1、应用广义估计方程进行多应变量回归分析 在很多医学研究中，结果变量和 /或危险因素是从多个渠道获得 的，或由多个测量指标组成的。如 呼吸道症状包括咳嗽、 咳痰、 喘鸣、 气短。对儿童行为的评价可以从家长和教师两方面获得。对于这种多个应变量的数据，一种分析方法是分别对每个应变量与危险因素的关系进行回归分析。也可以使用 GEE (广义估计方程）同时对多个应变量与危险因素的关系进行回归。这样 可以 提高 统计效率。每个变量单独分析可能都没有显著性，但综合起来就有可能显著了。比如，吸烟可能导致咳嗽、 咳痰、 喘鸣、 气短，每个人表现的症状不一样，综合起来就是分析吸烟是否导致呼吸道症状的增加。 例： DE
2、MO 数据 四个呼吸道症状 与 单核苷酸多态性标记 SNP1 的关系分析，输入界面如下： 输出结果： 回归方程 1：不同回归系数拟合危险因素对每个应变量的作用 Estimate Std.err Wald Pr(|W|) exp(coef) 95%区间下限 95%区间上限 (Intercept) -2.1203 0.9101 5.4279 0.0198 0.1200 0.0202 0.7142 factor(SNP1.COUGH)1 -0.3782 0.2487 2.3126 0.1283 0.6851 0.4208 1.1154 factor(SNP1.COUGH)2 0.4892 0.449
3、3 1.1854 0.2763 1.6310 0.6761 3.9345 factor(SNP1.PHLEGM)1 0.1457 0.2041 0.5100 0.4752 1.1569 0.7755 1.7259 factor(SNP1.PHLEGM)2 0.2274 0.4230 0.2891 0.5908 1.2554 0.5479 2.8761 factor(SNP1.WHEEZE)1 -0.1984 0.2489 0.6355 0.4253 0.8201 0.5035 1.3356 factor(SNP1.WHEEZE)2 -0.2824 0.5820 0.2355 0.6275 0.
4、7540 0.2409 2.3592 factor(SNP1.SOB)1 -0.0535 0.1814 0.0869 0.7681 0.9479 0.6643 1.3526 factor(SNP1.SOB)2 -0.1527 0.3903 0.1529 0.6957 0.8584 0.3994 1.8448 factor(tmp.yidx)2 0.2617 0.0979 7.1427 0.0075 1.2992 1.0723 1.5741 factor(tmp.yidx)3 -0.0916 0.1503 0.3714 0.5422 0.9125 0.6796 1.2251 factor(tmp
5、.yidx)4 0.9549 0.1406 46.1291 0.0000 2.5983 1.9725 3.4227 AGE 0.0322 0.0052 38.8722 0.0000 1.0327 1.0223 1.0432 SEX -0.1172 0.2041 0.3296 0.5659 0.8894 0.5961 1.3270 BMI -0.0227 0.0351 0.4161 0.5189 0.9776 0.9125 1.0473 SMOKE 0.3420 0.1789 3.6547 0.0559 1.4078 0.9914 1.9990 ALH -0.2864 0.2158 1.7609
6、 0.1845 0.7510 0.4919 1.1464 OCCU.NEW -0.2709 0.1452 3.4797 0.0621 0.7627 0.5738 1.0138 factor(EDU.NEW)2 0.0996 0.1829 0.2966 0.5860 1.1047 0.7719 1.5810 factor(EDU.NEW)3 -0.2612 0.2412 1.1736 0.2787 0.7701 0.4800 1.2354 组数 : 771 最大的组内观察数 : 4 组内相关性类型 : independence 使用的总观察数 : 3084 对数似然比检验比较两回归模型 (未使用
7、 GEE，使用 GLM): Model 1 用不同回归系数拟合危险因素对各应变量的作用： tmp.y factor(SNP1.COUGH)+factor(SNP1.PHLEGM)+factor(SNP1.WHEEZE)+factor(SNP1.SOB)+factor(tmp.yidx)+AGE+SEX+BMI+SMOKE+ALH+OCCU.NEW+factor(EDU.NEW) Model 2 用同一回归系数拟合危险因素对各应变量的作用： tmp.y factor( SNP1 )+factor(tmp.yidx)+AGE+SEX+BMI+SMOKE+ALH+OCCU.NEW+factor(ED
8、U.NEW) Log likelihood df. X-square P.value Model 1 -1340.83471218796 20 Model 2 -1343.31221690092 14 4.95500942591116 0.549596351589834 广义估计方程多应变量回归 (同一回归系数拟合危险因素对每个应变量的作用 ) Estimate Std.err Wald Pr(|W|) exp(coef) 95%区间下限 95%区间上限 (Intercept) -2.1767 0.9090 5.7343 0.0166 0.1134 0.0191 0.6736 factor(S
9、NP1)1 -0.0888 0.1503 0.3490 0.5547 0.9150 0.6815 1.2285 factor(SNP1)2 0.0764 0.3123 0.0599 0.8067 1.0794 0.5853 1.9908 factor(tmp.yidx)2 0.4030 0.0873 21.3349 0.0000 1.4963 1.2611 1.7754 factor(tmp.yidx)3 -0.0850 0.1259 0.4560 0.4995 0.9185 0.7176 1.1756 factor(tmp.yidx)4 1.0116 0.1147 77.8279 0.000
10、0 2.7501 2.1965 3.4432 AGE 0.0321 0.0052 38.8914 0.0000 1.0327 1.0223 1.0431 SEX -0.1168 0.2038 0.3285 0.5665 0.8898 0.5968 1.3265 BMI -0.0226 0.0351 0.4172 0.5183 0.9776 0.9127 1.0472 SMOKE 0.3420 0.1784 3.6743 0.0553 1.4078 0.9923 1.9971 ALH -0.2865 0.2155 1.7680 0.1836 0.7509 0.4922 1.1455 OCCU.NEW -0.2711 0.1450 3.4939 0.0616 0.7626 0.5739 1.0133 factor(EDU.NEW)2 0.0998 0.1826 0.2988 0.5846 1.1050 0.7725 1.5806 factor(EDU.NEW)3 -0.2602 0.2408 1.1682 0.2798 0.7709 0.4809 1.2357 组数 : 771 最大的组内观察数 : 4 组内相关性类型 : independence 使用的总观察数 : 3084
