Pendekatan Regresi Poisson yang Dimodifikasi untuk Studi Prospektif dengan Data Biner

a) Tujuan Penelitian

Tujuan penelian ini adalah untuk menunjukkan bagaimana memperkirakan risiko relatif
dengan menggunakan model regresi Poisson dengan varian kesalahan yang kuat.
Penggunaan regresi Poisson dengan istilah kesalahan sandwich untuk memperkirakan
risiko relatif secara konsisten dan efisien. Karena prosedur ini hampir sama dengan
analisis regresi logistik (yang membedakan yaitu dalam hal variabel responnya), tidak
ada pembenaran untuk mengandalkan regresi logistik ketika risiko relatif adalah
parameter kepentingan utama.

b) Data yang digunakan

Kumpulan data 127 pasien diabetes yang disajikan oleh Lachin pada halaman 216. Ini
adalah bagian dari uji klinis yang dikenal sebagai uji coba DCCT (Diabetes Control and
Complications Trial), dimana ada hal yang menarik untuk menentukan ridiko relative dari
standar terapi terhadap perawatan intensif dalam jangka waktu prevalensi
mikroalbuminuria pada 6 tahun masa tindak lanjut.
c) Interpretasi model

Regresi Poisson biasanya dianggap sebagai pendekatan yang tepat untuk menganalisis
peristiwa langka ketika subyek diikuti untuk jangka waktu yang bervariasi. Ketika regresi
Poisson diterapkan pada data binomial, kesalahan untuk estimasi risiko relatif akan ditaksir
terlalu tinggi ( 11 ). Namun, masalah ini dapat diperbaiki dengan menggunakan prosedur varians
kesalahan kuat yang dikenal sebagai estimasi sandwich ( 13 ), sehingga mengarah ke teknik yang
saya sebut regresi Poisson termodifikasi.

Pertimbangkan kasus di mana 𝑥𝑖 (𝑖 = 1,2, . . . , 𝑛) adalah paparan biner dengan nilai 1

jika terpapar dan 0 jika tidak terpapar. Kemudian, data dapat diringkas dalam tabel 2-oleh-2
(tabel 1 ).
 Asumsikan bahwa subjek i memiliki risiko mendasar yang merupakan fungsi dari 𝑥𝑖,
misalkan 𝜋 (𝑥𝑖). Karena 𝜋 (𝑥𝑖) harus positif, fungsi tautan logaritma adalah pilihan alami untuk
pemodelan 𝜋 (𝑥𝑖), memberikan

𝑙𝑜𝑔[𝜋(𝑥𝑖)] = 𝛼 + 𝛽𝑥𝑖

Risiko relatif (RR) kemudian diberikan oleh 𝑒𝑥𝑝(𝛽). Jika seorang Poisson distribusi
diasumsikan untuk 𝑦𝑖, kemungkinan log diberikan oleh

𝑙(𝛼, 𝛽) = 𝐶. ∑[𝑦𝑖(𝛼 + 𝛽𝑥𝑖) − exp(𝛼 + 𝛽𝑥𝑖)]

𝑖=1

di mana C adalah konstanta. Penerapan hasil teori kemungkinan standar

𝑐
exp(𝛼̂) =
𝑛0

𝑎𝑛0
𝑅𝑅̂ = exp(𝛽̂ )) =
𝑐𝑛1

dengan taksiran varian diberikan oleh

̂ (𝑅𝑅̂ ) = 𝑉𝑎 + 𝑉𝑐
𝑣𝑎𝑟

Sekarang, karena istilah kesalahan salah ditentukan ketika data yang mendasarinya
didistribusikan secara biner, penaksir sandwich digunakan untuk melakukan koreksi yang sesuai.
Varians yang dikoreksi dapat dengan mudah ditampilkan untuk diberikan oleh

𝑛𝑖 𝑛𝑖
1 1
̂ (𝑅𝑅̂ ) = 2 ∑[𝑦𝑖— exp(𝛼 + 𝛽)]2 + 2 ∑[𝑦𝑖— exp(𝛼)]2
𝑣𝑎𝑟
𝑎 𝑐
𝑖=1 𝑖=1

yang diperkirakan secara konsisten oleh

1 1 1 1
̂ (𝑅𝑅̂ ) =
𝑣𝑎𝑟 − + −
𝑎 𝑛1 𝑐 𝑛0
 Perhatikan bahwa penaksir ini identik dengan penaksir varians tradisional yang
diturunkan dengan menggunakan metode delta ( 14 , p. 455). Perpanjangan hasil ini yang
mencakup penyesuaian kovariat dapat diperoleh dengan menggunakan langkah-langkah yang
diuraikan di tempat lain (Lachin, bagian A.9 ( 14 )).

d) Metode
Untuk memvalidasi prosedur ini secara numerik, saya mengevaluasi kinerja pendekatan
regresi Poisson yang dimodifikasi dalam hal bias relatif untuk estimasi titik dan
persentase cakupan interval kepercayaan.
e) Kesimpulan