广义Poisson回归模型及其应用 张颖.docxVIP

广义Poisson回归模型及其应用 张颖 广义Poisson回归模型及其应用lowbar;张颖 中国卫生统计2000年6月第17卷第3期广义Poisson回归模型及其应用＊ 张　颖1　倪宗瓒1　姚树祥2　姜　勇2　巫秀美1 【提　要】　目的　探讨广义Poisson回归模型在流行病学队列资料分析中的应用与价值。方法　拟合超额相对危险 度模型,绝对超额危险度模型,非标准模型等分析云锡现场队列研究资料。结果　在云锡肺癌现场,每一个观察人年每一工作水平月的氡子体暴露,会产生1.09×10-5个肺癌超额病例。在总的336例病例中,归因于氡子体暴露的有123例。只有当氡子体累积暴露高于588.37WLM时,暴露人群患肺癌危险性才高于基线对照。结论　广义Poisson回归模型的拟合可以得到对于危险因素的更深入描述,如计算出每一单位危险因素变化时,可得超额相对危险度的变化、以及由危险因素所引起超额病例数、超额绝对危险(EAR)、归因危险比(AR)以及超额发病率等。 【关键词】　广义Poisson回归模型　绝对超额危险度模型　超额相对危险度模型　氡子体累积暴露剂量 Poisson回归模型主要用于队列研究资料的分析,鉴于它调整协变量的强大能力,常用以研究多因素对疾病的影响以及暴露与疾病间的剂量反应关系,尤其适用于影响肿瘤发病和死亡的危险因素研究。最常见 的Poisson回归模型是相加模型和相乘模型。但危险因素和疾病的关系是复杂的,需要有更适宜的模型加以描述。因此,本研究试图将广义Poisson回归模型引入肺癌危险因素分析,更为全面地分析疾病和危险因素之间的关系。现以氡子体和肺癌之间的关系为例说明广义Poisson回归模型的应用。 资料来源于1992～1996年与美国NCI合作,在云南锡业公司现场所建立的肺癌高危人群回顾性前瞻队列,共有8412个观察对象。 (一)常用的Poisson回归模型有以下两种(1)相加模型(又称超额危险度模型) 设队列人群有k个暴露组(如k个放射性氡子体暴露组),j个协变量层(如j个年龄组)。如果k水平暴露的效应只是在参照组(k=1)的个体的年龄专率λj1的效应上加了一个常数βk,模型为 λjk=αj+βk 在此,αβ1=0)为数据的待估参数。j=λj1,βk( (2)相乘模型(又称相对危险度模型) 当原始测量数据不支持相加模型时,可以对率进行某种转换,一般用对数转换,则第j层(j=1,…,J),第k暴露组(k=2,…,K)的估计相对危险度为rjk/rj1,模型为: λjk=λjΧk λjk表示发病率rjk的期望值函数,λj表示参照组第j层的发病率,Χk1,当k=1,Χ1)k表示第k组(k=总的相对危险度。 该模型就是乘积模型(Productmodel)。为了计算的方便,可将乘积模型再参数化为对数线性模型, λα　　(k=2,…,K)jk=exp(j+βk) 其中αj表示参照组层别发病率的自然对数,βk表示第k组相对危险度(与基线水平相比,Χ1)的自然对1=数。 (二)广义Possion回归模型〔1,3〕: 实际上,从线性模型的角度出发,任何一个应变量是分类变量的回归模型都可表示为下面简单的形式: logRi=β′Zi　　这里,Zi是自变量的矩阵,β是模型要估计的参 数,Ri根据不同的统计模型意义亦不同,如:在条件logistic回归模型中,为病例和对照的比数比;在Cox比例风险模型中,是相对危险度或相对危险比;在分组生存资料的Poisson回归中,是Poisson均值或一个分段常数危险函数。 可以用更为简单的模型描述: Ri=f(β,Zi) 若要估计分层混杂因素的效应,则采用模型:Ri=αi)f(β,Zi)s(　　αi)用以表示混杂因素的效应,f表示函数关s(系,该函数可以是相加的,也可以是相乘的,可以是线性的函数,也可以是非线性的函数,或者是界于相加和相乘或线性和非线性之间的函数关系。 广义Poisson回归模型的形式很多,常见的有以下 ＊国家自然科学基金资助项目,(项目编1.华西医科大学卫生统计教研室(成都610041)2.云南锡业公司劳动防护研究所(个旧661000) ChineseJournalofHealthStatistics,June2000,Vol.17,No.3·131· 几种(模型的参数估计均可通过最大似然估计获得): (1)普通对数线性模型或称作指数相对危险度模型(ExponentialRelativeRiskModel,ERR