匯東華統計顧問有限公司

"匯東華-認真作好每件事"
~統計，不再是阻力，而是助力~

BMJ小小統計問題(63)特輯：

Analysis of matched case-control studies (配對病例對照研究之分析)—(下)

前言：

講述概念的文章跟課程吃力不討好，很燒腦，實作課程和文章較受歡迎。不過我個人還是喜歡閱讀這類型的文獻，規劃課程或工作坊內容，也會依據實際狀況將重要概念及理論納入其中。知其然更知其所以然，建立mental map。這期內容跟是62期的下半部分，一樣不簡單喔！不過還是很建議好好靜下心來閱讀。

思考本篇作者的要回答的幾個問題？配對因子需要在分析時加入控制嗎？配對設計需要採用配對分析法嗎？為什麼？本篇節制2022.11.03已被引用519次，當我們在採用配對研究設計時，如何進行分析，這篇是非常好的參考文獻。

前陣子新冠確診，目前尚在復原中，希望大家作好防護，健康平安是福。另外，也很感謝一路以來持續支持與愛護匯東華的朋友，謝謝！

前期提要：

關於病例對照研究有兩個常見的誤解：

1.配對本身消除(對照)因配對因素而產生的干擾。

2.如果進行了配對，需要進行“配對分析”。

然而，病例對照研究中的配對並不會控制配對因子的干擾；實際上，即使在原來母群體中不存在，配對因子也會導致干擾。因此，配對設計可能需要在分析時控制配對因子。

然而，配對設計並不需要採用配對分析。只要沒有稀疏資料(Sparse data)的問題，使用“標準”(非條件，unconditional)分析就可以獲得針對配對因子的控制，而不損失效度，並可能提高精確度，而“配對”(條件，conditional)分析可能是不需要或不適合的。

(Showme提醒：Sparse data是指很多筆資料缺乏數據)

總結：

1.病例對照研究中的配對不會控制配對因子的干擾。

2.配對設計可能需要在分析時控制配對因子。

3.配對設計並不需要使用配對的分析法。

“標準的”(非條件的)分析可能是最有效和最合適的，而“配對的”(條件的)分析可能不需要或不合適的。

本期開始：

【為何配對因素需要在分析時被控制】

現在我們有一病例對照研究，使用年齡配對，如表1所示。每個年齡組(Young and Old)的病例組和對照組人數相等。然而，配對的crude OR(1.68, 1.25 - 2.24)與母群體的crude OR(0.86)和調整後的OR(2.00)不同。相比下，調整後的比值比(2.00)與母群體和非配對之病例對照研究的OR相同(這兩個調整後的OR值均使用標準方法(非配對的分析法)估計的)。因此，配對並無消除年齡干擾，仍需要對年齡進行控制(此因病例對照研究中的配對過程改變配對因素和結果間的關係，即使在進行配對前兩者無關，也可以產生關聯)。然而，與未配對的病例對照研究相比，在病例組和對照配對病例對照研究之精確度略有提高(95% CI為1.42 - 2.81，而非配對為1.38 - 2.89)(showme解釋：信賴區間愈窄，表示估計愈精確)。

結論：還是要藉由控制配對因素來消除干擾。

【配對研究不需要使用配對分析法】

然而，對年齡等簡單配對因素的控制不需要使用配對分析法。表2呈現配對分析得到的結果(假設在每個年齡組中，對於每個病例之對照是從同一年齡組的所有非病例中隨機選擇的)。標準調整(Mantel-Haenszel)分析(表1)得出的OR為2.00(95% CI 1.42-2.81)；配對之分析法(表2)得出相同的OR(2.00)，但95% CI略寬(1.40-2.89)。

【標準分析法的優點】

所以對於許多配對的病例對照研究，我們可以選擇執行標準分析或配對分析。使用標準方法可能有幾個優點。

1.產生較佳的統計精確度[13]。這可能適用於，例如，如果兩個及以上的病例及其他們配對的對照組在所配對的因子均有相同的個數；然後將它們合併為一層，得到一個變異數(variance)較低，且不會讓效度降低[14]之估計量(如標準調整分析(表1)的95% CI略窄於配對分析(表2)所示)。因為病例和對照組具有相同的暴露狀態。如果合併分層，意味著可以將無法配對到相應的病例組或對照組的個案包括在分析中，可以進一步提高精度。當這些層合併時，如果產生的的分層仍然“很小”，則仍然需要進行條件分析(Showme說明：即需要使用配對法分析)，但如果產生的分層足夠大，則非條件分析（Showme說明：即一般標準分析法）將是有效的，兩者會得出相近的結果。當配對只根據諸如性別和年齡組等標準因素進行時，常會出現這種情況。

