Stata中结合个体抽样权重估计手术与非手术组Incidence Rate Ratios方法咨询

加权估计Incidence Rate Ratios的Stata实现方案 #

你原来的无权重代码逻辑是正确的，要纳入个体层面抽样权重，按以下步骤调整即可： #

1 核心实现逻辑

抽样权重需要在数据初始化和模型估计两个环节声明，推荐用带权重的泊松回归实现加权IRR估计，该方法统计属性稳定，同时支持后续调整协变量、适配复杂抽样设计。 #

2 具体代码

先替换代码中的占位变量为你实际的变量名：

• 事件变量：取值1为发生目标事件，0为删失
• 生存时间变量：对应个体的观察时长
• 你的个体抽样权重变量：你提到的个体层面抽样权重

* 步骤1：设置带抽样权重的生存数据格式
stset 生存时间变量, failure(事件变量==1) pweight(你的个体抽样权重变量)

* 步骤2：计算加权人时（可选，用于校验各组暴露时长）
* 总人群加权人时
stptime, pweight(你的个体抽样权重变量)
* 分手术组加权人时
stptime, by(surgery) pweight(你的个体抽样权重变量)

* 步骤3：估计加权IRR（核心代码）
poisson 事件变量 i.surgery, exposure(生存时间变量) pweight(你的个体抽样权重变量) eform

上述poisson命令输出的surgery行的系数即为手术组对比非手术组的加权Incidence Rate Ratio，同时会输出对应的95%置信区间和显著性检验结果。 #

3 复杂抽样设计适配

如果你的抽样设计包含分层、整群等额外设计，可通过svy前缀适配，结果更准确：

* 声明完整抽样设计，无分层/整群则删除对应参数即可
svyset [pweight=你的个体抽样权重变量], strata(分层变量) cluster(整群变量)
* 估计加权IRR
svy: poisson 事件变量 i.surgery, exposure(生存时间变量) eform

内容的提问来源于stack exchange，提问作者bvowe