效应改变法和有向无环图在线性回归变量筛选中的应用及实现

目的 通过实例展示如何应用在线工具DAGitty和R实现有向无环图(DAG)联合效应改变法(CIE)筛选线性回归中需要调整的混杂。方法 基于DATADRYAD的Jung, Su-Young J eettaall.(2019)数据包,假设暴露因素为BMI_ICU,结局为Death_28D,混杂包括Sex等9个变量为混杂因素。本文以逻辑回归模型为例,首先应用在线工具DAGitty将变量间的因果关系可视化,并自动识别需要调整的混杂;然后使用R批量筛选出使暴露因素的效应量变化超过10%的混杂。结果 经DAG未发现中介变量,在单因素模型中逐一加入混杂,或在全变量模型中逐一剔除混杂后BMI_ICU的效应量变化均未超过10%,综上,暂没有需要调整的混杂。结论 通过DAGitty和R可以简便、有效、快速的实现DAG联合CIE筛选线性回归中的混杂,其他线性回归类型可在此基础上稍作修改。

临床流行病学研究中多因素分析时的变量选择方法

变量选择是多因素分析时必不可少的环节,在控制混杂因素或者使模型达到高预测性能方面起着至关重要的作用。目前常用的变量筛选方法主要分为数据驱动和知识驱动两大类别,不同的变量筛选方法在识别混杂因素的作用、适用条件方面各不相同。本文介绍了临床流行病学中常用的变量筛选方法,并分析了这些方法优势和局限性,尤其是详细介绍了基于“知识驱动”的变量筛选方法在因果推断的临床研究中识别混杂变量的重要性,是当前国际上提高多因素分析结果的准确性和因果推断有效性的重要手段之一。本文也指出了国内研究者采用的变量筛选方法和国际上高质量研究的差别,并对不同临床研究情况下的变量筛选方法提出了合理的建议,旨在帮助临床研究者更好地了解和选择合适的变量筛选方法,提高临床研究的质量。