R语言利用基线协变量提高随机对照试验的效率

2023-11-02 08:59

本文主要是介绍R语言利用基线协变量提高随机对照试验的效率,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

原文链接:http://tecdat.cn/?p=6391

在这篇文章中,我将介绍基于半参数理论的最近开发的改进边际治疗效果估计的方法之一。

边际处理与条件处理效应

未经调整和调整后的治疗效果不同的一个重要例子是使用逻辑回归来模拟二元结果。也就是说,治疗效果的边际或未调整比值比不同于以一个或多个基线协变量为条件的治疗效果。这意味着如果调整基线测量,真实治疗效果估计实际上与边际未调整治疗效果不同。事实证明,治疗的条件(调整后)比值比绝对值大于边际(未调整)效应。

以提高的精度估计边际处理效果

基本思想是我们可以通过添加增强函数来修改由边际(未调整)处理效果估计器求解的估计方程,该函数利用基线协变量。

这是一个二进制变量,指示受试者被随机分配到哪个治疗组。我们将表示基线协变量的向量。

由于我们假设这里是二元,我们将使用这两个模型的逻辑回归模型。

R中的实现


我们将使用单个基线协变量模拟一些简单试验的数据:

set.seed(65456461)
n < -  1000
z < -  1 *(runif(n)<0.5)
x < -  rnorm(n)
xb < -  -2 + x + z
prob < -  exp(xb)/(1 + exp(xb))
y < -  1 *(runif(n)<prob)

首先,让我们拟合简单的未调整模型来估计边际治疗效果,但不使用基线协变量:

Call:
glm(formula = y ~ z, family = binomial)Deviance Residuals:Min       1Q   Median       3Q      Max
-0.8753  -0.8753  -0.6324   1.5132   1.8482Coefficients:Estimate Std. Error z value Pr(>|z|)
(Intercept)  -1.5080     0.1199 -12.580  < 2e-16 ***
z             0.7462     0.1518   4.915 8.86e-07 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1(Dispersion parameter for binomial family taken to be 1)Null deviance: 1133.4  on 999  degrees of freedom
Residual deviance: 1108.3  on 998  degrees of freedom
AIC: 1112.3Number of Fisher Scoring iterations: 4

干预对照对照的估计对数比值比为0.746,标准误差为0.152,z统计值为4.915。现在让我们执行标准调整分析,包括逻辑回归的线性预测器:

> adjusted <- glm(y~z+x, data, family=binomial)
> summary(adjusted)Call:
glm(formula = y ~ z + x, family = binomial)Deviance Residuals:Min       1Q   Median       3Q      Max
-2.3303  -0.7392  -0.4792   0.6146   2.5612Coefficients:Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.88117    0.14173 -13.273  < 2e-16 ***
z            0.94074    0.16850   5.583 2.36e-08 ***
x            1.07543    0.09532  11.282  < 2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1(Dispersion parameter for binomial family taken to be 1)Null deviance: 1133.37  on 999  degrees of freedom
Residual deviance:  941.29  on 997  degrees of freedom
AIC: 947.29Number of Fisher Scoring iterations: 5

调整后的条件处理效果估计值为0.941,标准误差为0.169,z统计量为5.583。正如我们预期的那样(平均而言),条件处理效应的幅度大于边际效应。 

现在我们将估计边际治疗效果,但利用基线协变量来获得更精确的估计。 

接下来,我们必须适应两个工作模型和。为此,我们在两个治疗组中拟合了单独的逻辑回归模型:
q0mod < -  glm(y [z == 0] ~x [z == 0],data,family = binomial)
q1mod < -  glm(y [z == 1] ~x [z == 1],data,family = binomial)现在我们需要计算并针对每个受试者 。为此,我们可以使用以下代码:expit < -  function(linpred){EXP(linpred)/(1 + EXP(linpred))
}
q0hat < -  expit(cbind(rep(1,n),x)%*%q0mod $ coef)
q1hat < -  expit(cbind(rep(1,n),x)%*%q1mod $ coef)

 最后,我们称之为speff函数:

semiPara < -   (y~1,endpoint =“dichotomous”,data,trt.id =“z”,endCtrlPre = q0hat,endTreatPre = q1hat)

我们首先指定结果变量y,并且不要在等式的右边放置任何变量(尽管稍后会看到变量选择)。为了获得治疗效果估计,我们只是总结拟合对象:

Treatment effectLog OR       SE       LB      UB           p
Naive  0.74625  0.15182  0.44869  1.0438  8.8591e-07
Speff  0.78412  0.13967  0.51036  1.0579  1.9771e-08

接下来,我们得到了利用基线协变量的估计边际对数比值比。正如我们希望从理论上看,标准误差更小,p值更显着,置信区间更窄 - 我们通过使用基线协变量获得了精确度/统计效率。

模型选择
 

最后一点。这种方法依赖于渐近无偏性的渐近参数,也依赖于使用夹心方法的标准误差估计。因此,我会谨慎地在“小型”研究中使用它。小有多小?在张等人的论文中,使用n = 600进行了模拟,估计是无偏的,置信区间的标称覆盖率为95%。

非常感谢您阅读本文,有任何问题请在下方留言!

