郭 威 于菲菲 秦婴逸 何 倩 吴 骋

第二军医大学卫生统计学教研室(200433)

·综述·

观察性研究中校正连续型混杂因素的非线性方法*

郭 威 于菲菲 秦婴逸 何 倩 吴 骋△

第二军医大学卫生统计学教研室(200433)

混杂偏倚(confounding bias)是观察性研究中的一类重要偏倚，它是指由于混杂因素既与暴露因素又与结局存在相关关系，导致暴露与结局之间的真实关系受到了干扰而产生的偏倚[1]。因此，观察性研究中如何控制混杂一直是研究人员所关注的重要问题。在统计分析阶段一种常用的处理办法是将混杂因素纳入回归模型中进行校正。实际问题中常常遇到这样的情况，即混杂变量为连续型指标，该变量与结局变量间的真实的内在关系有可能是非线性的，比如BMI与死亡率的关系可能为U型，即低于或超出BMI的参考值范围，个人的死亡风险都会增加，BMI处于参考值范围内时个人的死亡风险最低。在过去几十年中，主流的控制连续型混杂因素的做法有两种，一是直接假定该变量与结局变量的关系为线性的，将其直接以线性形式纳入回归模型中加以校正，二是将连续型混杂变量进行分类(categorization)，以虚拟变量的形式纳入回归模型中。这两种处理方法虽然操作简单，但存在不少问题。近十年来，统计软件的进一步开发和丰富使得许多复杂的非线性建模策略实现起来不再困难，越来越多的医学科研人员开始将这些方法应用于自己的研究，就目前而言，剂量-反应分析和各种预后模型的建立就是非线性建模策略的重要应用方向[2-3]。……