干擾因子調整(Confounding factors adjustment)

研究設計階段

隨機分派(randomization
1.          避免得出來的結果只落於某一特定族群而干擾結果,所以用亂數採樣,可使用亂數表或用電腦程式亂數排序
2.          隨機分派有較高的機率可調整已知及未知的干擾因子
3.          其中包含單盲及雙盲試驗



1.          又稱為成偶配對法。
2.          在個案對照研究中,已確定抽菸是干擾因子,則可依抽菸習慣來進行casecontrol配對。每個抽菸個案,其相對對照組也必須抽菸。
3.          缺點:若同時處理數個可能的干擾因子,則招募測驗者的過程就會變的複雜麻煩,還有配對所造成的變數是無法測定的。
4.          例子:若覺得年齡為干擾因子的話,在分組時,可將同年齡的casecontrol來配對,可以減少年齡對結果的干擾
限制法(restriction

1.          又稱為排除法。
2.          例子:若年齡會干擾,可以限制65歲以上的人才納入研究對象;或是若性別會干擾,那就只限男生來做研究。

資料分析階段

年齡標準化(standardized

1.          將樣本的年齡層一致化,避免年齡成為干擾因子
2.          例子:要進行兩鄉鎮死亡率大小的比較,可用同一種年齡結構進行直接年齡標準化,可避免年齡的干擾。




分層分析(stratification

1.          假設有很多的干擾因子,為了能夠一一分析,將樣本的背景一致化,只留下一個干擾因子作為變因。
2.          例子:假設一群樣本可能有抽菸跟喝酒的習慣,要觀察抽菸對肺癌的影響,我們可先看會喝酒的那群人中,會抽菸也會喝酒得肺癌的機率和不會抽菸但會喝酒得肺癌的發生率作比較,看看喝酒狀況下抽菸引起肺癌的效應。另外再看不會喝酒的那群人中,會抽菸但不會喝酒得肺癌的機率和不會抽菸且不會喝酒得肺癌的發生率作比較,看看喝酒狀況下抽菸引起肺癌的效應,以及沒有喝酒狀況下抽菸引起肺癌的效應。
3.          優點:可以調整干擾因子,讓他在暴露組和非暴露組間平衡,也可以看出抽煙和喝酒對肺癌的影響有沒有交互作用(interaction【見下面補充】
4.          缺點:假如干擾因子很多,會產生分層太多(太細)的情況,而造成各組樣本數太低,如此計算出的結果會有不穩定的狀況
迴歸分析(regression
1.          可以解決分層分析的問題
2.          可以同時調整很多干擾因子(不會造成各組樣本數太少),更重要是可調整連續性(ratio scale interval scale的資料)的干擾因子。
3.          可利用統計上顯著(P_value < 0.05直接檢定有沒有交互作用
4.          分為線性迴歸(Linear Regression)和邏輯斯迴歸(Logistic Regression
▼生物統計學(Biostatistics) 顯示/隱藏(show/hide)

0 意見:

張貼留言

 
TOP