有向无环图在因果推断控制混杂因素中的应用

观察性研究是流行病学病因研究中最常用的方法之一,但在因果推断时混杂因素往往会歪曲暴露与结局的真实因果关联。为了消除混杂,选择变量调整是关键所在。有向无环图能够将复杂的因果关系可视化,提供识别混杂的直观方法,将识别混杂转变成识别最小充分调整集。一方面有向无环图可以选择调整更少的变量,增加分析的统计效率;另一方面有向无环图识别的最小充分调整集可以避开未被测量或有缺失值的变量。总之,有向无环图有助于充分揭示真实的因果关系。     

基于约束的混合类型数据因果推断方法构建研究

目的 构建适用于含隐变量混合数据类型的因果推断方法,通过模拟研究评估方法的效果,为观察性数据的因果结构研究提供依据。方法 基于约束的FCI-stable结构学习方法,结合条件高斯独立性检验,建立适用于含隐变量混合数据类型的因果推断算法框架。利用Tetrad 6.9.0生成含隐变量的混合类型模拟数据,模拟研究设置不同的离散型数据占比、隐变量占比、网络节点数量及样本量;将FCI_cg方法与基于约束的FCI_chi-square、FCI_dg、FCIF_fisher-z、FCI_kci及FCI_mrcit五种方法进行比较,采用F1 Score和马修斯相关系数(matthews correlation coefficient, MCC)对因果结构识别效果进行评估。结果 本研究建立了适用于含隐变量混合数据类型的因果推断方法FCI_cg,该方法可用于从观察性数据中学习变量间的因果结构。模拟结果表明,在不同离散型数据占比下,除FCI_{chi-square...}     

纵向研究中控制时依混杂的G方法

传统分析方法不能有效地控制纵向研究中的时依混杂以得到无偏因果效应估计值。本研究解释了纵向研究中正确控制时依混杂的必要性,概述了现有控制时依混杂的G方法——参数g-formula、逆概率加权和G估计,并通过比较它们的优缺点和适用情况,为研究者在纵向研究中估计因果效应提供参考。     

基于阴性对照理论的未测量混杂因素控制方法

非随机对照研究中未测量混杂因素的控制极具挑战。阴性对照理论基于“阴性对照的检测结果必须阴性”的思想,在进行人群研究时,额外设置合适的阴性对照,将关联特异度的思想融入人群研究中进行未测量混杂因素的识别和控制。本文从统计学角度解析阴性对照理论控制未测量混杂因素的基本原理,详细介绍基于阴性对照理论的系列衍生方法：死亡率标准化校正法、校正P值法、广义双重差分模型以及双向阴性对照法,并结合代表性案例对其合理应用进行述评。阴性对照是识别、校正和控制未测量混杂因素的重要统计设计思想,是基于现实世界数据开展实效比较研究的重要方法。     

基于因果网络图控制混杂的条件

依据观察性数据进行因果推断的难点在于识别混杂因素.Greenland等[1]关于混杂和可压缩性进行了详细介绍和历史回顾.Miettinen,Cook[2](MC)根据归纳提出识别混杂因素的准则.     

四种因果图模型在观察性研究因果推断中的比较研究

目的比较有向无环图、结构方程模型、贝叶斯网络和TAN贝叶斯网络四种因果图模型在观察性研究因果推断中的原理方法和应用价值,为因果图模型的合理选用提供参考依据。方法以认知障碍为例,基于先验知识构建轻度认知功能障碍的有向无环图。根据有向无环图建立结构方程模型的初始模型,采用极大似然估计进行参数估计和修正指数进行模型优化。运用爬山算法进行贝叶斯网络结构学习、贝叶斯信息准则进行结构优化和贝叶斯估计进行网络参数学习,并进行网络推理。采用专家建模进行TAN贝叶斯网络的构建,似然比进行独立性测试和极大似然估计进行参数学习,并进行诊断推理。结果实例分析显示,有向无环图、结构方程模型和贝叶斯网络均稳定探测到了结局变量的直接原因且各模型探测到的因果路径基本趋同。有向无环图定性推断了变量间因果关系的概念框架;结构方程模型通过标化路径系数定量推断了模型假定的观测变量与结局变量间的因果关系;贝叶斯网络通过条件概率表定量推断了直接原因组合下结局变量的发生概率,正向预测推理了由因到果的路径关系;TAN贝叶斯网络通过变量重要性评分反向诊断推理了由果到因的路径关系。结论有向无环图、结构方程模型、贝叶斯网络和TAN贝叶斯网络因果图模型在观察性研究因果推断中的侧重点和实际意义有所不同,探测到的因果路径亦有所不同,实际应用时应综合四种因果图模型结果进行因果关系的稳健推断。     

健康指数指标筛选的因果推断方法

健康指数体系的构建与发展对于推动健康中国目标的实现具有重要的战略意义。从现实世界数据入手,通过一系列的因果推断方法,筛选和确定对健康/疾病结局具有确凿因果关系且可干预的健康指数指标,从而为健康/疾病管理提供更贴近实践、更有价值的现实世界证据是至关重要的。本文针对健康指数构建的循证医学需求,介绍了目前常用的现实世界研究中人群水平评估的因果推断方法,为健康指数指标筛选提供方法支撑。     

因果推断中研究人群的形成

流行病学是对一定数量的人群进行特征描述和比较,并在此基础上进行因果推断。研究人群的形成是其第一步。本研究以观察性研究为例,首先定义个体截面和人群截面,并阐明其测量需满足的3个假设：属性真实值随时间保持不变,属性变量间互不干扰,个体间互不干扰;接着指出因果推断研究应以待定因（或暴露）的发生或状态开始的时间为标准进行统一;...     

