检索历史 清除

摘要目的：本研究旨在系统评估不同设计矩阵下的内生估计量（IE）在不同效应结构的年龄-时期-队列（APC）数据分析中的适用性；利用正交多项式编码矩阵，基于边界分析和Bayesian方法构建一种更通用、灵活的模型，为APC分析提供方法学支持。<br>　　方法：（1）模拟32种APC效应结构数据，采用不同分类变量编码方式构建九种设计矩阵，并利用Moore-Penrose广义逆获得相应的IE。比较不同IE在每种效应结构下对年龄、时期和队列效应估计的准确性，并通过调整年龄、时期、队列效应的相对大小进行敏感性分析，评估IE的适用场景。<br>　　（2）利用拟合优度检验判定年龄、时期、队列的独立影响，采用模拟数据评估图像法在APC效应结构识别中的不充分性，并结合外部信息（特征因素）对识别过程进行优化。<br>　　（3）在Bayesian框架下，利用正交多项式编码矩阵构建能分离可识别非线性效应与不可识别线性效应的APC模型（B-LAPC），并采用边界分析获得模型参数的先验分布。通过模拟研究评估B-LAPC模型在不同APC效应结构数据分析中的适用性。<br>　　（4）采用估计值均值、均方误（MSE）及其标准误（SEMSE）评价参数的估计效果；使用时序轨迹图和Gelman-Rubin统计量走势图判断马尔科夫链的收敛性。并利用实例数据和基于理论知识所得的最优真实解，验证模拟研究结论的正确性，数据来源于美国1965~2010年间凶杀犯罪率数据及相关研究。<br>　　（5）实例应用数据来源于 2019 年全球疾病负担研究组织（GBD）公布的中国地区酒精使用障碍（AUD）数据。通过拟合优度检验，选择B-LAPC模型或省略因素模型估计中国15~79岁男、女性在1994~2019年间AUD发病和死亡风险的年龄、时期、队列效应，并探讨其背后的生理、社会、文化等因素的影响。<br>　　结果：（1）模拟研究表明，当年龄与队列呈现相同方向的线性效应，或当年龄呈现出较强的非线性效应且时期与队列线性效应方向相反时，不同IE所得参数估计值均与真实值存在较大差异，MSE在0.1~1.0之间；当年龄、时期均与队列呈现相反方向的线性效应时，基于正交多项式编码矩阵的IE（OE）估计效果最好（MSE＜0.015）；当年龄与时期、队列均呈现相反方向的线性效应时，基于Helmert编码矩阵的IE（HE）表现出最好的估计效果，MSE 能够较好的控制在 0.015 以内；当年龄呈现出较强的非线性效应且时期与队列线性效应方向相同时，基于差异编码矩阵的IE（DE）估计效果最好（MSE＜0.015）。敏感性分析结果表明上述场景下IE的最优选择是可靠的。<br>　　（2）模拟研究表明，拟合优度检验可以判定三个维度的效应是否存在，但是无法反映效应具体的变化趋势；图像法在大多情况下能反映年龄、时期效应的变化趋势，但往往无法识别队列效应趋势。实例验证数据表明，队列特征因素（非婚生育数）能够解释队列因素87.30%特异方差，其线性系数为0.57（P＜0.001），提示队列效应呈现出较强的线性上升趋势，正确识别了队列效应趋势。<br>　　（3）基于边界分析的B-LAPC模型能够更加灵活和充分地使用外部信息对参数施加更明确和有效的约束。模拟研究表明，在IE不适用的场景中，除了当年龄效应单调上升、时期效应呈下降趋势而队列效应呈上升趋势时，B-LAPC模型的估计效果稍差（MSE=0.048），其余场景下的参数估计效果均较好（MSE＜0.015）；在OE、HE、DE为最优选择的场景中，除了当年龄效应单调上升而时期、队列效应均呈下降趋势时，B-LAPC 模型的估计效果稍差（MSE=0.034），其余场景下均能够获得参数的准确估计（MSE＜0.015）。<br>　　（4）在实例验证数据的APC效应结构下，相较于其他IE，OE表现出最好的估计效果（MSE=0.011），但仍差于B-LAPC模型（MSE=0.006），与模拟研究结论一致。<br>　　（5）拟合优度检验结果显示，年龄、时期、队列均对男性 AUD发病、死亡风险有影响，采用B-LAPC模型分析，而时期对女性AUD发病、死亡风险无显著影响，采用年龄-队列模型分析。结果表明，男、女AUD发病风险的年龄效应均呈现先短时增加再逐渐下降的变化趋势。相较于最低风险组，25~29岁男性和30~34岁女性发病风险最高（OR=34.124，95%CI：25.110~46.373；OR=4.728，95%CI：3.856~5.796）。男性AUD发病风险的时期效应逐渐上升但增幅不大。男性AUD发病风险的队列效应呈逐渐下降趋势，最近期出生队列（2000~2004年）的发病风险最低，相较于最早期出生队列（1915~1919年）下降了约38倍。女性AUD发病风险的队列效应呈现出先下降后波动上升的趋势，相较于最低风险组，最近期出生队列的女性发病OR值为1.694（95%CI：1.227~2.339）。<br>　　（6）男性 AUD 死亡风险的年龄效应呈现先上升再轻微下降的变化趋势，相较于最低风险组，50~54岁的死亡风险最高（OR=40.488，95%CI：29.339~55.873）。女性AUD死亡风险的年龄效应呈现出先上升再下降的时间趋势，30~34岁女性的死亡风险最高，约为最低风险组的2.5倍（OR=2.467，95%CI：2.092~2.910）。男性AUD死亡风险的时期效应总体呈波动上升趋势但增幅不大。男、女AUD死亡风险的队列效应总体均呈现下降趋势，在近期出生队列（2000~2004年）中均有小幅度的升高，相较于最低风险组，最近期出生队列中男、女死亡 OR 值分别为 2.100（95%CI：1.522~2.899）、1.266（95%CI：0.954~1.681）。<br>　　结论：（1）IE的正确使用与APC效应结构密切相关，结合外部信息能够更加准确地识别APC数据的效应结构，避免IE的滥用，提高效应估计的准确性。<br>　　（2）基于边界分析的B-LAPC模型，在不同APC效应结构下均能够获得较为准确的效应估计，通用性强，为APC分析提供了新的思路和方法学支持。<br>　　（3）中青年为我国AUD发病的高危人群，青少年人群AUD发病率的性别差异不断缩小，其中近期出生队列的女性发病风险呈现出上升趋势，应加强中青年，特别是女性青少年饮酒行为的健康宣教，预防AUD的发生。中青年女性和中老年男性是AUD死亡的高风险人群，加强该人群的AUD筛查，提高治疗依从性，以降低AUD的危害。