調整分層以適應與R的混淆

Question

我有4次暴露（或屬性）（每個都是二進制數據，例如高/低，真/假，紅色/藍色）和1種疾病結果（真/假患病）的數據。

我想計算每次接觸導致疾病結果的相對風險，同時控制混淆。

我更喜歡使用分層，但是有4次曝光是很多層次。 但是，如果有一種簡便的方法，我將接受多元分析。 分層是指這里描述的https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5384727/

是否有軟件工具可以幫助我輸入包含5列的表格（4次暴露，1種疾病結果）並按層生成相對風險值（置信區間為95％）？

數據結構為（前3列為曝光，最后一列為結果）。 這些只是示例性的暴露，以說明我的意思，而不是我的實際暴露和結果：

| 吃過早餐| 行使| 睡了超過7小時| 很開心|

| 真實| 錯誤 真實| 錯誤

| 錯誤 真實| 真實| 真實|

| 錯誤 真實| 錯誤 錯誤

Answer 1

我無法為您提供分層服務，但是在R中進行多重邏輯回歸非常簡單。

首先是一些示例數據。
350個樣本，包含三個二進制解釋變量和一個二進制響應變量。 我還添加了兩個解釋變量之間的交互作用。

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)

然后我們退步。

# 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)))

由於這些是邏輯回歸（使用logit鏈接函數），因此響應的依據不是風險比，而是對數比值比。 如果您想估計風險比率，那么嚴格來說就不是邏輯回歸，因為您必須使用對數作為鏈接函數。 通常建議不要這樣做，但可以這樣做。

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)))