高维情况下基于倾向性评分的因果推断方法

目的 观察性研究中使用倾向性评分法估计因果效应依赖于不存在未测量混杂假设.随着大数据时代的到来,越来越多的处理前协变量可被测量并纳入分析中,使得这一假设更合理,但同时也导致标准的倾向性评分法不再适用,这就促使了高维情况下因果推断方法的发展.本研究对现有的高维情况下基于倾向性评分的因果推断方法进行概述,为实际应用提供参考...     

控制混杂因素的基于随机森林方法评价

目的 在高维组学研究中,混杂因素常常影响着随机森林筛选出与研究结局相关联的变量的能力,因此控制混杂因素具有非常重要的作用。方法 通过模拟试验和实例验证,我们比较了以下四种方法在筛选与研究结局相关联的变量中控制混杂因素的效果：随机森林(random forest, RF);Ranger法;加权Ranger,给予每个混杂因素以100%的权重;残差法,将去除混杂因素的因变量和自变量作为新的因变量和自变量纳入Ranger分析。研究采用危险因素在重要性评分排序中排在第一位的比例作为评价指标。结果 基于大量的模拟试验,我们发现残差法和加权Ranger法有效提高了危险因素在重要性评分排序中排在第一位的比例。GWAS实例证实,在使用这两种方法校正混杂因素之后,危险因素的排序有所提前。结论 校正混杂因素对于筛选与研究结局相关联的变量十分必要,且残差法在混杂因素校正上表现优于加权Ranger法,RF和Ranger几乎无混杂校正作用。     

如何控制观察性疗效比较研究中的混杂因素：（二）未知或未测量混杂因素的统计学分析方法

观察性疗效比较研究作为随机对照研究的证据补充,其应用价值越来越受到关注。未测量混杂因素的统计学分析方法是观察性疗效比较研究中的重大挑战,本文对观察性疗效比较研究中未知或未测量的混杂因素控制的统计分析方法进行述评。未测量混杂因素的统计学方法包括工具变量法、本底事件率比校正法和双重差分模型及其衍生方法。工具变量法模型构造巧妙,但满足条件的工具变量在实际研究中并不易得;本底事件率比校正法和双重差分模型均要求研究数据有干预前信息,有些实际研究中往往无法满足。未测量混杂因素对统计学方法提出了新的要求、新的挑战,有待国内外统计学者的进一步完善和研究。     

基于混合效应模型的纵向暴露数据方差-协方差结构的模拟研究

目的 探讨基于混合效应模型对短期纵向数据进行模拟,从而获得长期纵向数据这一方法的效果。方法 以金属镉的膳食暴露数据作为应用实例来介绍该方法。首先计算某省成人的镉短期暴露量,在此基础上构建三个不同的模型并计算相应参数,包括固定效应参数、随机效应参数和一阶自相关系数。通过Monte Carlo模拟得到不同模拟人数和天数下人群的每日暴露量及其分布。三个标准用于评价模拟数据与原始数据的相似度：总平均值和标准差、方差成分比例和自相关系数。结果 固定效应参数：年份、地区及两者的一级交互作用被纳入混合效应模型;随机效应参数：个体间方差σ_b²=0.056,个体内方差σ_e²=0.717,一阶自相关系数AR(1)ρ=-0.026;模型选择：在同样的模拟人数和天数下,模拟结果显示含有自相关结构的混合效应模型模拟的数据结构与原始数据结构最接近;考虑自相关的混合效应模型的模拟结果：模拟人数固定为1000人,模拟天数从30天递增至360天,随着时间长度逐渐增加,个体内与个体间方差成分比例以及自相关系数都很稳定,且接近原始数据的...     

危险因素研究中偏倚与混杂的控制

健康管理是对个体或群体的健康进行全面监测、分析、评估、提供健康咨询和指导以及对健康危险因素进行干预的全过程。因此,确定影响健康的危险因素非常重要。危险因素是指流行病学层次的病因,是使疾病发生概率（风险）增加或升高的因素。     

孟德尔随机化研究应用于因果推断的影响因素及其结果解读面临的挑战

孟德尔随机化（Mendelian randomization,MR）研究使用遗传变异作为工具变量,推断暴露因素与结局之间的因果关系,能够有效克服混杂和反向因果问题所导致的偏倚。然而,MR研究中的工具变量须满足关联性、独立性和排他性3个核心假设。即使核心假设成立,MR研究在因果推断中的应用还受到其他局限性的影响。此外,MR研究结果的解读需要基于综合证据。本文将围绕MR研究应用于因果推断的影响因素和研究结果的解读进行综述,以期为MR研究结果应用提供指导。     

应用线性模型排除混杂因素的简便方法与原理

应用线性模型排除混杂因素的简便方法与原理华北煤炭医学院卫生统计学教研室郑俊池，王国立应用线性模型可同时均衡多个混杂因素的影响，分析某些因素的相对重要性。有关线性模型在排除混杂因素中的应用的研究已有报告［１］，本文提出了一种更为简便易行的排除混杂因素的...     

