复杂抽样数据多水平模型分析方法及其应用-中国卫生统计
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
中国卫生统计 2 0 1 4年 4月第 3 1卷第 2期
·1 9 3 ·
复杂抽样数据多水平模型分析方法及其应用
㊀于石成 ㊀廖加强 ㊀于㊀穏 ㊀郭㊀莹 ㊀肖革新
1 2 1 1 1 △
㊀金承刚3㊀冯国双1㊀胡跃华1㊀马林茂1
㊀㊀【 提㊀要】 ㊀目的㊀本文通过抽样调查实例, 阐述多阶段抽样、 不等抽样概率和事后分层特性不同产生的复杂抽样数 应用未加权和加权的随机 据, 其应用多水平模型分析的原理和方法。方法㊀对我国某省行为危险因素抽样调查的数据, o g i s t i c 回归模型分析了某些因素与跌倒性伤害的关系。结果 ㊀ 实际分析包括 5 0个区县( P S U ) , 2 5 0个乡镇街道( 2 截距 l 水平) , 1 2 0 8 6个体( 1水平) 。未加权估计结果显示: 对跌倒性伤害有统计学Leabharlann Baidu响的变量是健康状况中等和差、 未被雇佣和 o g i s t i c 回归分析显示: 对跌倒性伤害有 未婚, 年龄为负相关, 即年龄越大, 发生跌倒性伤害的危险性越小; 复杂抽样 2水平 l 统计学影响的变量与未加权的结果基本一致, 但未婚失去了统计学意义。体重指数、 性别和受教育程度与跌倒性伤害的 发生没有统计学联系。结论㊀与未加权的结果比, 加权分析对跌倒性伤害有统计学影响的变量基本一致, 但加权复杂抽 样P ML E估计的标准误偏大, 结果更保守;对性别的分析发现, 加权后的结果符合目前对跌倒性伤害发生机制的认识, 因 此纳入权重的多水平分析方法对该资料可能更合理。 【 关键词】 ㊀复杂抽样㊀多水平模型㊀多阶段抽样㊀随机效应 l o g i s t i c 回归
A p p l i c a t i o no f Mu l t i l e v e l Mo d e l i n gt oC o mp l e xS a mp l eS u r v e yD a t a
Y uS h i c h e n g , L i a oJ i a q i a n g , Y uMo , e t a l ( C h i n e s eC e n t e r f o r D i s e a s eC o n t r o l a n dP r e v e n t i o n( 1 0 2 2 0 6 ) , B e i j i n g ) A b s t r a c t 】 ㊀O b j e c t i v e ㊀T oi l l u s t r a t et h ep r i n c i p a l a n da p p l i c a t i o no f m u l t i l e v e l m o d e l i n go f c o m p l e xs u r v e yd a t a t h a t w e r e d e r i v e d 【 f r o mm u l t i s t a g e s a m p l i n g , u n e q u a l s a m p l i n gp r o b a b i l i t i e s a n dd i f f e r e n t f e a t u r e s o f p o s t s t r a t i f i c a t i o n . Me t h o d s ㊀We i g h t e da n du n w e i g h t e d r a n d o mi n t e r c e p t l o g i s t i cr e g r e s s i o nm o d e l s w e r e a p p l i e dt oc o m p l e xs u r v e yd a t a o f b e h a v i o r a l r i s kf a c t o r s i na p r o v i n c e t ol o o ka t t h e a s s o c i a t i o no f f a l l i n j u r i e s w i t hs o m ef a c t o r s o f i n t e r e s t . R e s u l t s ㊀T h e r ew e r e 1 2 0 8 6s u b j e c t s ( l e v e l 1 )a g e d4 5y e a r s o r a b o v en e s t e dw i t h i n 2 5 0v i l l a g e s , t o w n s a n ds u b d i s t r i c t s ( l e v e l 2 ) f r o m5 0c o u n t i e s / d i s t r i c t s( P S U ) . U n w e i g h t e dr e s u l t ss h o w e dt h a t v a r i a b l e ss i g n i f i c a n t l y a n dp o s i t i v e l ya s s o c i a t e dw i t ht h er i s ko f f a l l i n j u r i e s w e r e f a i r o r p o o r h e a l t h , u n e m p l o y e ds i t u a t i o n , u n m a r r i e d ;a g e w a s s i g n i f i c a n t l ya n d n e g a t i v e l ya s s o c i a t e dw i t ht h er i s ko f f a l l i n j u r i e s , o r o n el e s s l i k e l yg o t i n j u r e dw h e ng e t t i n go l d e r . T h e r e s u l t s f r o m2 l e v e l r a n d o mi n t e r c e p t l o g i s t i c m o d e l d e m o n s t r a t e dt h a t t h e v a r i a b l e s a s s o c i a t e dw i t ht h e r i s ko f f a l l i n