混杂偏倚(confounding bias)与交互作用.pptVIP

混杂偏倚(confounding bias)与交互作用 混杂偏倚(confounding bias)与交互作用 配比(Matching) 在队列研究中，如果设计时进行了配比，就无需在分析时控制配比因素。 在病例对照研究中,若配比因素确实是一个混杂因素，将引入了一个极似混杂的选择偏倚。 引入的偏倚可通过分层分析进行控制。即：配比本身未直接起到控制混杂的作用，控制混杂是靠分层分析实现的。 混杂偏倚(confounding bias)与交互作用 配比过头（overmatching） 至少有三种类型的配比过头。 损害统计效率的配比：如对仅与暴露有关而与疾病无关的变量的配比。 损害真实性的配比：如将暴露与疾病之间一个中间变量配比。(例：吸烟、COPD、肺癌) 损害费用效益的配比：过多的选择配对条件，使得实施复杂。 混杂偏倚(confounding bias)与交互作用 分层分析 将研究资料按照混杂因素分层 若各层间研究因素与疾病之间的联系一致, 可用Mantel-Haenszel分层分析方法进行分析得到将该混杂因素调整后的效应估计值 若各层间研究因素与疾病之间的差异较大,可采用标化的方法调整。（前提：排除交互作用） 混杂偏倚(confounding bias)与交互作用 M-H法 1959年Mantel和Haenszel首次提出了著名的分层分析法（stratified analysis），以解决肿瘤回顾性研究中的混杂问题。 M-H法计算简单，而且即使在每层内的频数较少或资料偶然含有零的情况下，也能比较好的估计效应值。 在一般情况下，优先选用M-H法，尤其是在处理四格表资料时。 混杂偏倚(confounding bias)与交互作用 Statistical Analysis Mantel-Haenszel (M-H) estimator Mantel-Haenszel test statistic ai bi ci di E E － ni mi ti Ni = ni + mi i = 1,…, K ?aidi/Ni i=1 K ?bici/Ni i=1 K (? (ai – niti / Ni))2 K i=1 ? ti(Ni – ti)nimi / (Ni2(Ni –1)) K i=1 Mantel N, Haenszel WH Statistical aspects of the analysis of data from retrospective studies of disease. J. Natl. Cancer Inst. 1959;22:719-748. 混杂偏倚(confounding bias)与交互作用 疾病 暴露组 未暴露组 合计 有 ai bi M1i 无 ci di M0i 合计 Ni N0i Ti 队列研究 混杂偏倚(confounding bias)与交互作用 病例对照研究 暴露 未暴露 合计 病例 ai bi M1i 对照 ci di M0i 合计 N1i N0i Ti ORMH = 混杂偏倚(confounding bias)与交互作用 同时患有先天性心脏病和Down氏综合症的病孩与健康对照，母亲在受精之前杀精子剂使用情况分布，按母亲的生产年龄分层* 杀精子剂的使用 母亲的年龄（岁） 35 ≥35 有 无 合计 有 无 合计 病例 3 9 12 1 3 4 对照 104 1059 1163 5 86 91 合计 107 1068 1175 6 89 95 比值比 3.39 5.73 ORMH = 暴露 有 无 病例 对照 4 109 12 1145 粗的OR=3.50 混杂偏倚(confounding bias)与交互作用 粗的OR=3.50 ORMH = 3.78 cOR – aOR 3.50-3.78 混杂偏倚=------------- = -------------=-0.07 aOR 3.78 负混杂，混杂因子造成低估暴露因素的致病作用。 控制混杂后暴露与疾病的关联强度OR值为3.78。 混杂偏倚(confounding bias)与交互作用 多因素分析方法 如果欲控制的混杂因素较多，往往受样本量的影响，分层分析常不适用。在这种情况下,可应用多因素分析方法予以控制, 如多元协方差分析，多元Logistic 回归分析等等。 混杂偏倚(confounding bias)与交互作用 （一）背景 不同学科、不同学者对交互作用的概念定义存在歧异。毒理学、