로지스틱 회귀를 사용하여 조정 된 승산 비를 추정하는 방법과 유사한 조정 된 위험률을 추정하는 데 관심이 있습니다. 일부 문헌 (예 : this )은 Huber-White 표준 오류와 함께 포아송 회귀 분석을 사용하는 것이 모델 기반 방법임을 나타냅니다.
연속 공변량을 조정하는 것이 어떻게 영향을 미치는지에 대한 문헌을 찾지 못했습니다. 다음의 간단한 시뮬레이션은이 문제가 그렇게 간단하지 않음을 보여줍니다.
arr <- function(BLR,RR,p,n,nr,ce)
{
B = rep(0,nr)
for(i in 1:nr){
b <- runif(n)<p
x <- rnorm(n)
pr <- exp( log(BLR) + log(RR)*b + ce*x)
y <- runif(n)<pr
model <- glm(y ~ b + x, family=poisson)
B[i] <- coef(model)[2]
}
return( mean( exp(B), na.rm=TRUE ) )
}
set.seed(1234)
arr(.3, 2, .5, 200, 100, 0)
[1] 1.992103
arr(.3, 2, .5, 200, 100, .1)
[1] 1.980366
arr(.3, 2, .5, 200, 100, 1)
[1] 1.566326
이 경우 실제 위험 비율은 2이며 공변량 효과가 작을 때 안정적으로 회복됩니다. 그러나 공변량 효과가 크면 왜곡됩니다. 공변량 효과가 상한 (1)에 대해 상승 할 수 있고 이는 추정을 오염시키기 때문에 이것이 발생한다고 가정합니다.
조정 된 위험 비율 추정에서 연속 공변량 조정에 대한 문헌을 보았지만 찾지 못했습니다. 이 사이트의 다음 게시물을 알고 있습니다.
그러나 그들은 내 질문에 대답하지 않습니다. 이것에 대한 논문이 있습니까? 운동해야 할 알려진주의 사항이 있습니까?