• 中国精品科技期刊
  • 《中文核心期刊要目总览》收录期刊
  • RCCSE 中国核心期刊(5/114,A+)
  • Scopus收录期刊
  • 美国《化学文摘》(CA)收录期刊
  • WHO 西太平洋地区医学索引(WPRIM)收录期刊
  • 《中国科学引文数据库(CSCD)》核心库期刊 (C)
  • 中国科技核心期刊
  • 中国科技论文统计源期刊
  • 《日本科学技术振兴机构数据库(中国)》(JSTChina)收录期刊
  • 美国《乌利希期刊指南》(UIrichsweb)收录期刊
  • 中华预防医学会系列杂志优秀期刊(2019年)

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

群随机研究中倾向性评分匹配与混合效应模型比较

赵航 余小金

赵航, 余小金. 群随机研究中倾向性评分匹配与混合效应模型比较[J]. 中华疾病控制杂志, 2024, 28(1): 112-116. doi: 10.16462/j.cnki.zhjbkz.2024.01.018
引用本文: 赵航, 余小金. 群随机研究中倾向性评分匹配与混合效应模型比较[J]. 中华疾病控制杂志, 2024, 28(1): 112-116. doi: 10.16462/j.cnki.zhjbkz.2024.01.018
ZHAO Hang, YU Xiaojin. Comparison of propensity score matching with mixed-effect model in cluster randomized trial[J]. CHINESE JOURNAL OF DISEASE CONTROL & PREVENTION, 2024, 28(1): 112-116. doi: 10.16462/j.cnki.zhjbkz.2024.01.018
Citation: ZHAO Hang, YU Xiaojin. Comparison of propensity score matching with mixed-effect model in cluster randomized trial[J]. CHINESE JOURNAL OF DISEASE CONTROL & PREVENTION, 2024, 28(1): 112-116. doi: 10.16462/j.cnki.zhjbkz.2024.01.018

群随机研究中倾向性评分匹配与混合效应模型比较

doi: 10.16462/j.cnki.zhjbkz.2024.01.018
基金项目: 

国家自然科学基金 81673274

详细信息
    通讯作者:

    余小金,E-mail:xiaojinyu@seu.edu.cn

  • 中图分类号: R181.2

Comparison of propensity score matching with mixed-effect model in cluster randomized trial

Funds: 

National Natural Science Foundation of China 81673274

More Information
  • 摘要:   目的  比较倾向性评分匹配(propensity score matching, PSM)法和混合效应模型法在群随机试验中的统计效能,为同类研究的统计分析方法选择提供指导。  方法  通过模拟研究与急性缺血性脑卒中疗效评级数据,比较倾向性评分后拟合单因素条件logistic回归分析模型和直接拟合混合效应模型应用于含有混杂因素的群随机试验数据时的统计学性能,说明方法应用场景和选择策略。  结果  PSM后,各混杂因素组间均衡性明显改善。条件logistic回归分析模型和混合效应模型处理效应估计结果十分接近,但前者的P值更小。实例分析结果显示,匹配后各混杂因素的标准化均数差异(standardized mean difference, SMD)均控制在0.1以内,条件logistic回归分析模型识别出两个研究结局的处理组间差异;而混合效应模型仅识别出7 d有效率的处理组间差异。  结论  PSM可以平衡群随机试验中的混杂因素,提高两组间的可比性,其检验效能较高。推荐在临床群随机试验中优先考虑PSM法,但也要注意其应用条件和局限性。
  • 图  1  匹配前后组间不均衡变量分布情况(mRS评分)

    Figure  1.  Distribution of unbalanced variables before and after matching (mRS score)

    表  1  模拟数据混杂变量分布

    Table  1.   Sampling distribution of confounding in the simulated data

    混杂效应Mixed effect 分组Group X1 X2 X3
    低差异Low difference 对照组Control N(0.0, 1.0) N(0.0, 4.0) Bernouli(0.45)
    试验组Treatment N(0.3, 1.0) N(0.6, 4.0) Bernouli(0.30)
    高差异High difference 对照组Control N(0.0, 1.0) N(0.0, 4.0) Bernouli(0.60)
    试验组Treatment N(0.6, 1.0) N(1.2, 4.0) Bernouli(0.30)
    下载: 导出CSV