j u r i e s w e r e s i m i l a r t ot h o s e f r o mu n w e i g h t e dm o d e l s , b u t t h ev a r i a b l eo f u n m a r r i e dm i t i g a t e di t s s i g n i f i c a n c e t ob e i n s i g n i f i c a n t . B o d ym a s s i n d e x , b e i n gm a l e , e d u c a t i o n a l l e v e l w e r e n o t a s s o c i a t e dw i t ht h er i s ko f f a l l i n j u r i e s f r o mt h ea n a l y s e s . C o n c l u s i o n ㊀I nc o n t r a s t t ot h er e s u l t s f r o mu n w e i g h t e dm e t h o d s , s t a t i s t i c a l l ys i g n i f i c a n t v a r i a b l e s f r o mw e i g h t e dm e t h o d s w e r e a n a l o g o u s t ot h o s e f r o mw e i g h t e do n e s ;h o w e v e r , e s t i m a t e s u s i n gf u l l p s e u d o m a x i m u m l i k e l i h o o de s t i m a t i o n( P ML E )w e r em o r ec o n s e r v a t i v ea s o p p o s e dt ou n w e i g h t e do n e s . A s f o r g e n d e r , w e i g h t e dr e s u l t w a s i nc o n s i s t e n t w i t h t h ec u r r e n t u n d e r s t a n d i n go f t h e m e c h a n i s mf o r t h e d e v e l o p m e n t o f f a l l i n j u r i e s , t h e r e f o r e , i t s o u n d e dm o r e r e a s o n a b l e t oe m p l o ym u l t i l e v e l m o d e l i n gf o r t h ec o m p l e xs u r v e yd a t a . 【 K e yw o r d s 】 ㊀C o m p l e xs u r v e yd a t a ; Mu l t i l e v e l m o d e l ; Mu l t i s t a g es a m p l i n g ; R a n d o mi n t e r c e p t l o g i s t i cr e g r e s s i o n
·1 9 3 ·
复杂抽样数据多水平模型分析方法及其应用
㊀于石成 ㊀廖加强 ㊀于㊀穏 ㊀郭㊀莹 ㊀肖革新
1 2 1 1 1 △
㊀金承刚3㊀冯国双1㊀胡跃华1㊀马林茂1
㊀㊀【 提㊀要】 ㊀目的㊀本文通过抽样调查实例, 阐述多阶段抽样、 不等抽样概率和事后分层特性不同产生的复杂抽样数 应用未加权和加权的随机 据, 其应用多水平模型分析的原理和方法。方法㊀对我国某省行为危险因素抽样调查的数据, o g i s t i c 回归模型分析了某些因素与跌倒性伤害的关系。结果 ㊀ 实际分析包括 5 0个区县( P S U ) , 2 5 0个乡镇街道( 2 截距 l 水平) , 1 2 0 8 6个体( 1水平) 。未加权估计结果显示: 对跌倒性伤害有统计学Leabharlann Baidu响的变量是健康状况中等和差、 未被雇佣和 o g i s t i c 回归分析显示: 对跌倒性伤害有 未婚, 年龄为负相关, 即年龄越大, 发生跌倒性伤害的危险性越小; 复杂抽样 2水平 l 统计学影响的变量与未加权的结果基本一致, 但未婚失去了统计学意义。体重指数、 性别和受教育程度与跌倒性伤害的 发生没有统计学联系。结论㊀与未加权的结果比, 加权分析对跌倒性伤害有统计学影响的变量基本一致, 但加权复杂抽 样P ML E估计的标准误偏大, 结果更保守;对性别的分析发现, 加权后的结果符合目前对跌倒性伤害发生机制的认识, 因 此纳入权重的多水平分析方法对该资料可能更合理。 【 关键词】 ㊀复杂抽样㊀多水平模型㊀多阶段抽样㊀随机效应 l o g i s t i c 回归
A p p l i c a t i o no f Mu l t i l e v e l Mo d e l i n gt oC o mp l e xS a mp l eS u r v e yD a t a
Y uS h i c h e n g , L i a oJ i a q i a n g , Y uMo , e t a l ( C h i n e s eC e n t e r f o r D i s e a s eC o n t r o l a n dP r e v e n t i o n( 1 0 2 2 0 6 ) , B e i j i n g ) A b s t r a c t 】 ㊀O b j e c t i v e ㊀T oi l l u s t r a t et h ep r i n c i p a l a n da p p l i c a t i o no f m u l t i l e v e l m o d e l i n go f c o m p l e xs u r v e yd a t a t h a t w e r e d e r i v e d 【 f r o mm u l t i s t a g e s a m p l i n g , u n e q u a l s a m p l i n gp r o b a b i l i t i e s a n dd i f f e r e n t f e a t u r e s o f p o s t s t r a t i