队列研究的基本统计分析策略

因此，队列研究不仅需要基本统计学方法，也需要高级回归方法加持。

队列研究基本统计分析步骤包括以下4步：

第1步，统计描述。总体描述人群的特征、分组情况、分组人数、随访时间、失访情况。

第2步，暴露组与非暴露组人群的差异性情况。一般情况下，暴露组与非暴露组在诸多研究对象的特征上都存在差异性（分组不均衡），但我们需要了解到底哪些因素分组不均衡。一般采用t检验、卡方、秩和、方差分析来探讨差异性。

这一步中，有些时候一篇论文暴露因素过多，无法一一分析暴露组与非暴露组的人群特征的差异性，转而分析阳性结局事件与阴性结局事件在人群中的差异性。这种现象也很常见。

第3步，初步分析暴露因素与结局的关联性。根据结局的特征，暴露因素与结局的关联性，一般常用的条件与方法如下：

从上表可以得知，关联性方法包括两类，一类是基础统计学方法（关联性方法1），另外一类则是单因素回归分析，如单因素线性回归、单因素Logistic回归、单因素Cox回归（关联性方法2）；两类方法结果基本一致。

同时可以发现，三类不同的结局对应是三类完全不同的方法。其中，LogRank和Cox回归分析的方法，还没有获得系统的介绍（我将在今后课程进行详细阐述）。

效应值方面，OR值、RR值和HR值堪称三剑客。其中，OR值已在之前篇章中详细阐述；HR是生存分析关键效应值，它将与Cox回归同时亮相；RR值应该是医学研究最重要的指标，队列研究能够计算出RR值。本文稍后重点介绍RR值。

值得注意的是，很多时候第2步与第3步方法和表格基本相同，一般可以将两者合二为一来处理。

第4步，多因素回归探讨一个或者多个暴露因素对结局的影响。最后，主流方法是借助回归分析排除干扰，研究暴露因素的影响及及影响程度。常见的的方法如下：

同样，不同的结局有不同的回归分析方法。利用线性回归探讨定量结局的影响因素，利用logistic回归探讨2分类结局的影响因素，采用Cox回归探讨生存结局（双结局资料）。

不过，Logistic只能计算OR值，无法计算非常重要指标：队列研究还有另外两种分析分类结局的方法：Poisson回归与log-binomial回归。最近几年它们是队列研究重要的统计学方法，并且非常重要的是可以计算RR值，大家可以关注下。

队列研究与RR值

这一部分回答几个重要问题：什么是RR值？为什么它很重要，甚至比OR值更重要。

RR值是医学研究最重要的效应值指标，没有之一。

RR值，全称是相对危险度（Relative Risk），也就是暴露组相对对照组，结局阳性事件发生的风险程度，用于描述暴露因素与终点结局事件关联。

它的算法是，暴露组阳性率与非暴露组阳性率率的比值。令a/m1=P1或者Pe，把a/m0=P0或者Pc，则

RR大于1，说明暴露组相比对照组容易发生阳性事件，反之则说明暴露组不容易发生阳性事件。无论大于1还是小于1，说明暴露因素与结局有关。

RR值大于1，提示暴露因素是阳性事件发生的促进因素；

RR值小于1，提示暴露因素是阳性事件发生的阻碍因素；

RR值等于1，提示暴露因素对阳性事件法无影响。

RR值，是暴露组相对对照组，发生阳性事件的概率的倍数。

比如，吸烟与肺癌发病关系的队列研究。

计算RR值如下：

式中，pe为吸烟组组的发病率， po为不吸烟组的发病率。RR＝13.5表示吸烟者患肺癌的概率（或者风险）为不吸烟者的13.5倍，比不吸烟者高12.5倍。

RR值是统计量，是根据样本得到的数据。它必须接受假设检验，论证总体上RR值是否等于1。由于RR是是基于两个率（四格表资料）得到的效应值，假设检验采用的是卡方检验进。

SPSS软件卡方检验不仅可以计算P值，同时也可以计算RR值。例如吸烟的案例卡方检验和RR值的计算：

卡方检验结果显示，P