关于summarize_glm_count()计算细节、依赖包及文档完善的技术问询
2026-6-21
解析summarize_glm_count()相关指标的计算逻辑与实现细节
1. 核心指标的计算方式
未调整年加重率（Unadjusted exacerbation rate (per year)）
直接基于原始数据计算粗发生率：
- 公式：
总加重事件数 / 总随访人年数 - 本质是将所有观察对象的事件数求和，除以总随访时间（以年为单位），得到不考虑任何协变量的粗率。
调整后（QP）年加重率（Adjusted (QP) exacerbation rate (per year)）
这里的「QP」指**分位数保留（Quantile-Preserving）**调整，计算逻辑基于拟合的Poisson/负二项回归模型：
- 若模型中加入了
offset(log(随访时间))项：模型输出的预测均值直接就是年率——因为偏移项已经将随访时间的影响纳入，预测值代表单位时间（年）内的事件发生率。 - 若未使用偏移项：先通过模型计算协变量调整后的边际事件数均值，再除以平均随访年数，转化为年率。
- 「QP」调整会保证调整后的率分布与原始数据的分位数结构一致，避免因协变量调整过度扭曲数据分布。
2. 底层依赖的包与函数
summarize_glm_count()及s_glm_count()属于计数回归的汇总工具，核心依赖：
- 建模层：
stats::glm()（Poisson回归）、MASS::glm.nb()（负二项回归） - 结果汇总：
broom::tidy()/broom::glance()整理模型输出，emmeans::emmeans()计算调整后的边际均值 - 数据处理：
dplyr、tidyr完成数据清洗与分组计算 - 表格渲染：
gtsummary核心框架负责输出结构化汇总表
3. 文档补充与参考文献建议
文档补充方向
可以在函数的@details章节明确添加以下计算细节：
- 未调整率的具体公式（总事件数/总随访人年）
- 调整后率的两种场景（带偏移项/不带偏移项）的计算步骤
- 「QP」调整的定义与实现逻辑
建议添加的参考文献
- Agresti, A. (2013). Categorical Data Analysis (3rd ed.). Wiley.（计数模型的基础理论与率的计算）
- Hilbe, J. M. (2014). Negative Binomial Regression (2nd ed.). Cambridge University Press.（负二项回归的应用细节）
- Lenth, R. V. (2021). Emmeans: Estimated Marginal Means, aka Least-Squares Means.（边际均值计算的方法说明）
内容的提问来源于stack exchange，提问作者Arianna D. Cascone
相关产品推荐
相关产品推荐