点击标题查阅往期内容

R语言用Rcpp加速Metropolis-Hastings抽样估计贝叶斯逻辑回归模型的参数

R语言Copula的贝叶斯非参数MCMC估计

R语言用Rcpp加速Metropolis-Hastings抽样估计贝叶斯逻辑回归模型的参数

在R语言和Stan中估计截断泊松分布

R语言估计时变VAR模型时间序列的实证研究分析案例

R语言GARCH-DCC模型和DCC(MVT)建模估计

随机搜索变量选择SSVS估计贝叶斯向量自回归(BVAR)模型

R语言混合正态分布EM最大期望估计

matlab估计armagarch条件均值和方差模型

WinBUGS对多元随机波动率模型:贝叶斯估计与模型比较

更多内容,请点击左下角“阅读原文”查看

ddd59fda8aea337e42e6e0465594e453.gif

45e2275acd443e14087e0db35c2b6ac5.png

831d28346140e66bef121e2d950d6020.jpeg

关注我们

案例精选、技术干货 第一时间与您分享

3877a35f82a7ecff05785c34700270df.jpeg

长按二维码加关注

更多内容,请点击左下角“阅读原文”查看

64d0698a5532f52783279032fe0be531.gif

这篇关于R语言利用基线协变量提高随机对照试验的效率的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/329545

相关文章

SpringBoot中六种批量更新Mysql的方式效率对比分析

《SpringBoot中六种批量更新Mysql的方式效率对比分析》文章比较了MySQL大数据量批量更新的多种方法,指出REPLACEINTO和ONDUPLICATEKEY效率最高但存在数据风险,MyB... 目录效率比较测试结构数据库初始化测试数据批量修改方案第一种 for第二种 case when第三种

Spring Boot中的路径变量示例详解

《SpringBoot中的路径变量示例详解》SpringBoot中PathVariable通过@PathVariable注解实现URL参数与方法参数绑定,支持多参数接收、类型转换、可选参数、默认值及... 目录一. 基本用法与参数映射1.路径定义2.参数绑定&nhttp://www.chinasem.cnbs

深入理解Go语言中二维切片的使用

《深入理解Go语言中二维切片的使用》本文深入讲解了Go语言中二维切片的概念与应用,用于表示矩阵、表格等二维数据结构,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习吧... 目录引言二维切片的基本概念定义创建二维切片二维切片的操作访问元素修改元素遍历二维切片二维切片的动态调整追加行动态

c++ 类成员变量默认初始值的实现

《c++类成员变量默认初始值的实现》本文主要介绍了c++类成员变量默认初始值,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧... 目录C++类成员变量初始化c++类的变量的初始化在C++中,如果使用类成员变量时未给定其初始值,那么它将被

PowerShell中15个提升运维效率关键命令实战指南

《PowerShell中15个提升运维效率关键命令实战指南》作为网络安全专业人员的必备技能,PowerShell在系统管理、日志分析、威胁检测和自动化响应方面展现出强大能力,下面我们就来看看15个提升... 目录一、PowerShell在网络安全中的战略价值二、网络安全关键场景命令实战1. 系统安全基线核查

Go语言中make和new的区别及说明

《Go语言中make和new的区别及说明》:本文主要介绍Go语言中make和new的区别及说明,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1 概述2 new 函数2.1 功能2.2 语法2.3 初始化案例3 make 函数3.1 功能3.2 语法3.3 初始化

Go语言中nil判断的注意事项(最新推荐)

《Go语言中nil判断的注意事项(最新推荐)》本文给大家介绍Go语言中nil判断的注意事项,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录1.接口变量的特殊行为2.nil的合法类型3.nil值的实用行为4.自定义类型与nil5.反射判断nil6.函数返回的

Go语言数据库编程GORM 的基本使用详解

《Go语言数据库编程GORM的基本使用详解》GORM是Go语言流行的ORM框架,封装database/sql,支持自动迁移、关联、事务等,提供CRUD、条件查询、钩子函数、日志等功能,简化数据库操作... 目录一、安装与初始化1. 安装 GORM 及数据库驱动2. 建立数据库连接二、定义模型结构体三、自动迁

Go语言代码格式化的技巧分享

《Go语言代码格式化的技巧分享》在Go语言的开发过程中,代码格式化是一个看似细微却至关重要的环节,良好的代码格式化不仅能提升代码的可读性,还能促进团队协作,减少因代码风格差异引发的问题,Go在代码格式... 目录一、Go 语言代码格式化的重要性二、Go 语言代码格式化工具:gofmt 与 go fmt(一)

Python变量与数据类型全解析(最新整理)

《Python变量与数据类型全解析(最新整理)》文章介绍Python变量作为数据载体,命名需遵循字母数字下划线规则,不可数字开头,大小写敏感,避免关键字,本文给大家介绍Python变量与数据类型全解析... 目录1、变量变量命名规范python数据类型1、基本数据类型数值类型(Number):布尔类型(bo