调整分层以适应与R的混淆

Question

我有4次暴露（或属性）（每个都是二进制数据，例如高/低，真/假，红色/蓝色）和1种疾病结果（真/假患病）的数据。

我想计算每次接触导致疾病结果的相对风险，同时控制混淆。

我更喜欢使用分层，但是有4次曝光是很多层次。 但是，如果有一种简便的方法，我将接受多元分析。 分层是指这里描述的https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5384727/

是否有软件工具可以帮助我输入包含5列的表格（4次暴露，1种疾病结果）并按层生成相对风险值（置信区间为95％）？

数据结构为（前3列为曝光，最后一列为结果）。 这些只是示例性的暴露，以说明我的意思，而不是我的实际暴露和结果：

| 吃过早餐| 行使| 睡了超过7小时| 很开心|

| 真实| 错误 真实| 错误

| 错误 真实| 真实| 真实|

| 错误 真实| 错误 错误

Answer 1

我无法为您提供分层服务，但是在R中进行多重逻辑回归非常简单。

首先是一些示例数据。
350个样本，包含三个二进制解释变量和一个二进制响应变量。 我还添加了两个解释变量之间的交互作用。

set.seed(1)
n <- 350
v1 <- sample(0:1, n, r=TRUE)
v2 <- sample(0:1, n, r=TRUE)
v3 <- sample(0:1, n, r=TRUE)
re <- 0.6*v1 + 0.8*v2 + 0.6*v3 + v1*v3 + rnorm(n)
re <- re > 1.3

dtf <- data.frame(re, v1, v2, v3)

然后我们退步。

# full model
mod0 <- glm(re ~ v1*v2*v3, data=dtf, family=binomial(link="logit"))
summary(mod0)

# full model minus three-way interaction
mod1 <- glm(re ~ v1*v2*v3 - v1:v2:v3, data=dtf, family=binomial(link="logit"))
summary(mod1)

# v1:v3 as only interaction
mod2 <- glm(re ~ v1+v2+v3 + v1:v3, data=dtf, family=binomial(link="logit"))
summary(mod2)

anova(mod0, mod1, mod2)

# odds ratio coefficients and confidence intervals
library(MASS)
exp(cbind(coef(mod2), confint(mod2)))

由于这些是逻辑回归（使用logit链接函数），因此响应的依据不是风险比，而是对数比值比。 如果您想估计风险比率，那么严格来说就不是逻辑回归，因为您必须使用对数作为链接函数。 通常建议不要这样做，但可以这样做。

mod3 <- glm(re ~ v1+v2+v3 + v1:v3, data=dtf, family=binomial(link="log"),
  start=c(log(mean(re)), 0, 0, 0, 0))
summary(mod3)

# risk ratio
exp(cbind(coef(mod3), confint(mod3)))