20、生物统计学回归与生存分析方法详解

生物统计学回归与生存分析方法详解

1. 逻辑回归

逻辑回归和普通最小二乘法（OLS）类似，可用于建立暴露变量与结果概率之间的关系。例如，暴露变量可以是治疗A与治疗B，结果可以是暴露12个月后死亡或存活的概率（二分变量）。逻辑回归的模型方程与OLS回归很相似，但二分结果以对数优势单位（也称为“对数几率”）表示。

2. 其他类型的回归

• 泊松回归
  • 适用于结果为独立事件计数或比率数据的情况。例如，死亡率是死亡计数除以观察人年数。泊松回归是广义线性模型（GLM）的一个特例，假设结果变量服从泊松分布。
  • 泊松回归模型中，对数（比率）参数被建模为结果的线性预测因子，观测计数假定是从泊松分布中抽样得到的。简单泊松回归可推广到多元泊松回归，就像简单逻辑回归推广到多元逻辑回归一样。
• 负二项回归
  • 当计数结果变量存在“过度离散”时，可作为泊松分布的替代方法。泊松模型假设计数数据的均值和方差相等，但在观察性研究中，这种关系并不常见，通常观察到的方差大于假定方差，即“过度离散”。
  • 例如，一个地区的死亡人数会受季节变化（如天气、空气污染或节假日）影响。负二项回归可看作泊松回归的推广，它具有与泊松回归相同的均值结构，但有一个额外参数来处理过度离散。
• 分层线性建模（HLM）
  • 也称为多层建模，是具有随机效应的OLS回归的推广，用于捕捉多