2.標準分析可能提高結果呈現的清晰度。特別是在分析為自非配對的變數選擇病例與對照的子族群時，因為它涉及每個子族群標準的2×2表格。

3.在合併有不同配對因子的資料集時更佳容易。(如，如果一些配對年齡，一些配對年齡和性別，還有一些沒有配對，合併後，分析可以根據年齡、性別和研究中心進行調整)。相較下，一項多中心研究試圖跨中心進行配對分析[16]。因為並非全部研究中心都有進行配對，因此導致不必要地丟棄無配對的對照，從而可能導致精確度之減損。

【結論】

　　若在病例對照研究中對年齡等特定因素進行配對，必須考慮在分析中進行控制。這種控制應該包括跟原始配對中使用精確度相同(如，若使用精確的年齡進行配對，則在分析中應該控制精確的年齡)，儘管在實務上可能並不需要如此嚴格的精確度(如，5歲年齡組可能足夠控制年齡干擾)。在某些情況下，這種控制也許對主要暴露效應估計沒有影響，如，若配對因素與暴露無關。然而，若配對因數和暴露間存在關聯，則配對將導致干擾產生，需在分析中加以控制。

　　何時需要使用匹配分析法呢？答案是，當配對真正達到(或接近)個人層次(individual level)時。如，若選擇兄弟姊妹作為對照，那麼每個階層將只有一個病例和兄弟姐妹對照；在此情形下，非條件邏輯迴歸分析會遇到資料稀疏的問題，需要條件邏輯迴歸。亦即若每層只有一個或幾個病例)，或者同時對許多因素進行配對時，從而使大多數的分層(在標準分析中)只有一個病例和一個對照，就可能出現類似的情況。

　　但是，在不存在稀疏資料問題的情況下，可以使用非條件分析來獲得對配對因數的控制，既不損失效度，又可能提高精確度。

　　因此，配對設計(幾乎總是)需要控制分析中的配對因素。然而，配對設計並不需要配對的分析法。

Reference:

1. Rothman KJ, Greenland S, Lash TL, eds Design strategies to improve study accuracy. Modern epidemiology.3rd ed. Lippincott Williams & Wilkins, 2008.

2. Rothman KJ. Epidemiology: an introduction. Oxford University Press, 2012.

3. Rothman KJ, Greenland S, Lash TL, eds. Modern epidemiology.3rd ed. Lippincott Williams & Wilkins, 2008.

4. Breslow NE, Day NE. Statistical methods in cancer research. Vol I: the analysis of case-control studies.IARC, 1980.

5. Kleinbaum DG, Kupper LL, Morgenstern H. Epidemiologic research: principles and quantitative methods.Lifetime Learning Publications, 1982.

6. Dos Santos Silva I. Cancer epidemiology: principles and methods.IARC, 1999.

7. Keogh RH, Cox DR. Case-control studies.Cambridge University Press, 2014doi:10.1017/CBO9781139094757

8. Lilienfeld DE, Stolley PD. Foundations of epidemiology.3rd ed. Oxford University Press, 1994.

9. MacMahon B, Trichopolous D. Epidemiology: principles and methods.2nd ed. Little Brown, 1996.

10. Mantel N, Haenszel W. Statistical aspects of the analysis of data from retrospective studies of disease. J Natl Cancer Inst 1959;22:719-48.

11. Robins J, Greenland S, Breslow NE. A general estimator for the variance of the Mantel-Haenszel odds ratio. Am J Epidemiol 1986;124:719-23.

12. Pike MC, Hill AP, Smith PG. Bias and efficiency in logistic analyses of stratified case-control studies. Int J Epidemiol 1980;9:89-95. doi:10.1093/ije/9.1.89.

13. Brookmeyer R, Liang KY, Linet M. Matched case-control designs and overmatched analyses. Am J Epidemiol 1986;124:693-701.

14. Greenland S. Applications of stratified analysis methods. In: Rothman KJ, Greenland S, Lash TL, eds. Modern epidemiology.3rd ed. Lippincott Williams & Wilkins, 2008.

15. Vandenbroucke JP, Koster T, Briët E, Reitsma PH, Bertina RM, Rosendaal FR. Increased risk of venous thrombosis in oral-contraceptive users who are carriers of factor V Leiden mutation. Lancet 1994;344:1453-7. doi:10.1016/S0140-6736(94)90286-0.

16. Cardis E, Richardson L, Deltour I, et al. The INTERPHONE study: design, epidemiological methods, and description of the study population. Eur J Epidemiol 2007;22:647-64. doi:10.1007/s10654-007-9152-z.

17. Mansournia MA, Hernán MA, Greenland S. Matched designs and causal diagrams. Int J Epidemiol 2013;42:860-9. doi:10.1093/ije/dyt083.

18. Hernán MA, Hernández-Díaz S, Robins JM. A structural approach to selection bias. Epidemiology 2004;15:615-25. doi:10.1097/01.ede.0000135174.63482.43.

Source: BMJ 2016; 352 doi: https://doi.org/10.1136/bmj.i969

Cite this as: BMJ 2016;352:i969

Reference: Pearce, Neil. "Analysis of matched case-control studies." BMJ 352 (2016).