条件付きポアソンモデル：条件付きロジスティックケースクロスオーバー分析に代わる柔軟な代替

背景：時間階層化されたケースクロスオーバーアプローチは、環境暴露（大気汚染、天気）と健康転帰数の時系列との関連性を分析するための従来の時系列回帰の一般的な代替手段です。これらは、ほとんどの場合、ケースコントロール（ケースクロスオーバー）形式に拡張されたデータ上の条件付きロジスティック回帰を使用して分析されますが、これにはいくつかの制限があります。特に、カウントの過剰分散と自動相関を調整することは不可能です。層指標を持つカウントのポアソンモデルは、条件付きロジスティック回帰からの推定値と同一の推定値を提供することが確立されており、これらの制限はありませんが、おそらく多くの層パラメーターを推定するオーバーヘッドのために、ほとんど使用されていません。 方法：条件付きポアソンモデルは、各層の総イベントカウントを条件付けすることにより、層パラメーターの推定を回避し、したがって、コンピューティングを簡素化し、標準的な無条件のポアソンモデルと比較してフィッティングが実現可能な層の数を増やします。条件付きロジスティックモデルとは異なり、条件付きポアソンモデルはデータの拡張を必要とせず、過剰分散と自動相関を調整できます。Stata、R、およびその他のパッケージで利用できます。 結果：いくつかの実際のデータに適用し、シミュレーションを使用することにより、条件付きポアソンモデルは、条件付きロジスティック分析よりもコードが簡単で、実行が短く、標準のポアソンモデルで可能なよりも大きなデータセットに適合できることを実証します。条件付きポアソンモデルでは、過剰分散または自己相関を可能にすることが可能でしたが、不要になった場合、このモデルは条件付きロジスティック回帰からのものと同一の推定値を与えました。 結論：条件付きポアソン回帰モデルは、いくつかの利点を持つ、層別時系列データのケースクロスオーバー分析に代わるものを提供します。条件付きポアソンモデルは、交絡の一次制御が細かい層別化によるものである他のコンテキストでも使用できます。

BACKGROUND: The time stratified case cross-over approach is a popular alternative to conventional time series regression for analysing associations between time series of environmental exposures (air pollution, weather) and counts of health outcomes. These are almost always analyzed using conditional logistic regression on data expanded to case-control (case crossover) format, but this has some limitations. In particular adjusting for overdispersion and auto-correlation in the counts is not possible. It has been established that a Poisson model for counts with stratum indicators gives identical estimates to those from conditional logistic regression and does not have these limitations, but it is little used, probably because of the overheads in estimating many stratum parameters. METHODS: The conditional Poisson model avoids estimating stratum parameters by conditioning on the total event count in each stratum, thus simplifying the computing and increasing the number of strata for which fitting is feasible compared with the standard unconditional Poisson model. Unlike the conditional logistic model, the conditional Poisson model does not require expanding the data, and can adjust for overdispersion and auto-correlation. It is available in Stata, R, and other packages. RESULTS: By applying to some real data and using simulations, we demonstrate that conditional Poisson models were simpler to code and shorter to run than are conditional logistic analyses and can be fitted to larger data sets than possible with standard Poisson models. Allowing for overdispersion or autocorrelation was possible with the conditional Poisson model but when not required this model gave identical estimates to those from conditional logistic regression. CONCLUSIONS: Conditional Poisson regression models provide an alternative to case crossover analysis of stratified time series data with some advantages. The conditional Poisson model can also be used in other contexts in which primary control for confounding is by fine stratification.