발생률 비교

9

두 그룹 사이의 발병률을 비교하고 싶습니다 (하나는 질병이없고 다른 하나는).

입사 률 비율 (IRR), 즉 입사 율 그룹 B / 발생률 그룹 A를 계산 한 다음이 비율이 1과 같은지 테스트 한 후 마지막으로 IRR의 95 % CI 간격을 계산하려고했습니다.

책에서 95 % CI를 계산하는 방법을 찾았습니다 (Rosner 's Fundamentals of Biostatistics ).

특급 [로그 (IRR) \pm 1.96 \sqrt{(1 / ㅏ_{1}) + (1 / ㅏ_{2})}]

$\exp\left[\log(\text{IRR}) \pm 1.96\sqrt{(1/a_1)+(1/a_2)}\right]$

여기서 및 는 이벤트 수입니다. 그러나이 근사값은 충분히 큰 표본 크기에만 유효하며 내가 가진 사건의 숫자는 작을 것이라고 생각합니다 (총 비교에는 괜찮을 것입니다). $a_1$ $a_2$

그래서 다른 방법을 사용해야한다고 생각합니다.

R과 exactci 패키지를 사용하고 있으며 아마도 사용할 수 있음을 발견했습니다 poisson.test(). 그러나이 함수에는 양면 p- 값을 정의하는 3 가지 방법이 있습니다 : 중앙, 최소 및 블래 커.

그래서 내 질문 은 :

포아송 비율을 비교하기위한 테스트를 사용하여 두 발생률 비율을 비교하는 것이 맞습니까?
exactci 패키지의 R에서 poisson.test 함수를 사용할 때 가장 좋은 방법은 무엇입니까?

exactci에 대한 비 네트 는 다음 과 같이 말합니다.

central : 1로 묶인 단측 p- 값의 최소값의 2 배입니다. 'central'이라는 이름은 중심 간격 인 연관된 반전 조건 간격에 의해 동기가 부여됩니다. 즉, 실제 매개 변수의 값이 확률은 100 (1- ) % 신뢰 구간 의 아래쪽 (상단) 꼬리보다 작을 수 있습니다. 이것을 Hirji (2006)에 의해 TST (더 작은 꼬리 방법의 2 배)라고합니다. $\alpha/2$ $\alpha$

minlike : 가능성이 관측 된 가능성보다 작거나 같은 결과의 확률의 합입니다. 이것을 Hirji (2006)에 의해 PB (probability based) 방법이라고합니다.

블레이 커 : 관찰 된 꼬리 확률을 초과하지 않는 반대 꼬리의 가장 작은 확률과 관찰 된 꼬리의 더 작은 확률을 결합합니다. 'blaker'라는 이름은 Blaker (2000)에 의해 동기 부여되며, 이는 간격 간격에 대한 관련 방법을 종합적으로 연구합니다. 이것을 Hirji (2006)에 의해 CT (combined tail) 방법이라고합니다.

내 데이터는 다음과 같습니다

Group A: 
Age group 1: 3 cases    in 10459 person yrs.   Incidence rate: 0.29 
Age group 2: 7 cases    in 2279 person yrs.    Incidence rate: 3.07
Age group 3: 4 cases    in 1990 person yrs.    Incidence rate: 2.01
Age group 4: 9 cases    in 1618 person yrs.    Incidence rate: 5.56
Age group 5: 11 cases   in 1357 person yrs.    Incidence rate: 8.11
Age group 6: 11 cases   in 1090 person yrs.    Incidence rate: 10.09
Age group 7: 9 cases    in 819 person yrs.     Incidence rate: 10.99
  Total:    54 cases in 19612 person yrs.      Incidence rate: 2.75

Group B: 
Age group 1: 3 cases    in 3088 person yrs.   Incidence rate: 0.97 
Age group 2: 1 cases    in 707 person yrs.    Incidence rate: 1.41
Age group 3: 2 cases    in 630 person yrs.    Incidence rate: 3.17
Age group 4: 6 cases    in 441 person yrs.    Incidence rate: 13.59
Age group 5: 10 cases   in 365 person yrs.    Incidence rate: 27.4
Age group 6: 6 cases   in 249 person yrs.    Incidence rate: 24.06
Age group 7: 0 cases    in 116 person yrs.     Incidence rate: 0
  Total:    28 cases in 5597 person yrs.      Incidence rate: 5.0

r poisson-distribution epidemiology incidence-rate-ratio

— 에드윈
소스

2

몇 가지 생각 :

첫째, 제안 된 비교 (A와 B 사이의 인시던트 비율 비율)는 현재 공변량에 영향을받지 않습니다. 즉, 이벤트 수는 그룹 A의 경우 54, 그룹 B의 경우 28입니다. 이는 일반적인 대규모 표본 기반의 신뢰 구간 방법으로 진행하기에 충분합니다.

둘째, 각 그룹의 비율을 계산하지 않고 연령의 영향을 조정하려는 경우에도 회귀 접근 방식을 사용하는 것이 더 좋습니다. 일반적으로 여러 수준의 변수로 계층화하는 경우 회귀 방정식에 비해 다소 번거롭기 때문에 연령을 제어하는 동안 A와 B의 비율을 제공합니다. 표준 접근법이 여전히 샘플 크기에 대해 효과가 있다고 생각하지만 걱정이된다면 glmperm 과 같은 것을 사용할 수 있습니다 .

— 포미 테
소스

1

데이터에서 각 그룹의 발생률은 독립적 인 Bernoulli (0/1) 변수의 합의 평균입니다-각 환자는 0 또는 1의 값을받는 자체 변수를 가지고 있으며, 합산하여 평균을 얻습니다. 발생률입니다.

나는 큰 표본 (그리고 표본이 크다)은 평균이 정상적으로 분포하므로 간단한 z- 검정을 사용하여 두 비율이 다른지 테스트 할 수 있습니다.

R에서 prop.test를보십시오 : http://stat.ethz.ch/R-manual/R-patched/library/stats/html/prop.test.html

데이터를 최대한 활용하려면 그룹 A와 그룹 B 사이에서 발생률 분포가 다른지 확인하십시오.이를 위해서는 독립성 테스트에서 G의 카이 제곱과 같은 트릭을 수행 할 수 있습니다. -테스트 : http://udel.edu/~mcdonald/statchiind.html

— 론
소스

0

표본이 충분히 큰지 확인하는 유일한 방법은 (또는 Charlie Geyer가 말한 것처럼 실제로는 비대칭 토지에 있음 ) 많은 Monte-Carlo 시뮬레이션을 수행하거나 EpiGard가 glmperm과 같은 것을 사용하는 것이 좋습니다.

정확히 어떤 방법이 가장 좋은지에 관해서는 여기에 최선이 없습니다.

무엇에 가장 적합합니까?

Michael Fay는 여기에 몇 가지 설명을 제공합니다.

— 페인 론
소스