有病率比率：推定および仮説検査

背景：最近のコミュニケーションは、多くの場合、一般的な結果の断面研究をロジスティック回帰モデルで分析することは適切ではないかもしれないと主張しています。この通信の目的は、断面研究への適用のために提案された3つの方法を比較することです。（1）ログバイノミリアルモデルを呼び出し、（2）ロジスティック回帰に基づく方法と方法と呼びます。Gee-Logistic Modelと呼び、（3）COX回帰モデルと呼ばれる標準誤差の堅牢な推定。 方法：14の個別のシミュレーション条件を表す5セットのシミュレーションを使用して、メソッドのパフォーマンスをテストしました。 結果：3つのモデルすべてが、真のパラメーターに近い点推定値を生成しました。つまり、曝露に関連付けられたパラメーターの推定器には無視できるバイアスがありました。COX回帰は、特に疾患の有病率が高い場合に大きすぎる標準誤差を生成しましたが、対数二項モデルとGee-Logisticモデルには正しいタイプI誤差確率がありました。Gee-Logisticモデルは1より大きい有病率を生成できるのに対し、これは対数倍数モデルでは発生できないことが証明されたことが示されました。ログバイノミリアルモデルを優先する必要があります。

BACKGROUND: Recent communications have argued that often it may not be appropriate to analyse cross-sectional studies of prevalent outcomes with logistic regression models. The purpose of this communication is to compare three methods that have been proposed for application to cross sectional studies: (1) a multiplicative generalized linear model, which we will call the log-binomial model, (2) a method based on logistic regression and robust estimation of standard errors, which we will call the GEE-logistic model, and (3) a Cox regression model. METHODS: Five sets of simulations representing fourteen separate simulation conditions were used to test the performance of the methods. RESULTS: All three models produced point estimates close to the true parameter, i.e. the estimators of the parameter associated with exposure had negligible bias. The Cox regression produced standard errors that were too large, especially when the prevalence of the disease was high, whereas the log-binomial model and the GEE-logistic model had the correct type I error probabilities. It was shown by example that the GEE-logistic model could produce prevalences greater than one, whereas it was proven that this could not happen with the log-binomial model. The log-binomial model should be preferred.