Stata實例教程：泊松回歸

泊松回歸主要適用於罕見結局發生率的分析，其數據特徵一般為：發生率的分母相對於分子較大，或者事件發生於有限的時間、空間上。事件發生數量可以近似為服從泊松分佈。常見的例子如，士兵意外死亡數量、電話撥打錯誤的數量、罕見疾病的發病率等。

在臨床研究中泊松回歸常用於隊列研究。如下面的例子（表1）：

表1. 隊列研究實例

該研究為一個隊列研究，目的是探討吸煙是否增加人群的死亡風險。Deaths代表死亡人數，person-years代表隨訪人年數。

下面利用上例數據介紹如何利用Stata進行泊松回歸。

首先數據格式應為下表（表2）所示：

表2. 數據結構

1. 在Stata中依次點擊Statistics—Count outcomes—Poisson regression，調出對話框。

在Dependent中選入deaths變數（發病率的分子），Exposure variable中選入pyears變數（發病率的分母），Independent variables選入smokes變數，另外還需選入agecat變數，該變數為分類變數，需寫成i.agecat形式告訴軟體agecat為分類形式。

在reporting部分選擇Report incidence-rate ratios，這樣軟體給出的是係數的指數形式，即我們所需要的incidence-rate ratio（IRR）。

最後界面如下：

Reporting處的設置如下：

2. 最後點擊OK。

也可以不通過菜單直接輸入命令：

poisson deaths smokes i.agecat, exposure(pyears) irr

從結果可以看到，吸煙者相對於不吸煙者，發生死亡的風險為1.43倍（P=0.001），45歲以上各年齡組的死亡風險均高於35-44歲年齡組（P值均<0.001），且年齡越大的組死亡風險越高。

精彩回顧

：medieco-ykh

關注醫咖會，輕鬆學習統計學~

有臨床研究設計或統計學方面的難題？快加），拉你進統計討論群和其他小夥伴們一起交流學習；或者點擊公眾號下方自定義菜單的「統計諮詢」，提出你遇到的統計難題。

點擊左下角「閱讀原文」，看看既往小夥伴們都提出了哪些問題，以及該如何去解決，也許正好能幫到你~