热线电话:13121318867

登录
首页精彩阅读Stata实例教程:泊松回归
Stata实例教程:泊松回归
2017-06-12
收藏

Stata实例教程:泊松回归

泊松回归主要适用于罕见结局发生率的分析,其数据特征一般为:发生率的分母相对于分子较大,或者事件发生于有限的时间、空间上。事件发生数量可以近似为服从泊松分布。常见的例子如,士兵意外死亡数量、电话拨打错误的数量、罕见疾病的发病率等。

在临床研究中泊松回归常用于队列研究。如下面的例子(表1):

表1. 队列研究实例

该研究为一个队列研究,目的是探讨吸烟是否增加人群的死亡风险。Deaths代表死亡人数,person-years代表随访人年数。

下面利用上例数据介绍如何利用Stata进行泊松回归。

首先数据格式应为下表(表2)所示:

表2. 数据结构

操作步骤

1.在Stata中依次点击Statistics—Count outcomes—Poisson regression,调出对话框。

在Dependent中选入deaths变量(发病率的分子),Exposure variable中选入pyears变量(发病率的分母),Independent variables选入smokes变量,另外还需选入agecat变量,该变量为分类变量,需写成i.agecat形式告诉软件agecat为分类形式。

在reporting部分选择Report incidence-rate ratios,这样软件给出的是系数的指数形式,即我们所需要的incidence-rate ratio(IRR)。

最后界面如下:

Reporting处的设置如下:

2.最后点击OK。

也可以不通过菜单直接输入命令:

poisson deaths smokes i.agecat, exposure(pyears) irr

分析结果如下:

从结果可以看到,吸烟者相对于不吸烟者,发生死亡的风险为1.43倍(P=0.001),45岁以上各年龄组的死亡风险均高于35-44岁年龄组(P值均<0.001),且年龄越大的组死亡风险越高。

数据分析咨询请扫描二维码

最新资讯
更多
客服在线
立即咨询