    表  2  两种方法疗效指标分析

    Table  2.   Analysis of efficacy indicators of different methods

    结局指标
    Outcome
    方法
    Method
    试验组发生人数(占比/%)
    Number of occurrences in treatment group(proportion/%)
    对照组发生人数(占比/%)
    Number of occurrencesin control group(proportion/%)
    OR值value
    (95% CI)
    P
    value
    NIHSS 7 d有效率
    7-day NIHSS effective rate
    混合效应模型
    Mixed-effect model
    372(73.96) 405(67.73) 1.404(1.074~1.836) 0.013
    PSM后条件logistic回归分析模型
    Conditional logistic model
    321(75.89) 282(66.67) 1.574(1.164~2.128) 0.003
    90 d mRS评分≤2分
    90-day mRS score≤2 score
    混合效应模型
    Mixed-effect model
    381(78.56) 377(66.73) 1.459(0.939~2.265) 0.093
    PSM后条件logistic回归分析模型
    Conditional logistic model
    311(76.98) 285(70.54) 1.513(1.073~2.132) 0.018
    下载: 导出CSV
  • [1] 黄丽红, 王永吉, 王素珍, 等. 倾向性评分方法及其规范化应用的统计学共识[J]. 中国卫生统计, 2020, 37(6): 952-958. DOI: 10.3969/j.issn.1002-3674.2020.06.041.

    Huang LH, Wang YJ, Wang SZ, et al. Statistical consensus on peopensity score methods and their normative application[J]. Chinese Journal of Health Statistics, 2020, 37(6): 952-958. DOI: 10.3969/j.issn.1002-3674.2020.06.041.
    [2] Lalani N, Jimenez RR, Yeap B. Understanding Propensity Score Analyses[J]. Int J Radiat Oncol, 2020, 107(3): 404-407. DOI: 10.1016/j.ijrobp.2020.02.638.
    [3] 龚清海, 张晓宏, 徐琛玮. 混合效应模型在系统分组资料中的应用及SAS实现[J]. 中国卫生统计, 2009, 26(6): 577-579. DOI: 10.3969/j.issn.1002-3674.2009.06.005.

    Gong QH, Zhang XH, Xu CW. Mixed model in the hierarchical classification datas and implementation of SAS[J]. Chinese Journal of Health Statistics, 2009, 26(6): 577-579. DOI: 10.3969/j.issn.1002-3674.2009.06.005.
    [4] Austin PC. Optimal caliper widths for propensity-score matching when estimating differences in means and differences in proportions in observational studies[J]. Pharmaceutical Statistics, 2011, 10(2): 150-161 DOI: 10.1002/pst.433.
    [5] Zhang XT, Zhong WS, Ma XD, et al. Ginkgolide with intravenous alteplase thrombolysis in acute ischemic stroke improving neurological gunction: a multicenter, cluster-randomized trial (GIANT)[J]. Front Pharmacol, 2021, 12: 792136-792134. DOI: 10.3389/fphar.2021.792136.
    [6] Benedetto U, Head SJ, Angelini GD, et al. Statistical primer: propensity score matching and its alternatives[J]. Eur J Cardiothorac Surg, 2018, 53(6): 1112-1117. DOI: 10.1093/ejcts/ezy167.
    [7] Zhang ZN. Propensity score method: a non-parametric technique to reduce model dependence[J]. Ann Transl Med, 2017, 5(1): 7-14. DOI: 10.21037/atm.2016.08.57.
  • 加载中
图(1) / 表(2)
计量
  • 文章访问数:  20
  • HTML全文浏览量:  7
  • PDF下载量:  6
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-07-28
  • 修回日期:  2022-09-30
  • 网络出版日期:  2024-02-05
  • 刊出日期:  2024-01-10

目录

    /

    返回文章
    返回