边缘结构模型——一种控制时依性混杂的方法

<正>在观察性研究中,暴露或处理因素常常会随时间的变化而变化,在分析其对结局的效应时,常会受到时依性混杂因素的影响。时依性混杂因素是指同时满足以下三个条件的因素:(1)随时间变化;(2)是结局的影响因素;(3)会影响到随后的暴露/处理,同时又会受到前次暴露/处理的影响[1-2]。可见,时依性混杂因素既可以看作暴露/处理与结局的混杂因素,也可以当成暴露/处理与结局之间的一个中间变量。在估计暴     

如何控制观察性疗效比较研究中的混杂因素：（三）混杂因素控制的敏感性分析方法

观察性疗效比较研究中混杂在所难免,在利用一些统计分析方法对已测量或未测量混杂因素加以控制后,是否消除了混杂的影响不得而知,此时需进行敏感性分析。本文介绍混杂因素处理中的敏感性分析方法。基于不同的研究,敏感性分析思路各不相同,对于已测量混杂因素可采用传统的敏感性分析方法,对于未测量混杂因素目前理论相对系统的方法主要有混杂函数法、边界因子法和倾向性评分校正法,另外Monte Carlo敏感性分析和Bayes敏感性分析也是近年来备受热议的方法。当敏感性分析结果与主要分析结果一致时,无疑提高了研究结论的可靠性。     

两阶段混合效应位置尺度模型在密集纵向数据中的应用

目的 探讨两阶段混合效应位置尺度模型在密集纵向数据中的应用。方法 通过在随机误差方差项下引入尺度效应的对数线性子模型的方式,构建混合效应位置尺度模型,并运用多重填补的数值模拟方法,使用MixWILD软件在一项探索考前情绪波动对考试成绩影响的实例数据中运用最大似然估计法完成了参数估计,通过两阶段建模策略实现基于方差的建模要求。结果 针对该数据,第一阶段位置尺度模型中随机尺度标准差存在统计学意义,可见不同个体考前一个月情绪波动差别大。经模型似然比检验,含有随机位置效应,尺度效应及随机位置尺度效应的混合效应位置尺度模型最优,其拟合结果显示,个体内情绪波动主要受性别(z=-2.23,P=0.026)和睡眠质量(z=-4.44,P<0.001)的影响。根据该模型生成多重填补数据集,第二阶段logistic回归结果显示,个体内情绪的波动对通过考试可能性的影响有限(z=0.059,P=0.954),但随机尺度效应与高中成绩点的交互作用存在统计学意义(z=2.053,P=0.040),表明高中成绩点与通过考试之间的正相关性在性格波动大的个体中更加明显。结论 针对密集纵向数据中某特征随时间的波动是...     

行为毒理学现场研究中的混杂因素及其控制

由于行为指标本身的特点,在行为毒理学现场研究中更易受到多种混杂因素的影响。混杂因素(如性别、年龄、文化程度和社会经济状态)的效应可能影响神经行为测试结果的准确性。关于混杂因素的控制问题,应在课题设计阶段予以充分考虑:即选择一合适的对照组;若在现场施实过程中不能满足要求,则必需求助于统计分析技术。     

N-of-1无残留效应定量数据混合效应模型的模拟研究

目的 通过对不同时间点间存在相关、无残留效应的N-of-1定量数据进行模拟研究,比较不同检验方法的统计性能.方法 模拟参数设样本量为10(模型1),研究周期为3(模型2-4),不同时间点间相关系数为0.8(模型5-7),无残留效应,根据固定的效应差值产生多元正态分布数据,建立配对t检验、混合效应模型和差值的混合效应模型.使用效应差值估计值的Ⅰ类错误、检验功效、平均误差(ME),平均绝对误差(AE),均方误差(RMSE)评价各种模型.结果 所有模型估计值的均数都非常接近效应差值,所有模型估计值的ME、AE、RMSE都较小.除了模型7,其他模型的Ⅰ类错误概率都约等于0.05.随着效应差值的增大,所有模型的检验功效都随之增大.当两组的效应差值较小时(＜1.0),模型5的检验功效最大,模型2至模型4的功效较小.当两组的效应差值较大时(≥1.0),所有模型的功效都小于0.010.结论 混合效应模型比配对t检验更适合存在相关关系的N-of-1数据.混合效应模型的效果优于差值的混合效应模型,效果最优的模型是CS结构的混合效应模型.