，也常常会看到文章结果展示的表格 中，给出了 P for trend 的检验结果，如下表所示。针对上表 内容，首先复习一下我们前期介绍的有关回归模型中设置哑 变量的内容，对于连续性变量，可以考虑将其转化为哑变量 后带入到回归模型中，详见：想将连续变量转化为哑变量纳 入回归模型，咋分组？ 在本例中不难理解，研究人员将每一个自变量按照一定的切 点分为 3 组，并以水平最低的一组作为参照，设置了 2 个哑 变量带入到模型中，分别求出其对应的 OR 值及 P 值。同时 在表格中每一个变量分组下又列出了一行 P for trend 的结果， 那么问题来了，这个 P for trend 代表的是什么意义呢，它有 什么作用呢？我们在实际的分析中怎样才能求得 P for trend 的结果呢？ 今天我们将结合几篇发表的文献，来向大家介绍一下回归模 型中趋势性检验的魅力。研究实例一 JAMA Oncology 期刊（影响因子： 16.56 ）2017 年 10 月在 线发表了一篇文章《 Dose-Response Association of CD8+ Tumor-Infiltrating Lymphocytes and Survival Time in High-Grade Serous Ovarian Cancer 》，研究人员探讨了高级 别浆液性卵巢癌患者生存时间与 CD8+ 肿瘤浸润性淋巴细胞 （TIL ）水平之间的剂量反应关系，部分结果如下表所示。 我们可以看出，研究人员将 CD8+ TIL 按照其计数水平分为 阴性 Negative （计数为 0 ）、低水平 Low （1-2 TILs ）、中水 平 Moderate （3-19 TILs ）和高水平 High （≥20 TILs ）共4 组，在构建 Cox 回归模型时，以 Negative 组为参照组，其 余 3 组设定为 3 个哑变量进入回归模型。 结果显示，在病理分型为高级别浆液性卵巢癌的患者中，设 定 CD8+ TIL 阴性组患者为参照（ HR=1 ），低水平组、中水 平组和高水平 TIL 组的患者死亡风险比值 HR 分别为 0.86 （0.75-0.99 ）、0.77 （0.69-0.87 ）、0.57 （0.49-0.65 ），提示 与 CD8+ TIL 阴性组患者相比，其余 3 组患者的死亡风险分 别下降 14% 、23% 、43% 。 根据 HR 值的变化可以看出，从 CD8+ TIL 阴性组到高水平 组， HR 值逐渐降低，提示随着 CD8+ TIL 水平的升高，患 者死亡风险呈现下降的趋势，那么这个变化趋势是否有统计 学显著性呢？ 研究人员在结果中同时给出了趋势性检验的结果 P Value for Trend=4.2 ×-1610 ，提示 CD8+ TIL 水平每增加一个等级， 患者死亡风险呈现出的这种逐渐降低的趋势具有统计学显 著性。研究实例二我们再来看一个研究实例加深一下