f i c a t i o n . Me t h o d s ㊀We i g h t e da n du n w e i g h t e d r a n d o mi n t e r c e p t l o g i s t i cr e g r e s s i o nm o d e l s w e r e a p p l i e dt oc o m p l e xs u r v e yd a t a o f b e h a v i o r a l r i s kf a c t o r s i na p r o v i n c e t ol o o ka t t h e a s s o c i a t i o no f f a l l i n j u r i e s w i t hs o m ef a c t o r s o f i n t e r e s t . R e s u l t s ㊀T h e r ew e r e 1 2 0 8 6s u b j e c t s ( l e v e l 1 )a g e d4 5y e a r s o r a b o v en e s t e dw i t h i n 2 5 0v i l l a g e s , t o w n s a n ds u b d i s t r i c t s ( l e v e l 2 ) f r o m5 0c o u n t i e s / d i s t r i c t s( P S U ) . U n w e i g h t e dr e s u l t ss h o w e dt h a t v a r i a b l e ss i g n i f i c a n t l y a n dp o s i t i v e l ya s s o c i a t e dw i t ht h er i s ko f f a l l i n j u r i e s w e r e f a i r o r p o o r h e a l t h , u n e m p l o y e ds i t u a t i o n , u n m a r r i e d ;a g e w a s s i g n i f i c a n t l ya n d n e g a t i v e l ya s s o c i a t e dw i t ht h er i s ko f f a l l i n j u r i e s , o r o n el e s s l i k e l yg o t i n j u r e dw h e ng e t t i n go l d e r . T h e r e s u l t s f r o m2 l e v e l r a n d o mi n t e r c e p t l o g i s t i c m o d e l d e m o n s t r a t e dt h a t t h e v a r i a b l e s a s s o c i a t e dw i t ht h e r i s ko f f a l l i n j u r i e s w e r e s i m i l a r t ot h o s e f r o mu n w e i g h t e dm o d e l s , b u t t h ev a r i a b l eo f u n m a r r i e dm i t i g a t e di t s s i g n i f i c a n c e t ob e i n s i g n i f i c a n t . B o d ym a s s i n d e x , b e i n gm a l e , e d u c a t i o n a l l e v e l w e r e n o t a s s o c i a t e dw i t ht h er i s ko f f a l l i n j u r i e s f r o mt h ea n a l y s e s . C o n c l u s i o n ㊀I nc o n t r a s t t ot h er e s u l t s f r o mu n w e i g h t e dm e t h o d s , s t a t i s t i c a l l ys i g n i f i c a n t v a r i a b l e s f r o mw e i g h t e dm e t h o d s w e r e a n a l o g o u s t ot h o s e f r o mw e i g h t e do n e s ;h o w e v e r , e s t i m a t e s u s i n gf u l l p s e u d o m a x i m u m l i k e l i h o o de s t i m a t i o n( P ML E )w e r em o r ec o n s e r v a t i v ea s o p p o s e dt ou n w e i g h t e do n e s . A s f o r g e n d e r , w e i g h t e dr e s u l t w a s i nc o n s i s t e n t w i t h t h ec u r r e n t u n d e r s t a n d i n go f t h e m e c h a n i s mf o r t h e d e v e l o p m e n t o f f a l l i n j u r i e s , t h e r e f o r e , i t s o u n d e dm o r e r e a s o n a b l e t oe m p l o ym u l t i l e v e l m o d e l i n gf o r t h ec o m p l e xs u r v e yd a t a . 【 K e yw o r d s 】 ㊀C o m p l e xs u r v e yd a t a ; Mu l t i l e v e l m o d e l ; Mu l t i s t a g es a m p l i n g ; R a n d o mi n t e r c e p t l o g i s t i cr e g r e s s i o n