原文链接：http://tecdat.cn/?p=23242
简介
标准化发病率（SIR）或死亡率（SMR）是观察病例和期望病例的比率。观察到的病例是队列中病例的绝对数量。期望病例是通过将队列中的人-年数与参考人口比率相乘得出的。该比率应按混杂因素进行分层或调整。通常这些因素是年龄组、性别、日历期和可能的癌症类型或其他混杂变量。也可以使用社会经济地位或地区变量。
在参考人口中，第j层的期望比率是λj=dj/nj，其中dj是观察到的病例，nj是观察到的人年。现在SIR可以写成一个比率
标化发病比（SIR）=实际观察发病人数/期望发病人数
或 标化死亡比（SMR）=实际观察死亡人数/期望死亡人数
其中D是队列人群中的观察病例，E是期望数。单变量置信区间是基于泊松分布的精确值，P值的公式为
建模的SIR是一个泊松回归模型，有对数连接和队列人-年作为偏移。
在泊松模型的SIR中可以用似然比检验来检验SIR的同质性。
同样的工作流程适用于标准化的死亡率。
样条曲线
可以为时间变量（如年龄组）拟合一个连续的样条函数。曲线的想法是平滑SMR估计值，并从曲线图中进行推断。这需要预定义的结点/节点，用于拟合样条曲线。选择结的数量和结的位置是一个非常主观的问题，有三个选项可以将样条曲线结传递给函数。
在不同的结点设置之间进行尝试是很好的做法，以获得真实的样条曲线估计。过度拟合可能会在估计中造成假象，欠拟合可能会使模式变得平滑。
样条曲线变量应该是尽可能连续的，例如从18到100个时间点。但是，当把时间分割成太窄的区间时，在期望或人口比率值中可能会出现随机的变化。因此，也可以为年龄或时期做两个变量：第一个是用于标准化的较宽区间，第二个是用于拼接的窄区间。
结点
有三个选项可用于为样条曲线指定结点。
-
每个样条曲线变量的结数的向量。节点数量包括边界节点，因此最小的节点数量是2，这是一个对数线性关联。节点是利用观察到的样例的量纲自动放置的。
-
预定义结点的向量列表。矢量的数量需要与样条曲线变量的长度相匹配。每个向量至少要有边界结点的最小值和最大值。
-
NULL将根据AIC自动找到最佳结点数量。节点是根据观察到的案例的数量级来放置的。这通常是一个开始拟合过程的合理初始值。
结的数量和结的位置可以在输出中找到。
SMR
死亡率、外部队列和数据
估计一个女性直肠癌患者队列的SMR。每个年龄段、时期和性别的死亡率都可以在数据集中找到。
SMR( status, birthdate, exitdate, entrydate , rate = 'haz', print ='fot')
其他原因的SMR在两个随访区间都是1。此外，P值表明SMR估计值之间没有异质性（P=0.735）。
总死亡率可以通过修改状态参数来估计。现在我们要计算所有的死亡，即状态为1或2。
smr( status = status %in% 1:2)
现在随访区间的估计值似乎有很大的不同，P=0。绘制SMR。
plot(se)
样条曲线
让我们用两个不同的选项来拟合后续时间和年龄组的样条：样条在不同的模型和同一模型中被拟合，splines。
smrspline(data, rate = 'haz',
spline )
plot(sf)
plot(st, col=4, log=TRUE)
在从属样条曲线中，fot是以零时间为参考点的比率。参考点可以被改变。这里假设每个随访时间的年龄组情况是相同的。从0到10年的随访，SMR是0.2倍。
也可以对样条曲线进行分层。例如，我们把死亡时间分成两个时间段，并测试年龄组的样条是否相等。
year. <- ifelse(year < 2002, 1, 2)
对于2002年以前的类别，50岁以后的SMR似乎更高。另外，P值（<0.0001）表明，2002年之前和之后的年龄组趋势存在差异。
最受欢迎的见解
3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）
6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现
7.R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病
9.R语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测
标签：SIR,泊松,样条,结点,回归,曲线,标准化,SMR 来源： https://blog.csdn.net/qq_19600291/article/details/119212269
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。