ฉันสนใจที่จะประเมินอัตราส่วนความเสี่ยงที่ปรับแล้วซึ่งคล้ายกับวิธีที่เราประมาณการอัตราต่อรองที่ปรับแล้วโดยใช้การถดถอยโลจิสติกส์ วรรณกรรมบางฉบับ (เช่นนี้ ) บ่งชี้ว่าการใช้การถดถอยปัวซองกับข้อผิดพลาดมาตรฐานของฮิเบอร์ - ไวท์เป็นวิธีที่ใช้แบบจำลองในการทำสิ่งนี้
ฉันไม่พบวรรณกรรมเกี่ยวกับวิธีการปรับค่าความแปรปรวนร่วมต่อเนื่องที่มีผลต่อสิ่งนี้ การจำลองอย่างง่ายต่อไปนี้แสดงให้เห็นว่าปัญหานี้ไม่ตรงไปตรงมามาก:
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
ในกรณีนี้อัตราส่วนความเสี่ยงที่แท้จริงคือ 2 ซึ่งสามารถกู้คืนได้อย่างน่าเชื่อถือเมื่อเอฟเฟกต์โควาเรียตมีขนาดเล็ก แต่เมื่อเอฟเฟกต์ covariate มีขนาดใหญ่สิ่งนี้จะบิดเบี้ยว ฉันคิดว่าสิ่งนี้เกิดขึ้นเพราะผลกระทบของความแปรปรวนร่วมสามารถผลักดันขึ้นกับขอบเขตบน (1) และสิ่งนี้ทำให้การประมาณค่าปนเปื้อน
ฉันได้ดูแล้ว แต่ไม่พบวรรณกรรมใด ๆ เกี่ยวกับการปรับค่าความแปรปรวนร่วมอย่างต่อเนื่องในการประมาณอัตราส่วนความเสี่ยงที่ปรับแล้ว ฉันตระหนักถึงการโพสต์ต่อไปนี้ในเว็บไซต์นี้:
แต่พวกเขาไม่ตอบคำถามของฉัน มีเอกสารเกี่ยวกับเรื่องนี้หรือไม่? มีข้อควรระวังที่ทราบว่าควรใช้สิทธิหรือไม่?