MPH-流行病学中常见的偏倚与控制.ppt

流行病学中常见的偏倚及其控制 误差 （error） 随机误差 指随机抽样所得的均值与总体参数的差异，也称抽样误差。只能减少，不能避免。 可以是测量方法本身的随机变异，也可以是被测定的生物现象的随机变异。 利用统计学技术可估计随机误差的大小，但随机误差无法消除。 随机误差的两个特点 样本的观察值都在平均值上下分布，从许多无偏倚样本中得到的观察值均数，假如数量较大，总是趋向于接近总体值； 随机误差的范围可以用可信区间估计，当保持随机方法而加大样本时，样本均值逐渐向总体均值接近。 描述性结果的样本变异性 在图8-1中，群体高胆固醇率为25%，样本A为40%，样本B为20%，样本C为0%。 增大样本含量，样本的变异性会减少，样本的高胆固醇率对群体的代表性会增大。 分析性结果的样本变异性 如图8-2，研究A和B中膳食改良组五年内发生心机梗死的风险为9%，而降胆固醇药物组为6%。 研究A样本较小（200人），两组效应指标（心肌梗死风险）的95%可信限较大，发生重叠，无显著性差异。 研究B样本较大（2000人），两组效应指标（心肌梗死风险）的95%CI较小，未发生重叠，有显著性差异。 样本越大，效应估计值的抽样误差越小（95%可信限越小），统计检验能发现的两组间效应差值越小。 样本非常大，两组间差异很小的效应值也会有统计学显著差异，但这很少有生物学或临床意义。 系统误差 当对群体的某一特征做一次测量或对某一个体的某一特征做多次测量时，所得均值与总体间的真实性也会产生误差，如果误差向量的方向一致或基本一致时，这种误差称为系统误差。 系统误差不是由随机抽样所引起的，而是由某些不能准确定量但较为恒定的因素所引起，其结果导致测量值系统地偏离总体的真实值。 举例：用动脉血压计测量某人血压（实际值为80mmHg），各次读数的均值为100mmHg，系统误差和随机误差可用以下图示 随机误差和系统误差的区别 假设一项研究可以将样本量增至无穷大，如果研究样本无穷大能使误差减小到零，则此误差为随机误差。系统误差不受样本量增加的影响，因此在研究样本无穷大时仍然存在的误差是系统误差； 适当的重复试验或增加样本含量可以减少随机误差，但不能减少系统误差。 偏倚（bias） 指在流行病学研究中样本人群所测得的某变量系统地偏离了目标人群中该变量的真实值，使得研究结果或推论的结果与真实情况之间出现偏差，这是由系统误差造成的。 偏倚的方向 （一）正偏倚和负偏倚： 凡夸大真实效应者为正偏倚。 凡缩小真实效应者为负偏倚。 假如某特征的真实值为θ，而测得值为θ’。 θ＝1.0为零效应； θ 1为危险效应； θ 1为保护效应。 1.θ 1时： （1） θ’ θ 1时，夸大危险效应，为正偏倚。 （2）θ θ’ 1时，缩小危险效应，为负偏倚。 2.θ 1时： （1） θ’ θ 1时，夸大 保护效应，为正偏倚。 （2）θ θ’ 1时，缩小保护效应，为负偏倚。 （二）趋向无效值偏倚、远离无效值偏倚或颠倒偏倚：无效值指产生零效应的值。例如，对于RR或OR等于1时即无效值。就RR或OR而言： 当θ 1时，若θ’ θ 1,则为远离无效值偏倚。 若θ θ’ 1,则为趋向无效值偏倚。 当θ 1时，若θ’ θ 1,则为远离无效值偏倚。 若θ θ’ 1,则为趋向无效值偏倚。 （三）无论θ 1或θ 1，若θ和θ’在1的两侧，则为颠倒偏倚。 3.举例： （1）RR＝1.5 RR’ 2.0时，为远离无效值正偏倚。 （2）RR＝0.6 RR’ 0.8时，为趋向无效值负偏倚。 （3）RR 1.2 RR’ 0.9时，为颠倒负偏倚。 1946年，Berkson做最著名的偏倚研究并给予证实，又称为Berkson偏倚。 1976年，Miettinen详细讨论了偏倚的定义，并给出分类框架,分三类 选择偏倚 信息偏倚 混杂偏倚 选择偏倚（selection bias ） 指被选入到研究中的研究对象与没有被选入者特征上的差异所造成的系统误差。主要产生于研究的设计阶段，在各类流行病学研究中均可能发生，以在病例对照研究与现况研究中为常见。 例如研究对象采用志愿者，方便样本，或者研究对象的无应答或失访等。 描述性研究的选择偏倚 主要体现在样本对总体的代表性上 如不是采用随机抽样而是使用方便样本，或某些特定群体（志愿者、因特网利用者等）造成的外部效度（外推）受限问题。 控制方法 尽量采用随机抽样，避免样本选取的偏向 对特定群体的结果在外推上要谨慎等 分析性研究的选择偏倚 主要体现 研究对象进入、排除、不参与或失访等与研究暴露或处理因素存在关联，由此增大或减少暴露与疾病、处理与效应的关联，导致效应估计的偏倚。 控制方法 选取具体环节或已选取人群的具体特征 分析研究对象的选取是否同暴露或处理因