เปรียบเทียบอัตราอุบัติการณ์

9

ฉันต้องการเปรียบเทียบกับอัตราการเกิดระหว่างสองกลุ่ม (กลุ่มที่ไม่มีโรคและอีกกลุ่มด้วย)

ฉันวางแผนที่จะคำนวณอัตราส่วนอัตราอุบัติการณ์ (IRR) เช่นกลุ่มอัตราอุบัติการณ์กลุ่ม B / อัตราอุบัติการณ์ A แล้วทดสอบว่าอัตรานี้เท่ากับ 1 และสุดท้ายคำนวณช่วงเวลา 95% CI สำหรับ IRR

ฉันพบวิธีการคำนวณ 95% CI ในหนังสือ ( ความรู้พื้นฐานด้านชีวสถิติของ Rosner ):

ประสบการณ์ [เข้าสู่ระบบ (IRR) \pm 1.96 \sqrt{(1 / a_{1}) + (1 / a_{2})}]

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

โดยที่และคือจำนวนของกิจกรรม แต่การประมาณนี้ใช้ได้กับขนาดตัวอย่างที่ใหญ่พอเท่านั้นและฉันคิดว่าจำนวนของเหตุการณ์ที่ฉันมีคือเล็ก (อาจใช้สำหรับการเปรียบเทียบทั้งหมดโดยรวมก็โอเค) $a_1$ $a_2$

ดังนั้นฉันคิดว่าฉันควรใช้วิธีอื่น

Im ใช้ R และexactcipoisson.test()แพคเกจและพบว่าฉันสามารถอาจจะใช้ แต่ฟังก์ชั่นนี้มี 3 วิธีในการกำหนดค่า p-sided ทั้งสอง: central, minlike และ blaker

ดังนั้นคำถามของฉันคือ:

ถูกต้องหรือไม่ที่จะเปรียบเทียบสองอัตราส่วนอัตราอุบัติการณ์โดยใช้การทดสอบเพื่อเปรียบเทียบอัตราปัวส์ซอง
เมื่อใดที่ใช้ฟังก์ชัน poisson.test ใน R จากแพคเกจ exactci วิธีใดดีที่สุด?

บทความสำหรับexactciพูดว่า:

central:คือ 2 ครั้งต่ำสุดของค่า p ด้านเดียวที่ถูกล้อมรอบด้วย 1 โดยชื่อ 'central' ได้รับแรงบันดาลใจจากช่วงเวลาการผกผันของการผกผันที่เกี่ยวข้องซึ่งเป็นช่วงกลางนั่นคือพวกเขารับประกันว่าพารามิเตอร์จริงมีค่าน้อยกว่าความน่าจะเป็นของการเป็น (น้อยกว่า) มากกว่าหางล่าง (บน) ของช่วงความเชื่อมั่น100 (1- )% สิ่งนี้เรียกว่า TST (สองวิธีหางเล็ก) โดย Hirji (2006) $\alpha/2$ $\alpha$

minlike:คือผลรวมของความน่าจะเป็นของผลลัพธ์ที่มีความน่าจะเป็นน้อยกว่าหรือเท่ากับโอกาสที่สังเกตได้ สิ่งนี้เรียกว่าวิธี PB (อิงตามความน่าจะเป็น) โดย Hirji (2006)

blaker:รวมความน่าจะเป็นของหางที่มีขนาดเล็กลงกับความน่าจะเป็นที่เล็กที่สุดของหางตรงข้ามที่ไม่เกินความน่าจะเป็นหางที่สังเกตได้ ชื่อ 'blaker' ได้รับแรงบันดาลใจจาก Blaker (2000) ซึ่งศึกษาวิธีการที่เกี่ยวข้องสำหรับช่วงเวลาของการต่อต้านอย่างกว้างขวาง สิ่งนี้เรียกว่าวิธี CT (รวมหาง) โดย Hirji (2006)

ข้อมูลของฉันคือ:

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

— เอ็ดวิน
แหล่งที่มา

2

ความคิดสองสาม:

ก่อนอื่นการเปรียบเทียบที่แนะนำของคุณ - อัตราส่วนอัตราการเกิดอุบัติเหตุระหว่าง A และ B - ในปัจจุบันยังไม่ได้รับการกำหนดเงื่อนไขสำหรับผู้ร่วมทุน ซึ่งหมายความว่าจำนวนกิจกรรมของคุณคือ 54 สำหรับกลุ่ม A และ 28 สำหรับกลุ่ม B นั่นมากเกินพอที่จะไปกับวิธีช่วงความเชื่อมั่นตามตัวอย่างขนาดใหญ่ตามปกติ

ประการที่สองแม้ว่าคุณตั้งใจจะปรับผลของอายุแทนที่จะคำนวณอัตราส่วนสำหรับแต่ละกลุ่มคุณอาจได้รับการบริการที่ดีขึ้นโดยใช้วิธีการถดถอย โดยทั่วไปหากคุณแบ่งชั้นของตัวแปรหลายระดับมันจะค่อนข้างยุ่งยากเมื่อเทียบกับสมการถดถอยซึ่งจะให้อัตราส่วนของอัตรา A และ B ในขณะที่ควบคุมอายุ ผมเชื่อว่าวิธีการมาตรฐานจะยังคงทำงานขนาดตัวอย่างของคุณ แต่ถ้าคุณกังวลเกี่ยวกับเรื่องนี้คุณสามารถใช้สิ่งที่ต้องการglmperm

— Fomite
แหล่งที่มา

1

อัตราการเกิดของแต่ละกลุ่มในข้อมูลของคุณเป็นเพียงค่าเฉลี่ยของตัวแปรอิสระของ Bernoulli (0/1) - ผู้ป่วยแต่ละรายมีตัวแปรของตัวเองที่ได้รับค่า 0 หรือ 1 คุณรวมค่าเหล่านั้นและหาค่าเฉลี่ยซึ่ง คืออัตราการเกิด

ฉันเป็นกลุ่มตัวอย่างขนาดใหญ่ (และกลุ่มตัวอย่างของคุณมีขนาดใหญ่) ค่าเฉลี่ยจะกระจายตามปกติดังนั้นคุณสามารถใช้การทดสอบ z แบบง่ายเพื่อทดสอบว่าอัตราทั้งสองนั้นแตกต่างกันหรือไม่

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

หากคุณต้องการใช้ประโยชน์จากข้อมูลอย่างเต็มรูปแบบลองดูว่าการกระจายตัวของอัตราการเกิดแตกต่างกันระหว่างกลุ่ม A และ B หรือไม่หากเป็นเช่นนั้นการทดสอบความเป็นอิสระอาจเป็นการหลอกลวงเช่นไคสแควร์ของ G -test: http://udel.edu/~mcdonald/statchiind.html

— รอน
แหล่งที่มา

0

วิธีเดียวที่จะแน่ใจได้ว่าตัวอย่างมีขนาดใหญ่พอ (หรืออย่างที่ชาร์ลีเกเยอร์จะใส่ไว้ - ที่จริงคุณอยู่ในดินแดนแห่ง Asymtopia ) ก็คือการจำลอง Monte-Carlo จำนวนมากหรือตามที่ EpiGard แนะนำให้ใช้บางอย่างเช่น glmperm

สำหรับวิธีการที่ดีที่สุดใน exactci ไม่มีวิธีที่ดีที่สุดที่นี่ - หรืออย่างที่ฟิชเชอร์เคยใช้

ดีที่สุดสำหรับอะไร

Michael Fay ให้ความกระจ่างบางอย่างที่นี่

— phaneron
แหล่งที่มา