目的介绍处理时依性混杂的G方法,并对不同G方法进行探讨和比较。方法通过4个情境的模拟试验验证不同G方法在不同情境下对时依性混杂的处理效果,并应用英国生物样本库(UK Biobank)的数据集进行实例分析。结果模拟试验和实例分析结果均显...目的介绍处理时依性混杂的G方法,并对不同G方法进行探讨和比较。方法通过4个情境的模拟试验验证不同G方法在不同情境下对时依性混杂的处理效果,并应用英国生物样本库(UK Biobank)的数据集进行实例分析。结果模拟试验和实例分析结果均显示G方法能有效处理时依性混杂。模拟试验显示3种方法效果类似,G-computation易受G-null paradox的影响。随着时依性混杂因素数量增加,相比于G-computation和G-estimation,逆概率加权法(inverse probability of treatment weighting,IPTW)的效果波动较大。结论不同G方法都能适当地处理时依性混杂,降低统计分析过程中的偏倚大小。展开更多
文摘目的介绍处理时依性混杂的G方法,并对不同G方法进行探讨和比较。方法通过4个情境的模拟试验验证不同G方法在不同情境下对时依性混杂的处理效果,并应用英国生物样本库(UK Biobank)的数据集进行实例分析。结果模拟试验和实例分析结果均显示G方法能有效处理时依性混杂。模拟试验显示3种方法效果类似,G-computation易受G-null paradox的影响。随着时依性混杂因素数量增加,相比于G-computation和G-estimation,逆概率加权法(inverse probability of treatment weighting,IPTW)的效果波动较大。结论不同G方法都能适当地处理时依性混杂,降低统计分析过程中的偏倚大小。