資料分析

一、描述性分析

（一）研究對象的一般特征描述

人口學特征如年齡、性別、職業、居住地等

（二）均衡性檢驗

t檢驗、x檢驗評價兩組的可比性。

二、推斷性分析

（一）非匹配或成組匹配設計資料的分析

1. 暴露比例與疾病關聯性分析：

卡方檢驗：推斷兩個或多個總體率或者構成比之間有無差別。（進而推斷暴露因素與疾病關聯性）

1. 關聯強度（strength of association）分析：

比值比（odds ratio, OR）: 病例組中某因素的暴露比例與對照組中該因素的暴露比例之比。

OR值的意義：

1. OR=1：研究因素與疾病無關聯
2. 0<OR<1：該研究因素為保護因素（值越接近0則為保護因素的可能性越大）
3. OR>1：該因素為危險因素（值越大則為危險因素的可能性越大）

1. OR 可信區間的計算：

confidence interval, CI可信區間

confidence limit，CL可信限

可信區間的意義：95%CI表示有95%的把握說明總體OR所在的范圍。如果95%CI包含1則說明可能有95%的研究其OR值等於1或接近1，即研究因素與研究疾病無關。

（二）個體匹配設計資料的分析

1：1配對

（三）分級分析

得到劑量反應關系

f82bdd1718cc380c4691c05754f163c3

（四）分層分析模式

例如下列研究的分層分析：在每一層內分析暴露與疾病的關聯強度

c24ab5b213716fd407f7b673001399a8

如下，按照吸煙分層後來進一步分析飲酒與食管癌的聯系：

56ba4476c2f0bca6e0fdbfdc367086bb

》》》吸煙誇大瞭飲酒與食管癌的關聯強度。

（對於飲酒與食管癌的聯系，吸煙是一個混雜因素）

（五）多因素分析

意義：探討多個因素與疾病之間的關系以及控制混雜因素。

對於病例對照研究來說，最常用的是Logistic回歸模型：

偏倚及其控制

一、選擇偏倚（selection bias）

（一）常見的選擇偏倚

二、信息偏倚（information bias）

1. 回憶偏倚（recall bias）
2. 調查偏倚（investigation bias）/誘導偏倚(inducement bias)

錯誤分類偏倚（misclassification bias）; 報告偏倚（report bias）

控制：

1. 提高測量的準確性和可靠性
2. 嚴格定義診斷標準及暴露
3. 盲法調查
4. 調查者培訓

三、混雜偏倚（confounding bias）

控制：

隨機化

限制

匹配

分層分析

多因素分析

病例對照研究的優缺點：

一、優點

1. 適合於罕見的、潛伏期長的疾病的研究
2. 樣本量小，節省人力物力財力時間
3. 關聯性研究
4. 應用廣泛：病因探討、疾病預後、臨床療效、藥物不良反應等等

二、局限性

1. 不適合暴露比例低的因素
2. 偏倚
3. 難以得到因果推斷
4. 使用OR值估計RR值，因此難以充分而直接地分析研究因素與疾病的關系

參考資料：

第九版《流行病學》教材