İnsidans oranlarını karşılaştırma

İki grup arasındaki insidans oranlarını karşılaştırmak istiyorum (biri hastalığı olmayan ve diğeri ile).

İnsidans oranı oranını (IRR), yani insidans oranı grup B / insidans oranı grup A'yı hesaplamayı ve sonra bu oranın 1'e eşit olup olmadığını test etmeyi ve son olarak IRR için% 95 CI aralıklarını hesaplamayı planlıyordum.

Bir kitapta% 95 CI hesaplaması için bir yöntem buldum (Rosner'ın Biyoistatistik Temelleri ):

nerede $a_1$ ve $a_2$olay sayısıdır. Ancak bu yaklaşım yalnızca yeterince büyük örnek boyutları için geçerlidir ve sahip olduğum olayın sayısının küçük olduğunu düşünüyorum (belki de toplam karşılaştırma için sorun değil.)

Bence başka bir yöntem kullanmalıyım.

Im R ve exactci paketi kullanarak ve belki kullanabilirsiniz poisson.test(). Ancak bu fonksiyonun iki taraflı p değerlerini tanımlamak için 3 yöntemi vardır: merkezi, minlike ve blaker.

Yani sorularım :

1. Poisson oranlarını karşılaştırmak için bir test kullanarak iki insidans oranı oranını karşılaştırmak doğru mudur?

2. Tam olarak kullanılan paketteki R'de poisson.test işlevi kullanıldığında en iyi yöntem hangisidir?

Vinyet için exactci diyor ki:

merkezi: yukarıda 1 ile sınırlanan tek taraflı p-değerlerinin minimum değerinin 2 katıdır. 'Merkezi' adı, merkezi aralıklar olan ilişkili ters çevirme aralık aralıkları tarafından motive edilir, yani, gerçek parametrenin$\alpha/2$ 100 (1-) alt (üst) kuyruğundan daha az (daha fazla) olma olasılığı$\alpha$)% güven aralığı. Buna Hirji (2006) tarafından TST (iki kat daha küçük kuyruk yöntemi) denir.

minlike: olasılıkları gözlemlenen olasılıktan daha az veya ona eşit olan sonuçların olasılıklarının toplamıdır. Buna Hirji (2006) tarafından PB (olasılık tabanlı) yöntemi denir.

blaker: gözlemlenen daha küçük kuyruğun olasılığını, karşı kuyruğun gözlemlenen kuyruk olasılığını aşmayan en küçük olasılıkla birleştirir. 'Blaker' adı, uyum aralıkları için ilgili yöntemi kapsamlı bir şekilde inceleyen Blaker (2000) tarafından motive edilmiştir. Buna Hirji (2006) tarafından CT (kombine kuyruk) yöntemi denir.

Verilerim:

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

Birkaç düşünce:

İlk olarak, önerilen karşılaştırmanız - A ve B arasındaki olay oranı oranı - şu anda herhangi bir ortak değişken üzerinde koşullandırılmış değildir. Bu, etkinlik sayınızın Grup A için 54, Grup B için 28 olduğu anlamına gelir.

İkincisi, her bir grubun oranını hesaplamak yerine, yaşın etkisini ayarlamak isteseniz bile, bir regresyon yaklaşımı kullanarak daha iyi hizmet alabilirsiniz. Genel olarak, bir değişkenin birçok seviyesi ile tabakalandırıyorsanız, regresyon denklemine kıyasla oldukça hantal hale gelir, bu da Yaş'ı kontrol ederken size A ve B oranlarının oranını verecektir. Standart yaklaşımların örneklem boyutunuz için hala işe yarayacağına inanıyorum, ancak endişeleniyorsanız, glmperm gibi bir şey kullanabilirsiniz .

Verilerinizdeki her bir grubun insidans oranı sadece bağımsız Bernoulli (0/1) değişkenlerinin toplamının ortalamasıdır - her hastanın 0 veya 1 değerini alan kendi değişkeni vardır, onları toplar ve ortalamayı alırsınız. insidans oranıdır.

Ben büyük örnekler (ve numuneniz büyük), ortalama normal olarak dağıtılacaktır, bu nedenle iki oranın farklı olup olmadığını test etmek için basit bir z testi kullanabilirsiniz.

R'de prop.test'e bir göz atın: http://stat.ethz.ch/R-manual/R-patched/library/stats/html/prop.test.html

Verilerden tam olarak yararlanmak istiyorsanız, insidans oranlarının dağılımının A ve B grubu arasında farklı olup olmadığını görmeye çalışın. Bunun için, bir G'nin ki-kare gibi bir bağımsızlık testi hile yapabilir. -test: http://udel.edu/~mcdonald/statchiind.html

Numunenin yeterince büyük olduğundan emin olmanın tek yolu (veya Charlie Geyer'in söylediği gibi - asimtopya topraklarında olduğunuzu ) çok fazla Monte-Carlo simülasyonu yapmak veya EpiGard'ın glmperm gibi bir şey kullanmasını sağlamaktır.

Tam olarak hangi yöntemin en iyi olduğuna gelince, burada en iyisi yoktur - veya Fisher bunu koyarken

Ne için en iyisi?

Michael Fay burada biraz açıklama yapıyor