中国医学科学院 北京协和医学院 国家心血管病中心 阜外医院 医学统计部(102300)白银晓 王子悦 柴 昊 赵延延 范肖雪 李 卫 王 杨

【提 要】 目的 比较Peto-MacMahon非参数法(PM)和Rosner回归校准法(RC)对线性回归中回归稀释偏倚的校正效果，同时讨论不同情况下得到回归系数最佳校正效果时所需要的最小样本量。方法 用Matlab软件随机模拟产生重复测量数据，建立线性回归模型，用PM法和RC法进行校正，比较设定的真实系数与校正前、后回归系数，评价校正效果。结果 总体样本量很大时(大于10000)，无论测量误差的大小，当重复测量样本量达到总体样本量的10%～30%，回归系数能达到最佳校正效果；两种方法稳定性差异无统计学意义，但PM法在计算上有更大的优势。总体样本量较小时(小于300)，无论测量误差的大小，当重复测量样本量达到总体样本量的15%～30%，回归系数能达到最佳校正效果；但当测量误差很大，样本量小于50时，RC法更稳定。结论 无论测量误差的大小，当重复测量数据达到一定样本量时，两种方法对回归系数的校正均有很好效果。在测量误差很大，且重复测量数据很少时，建议采用RC法进行校正；在其他情况下，建议采用PM法。

统计分析过程中，在收集数据时，经常由于测量工具的不精确或个体差异等原因，导致测量误差的产生。MacMahon发现[1]，当利用自变量的单一测量值进行回归分析时，由于随机测量误差的存在会导致回归系数的估计值比真值偏小，这种现象被称为回归稀释偏倚[2-3]。如何消除上述偏倚，获得真实的关联程度估计是流行病和临床研究中的一个普遍问题。……