配对二项资料两组率差置信区间估计方法与评价

目的: 探讨配对二项资料两组率差置信区间的估计方法,并从中进行优选推荐。方法: 按照方差估计反推（method of variance of estimates recovery,MOVER）原理,将两配对组率的关联Ф系数与单组率的置信区间进行组合,构建两组率差的置信区间估计方法。其中,单组率置信区间估计分别采用Wilson计分法、Agresti-Coull法（AC法）、Jeffreys法和Clopper-Pearson精确法（CP法）。借助Monte Carlo模拟实验比较不同方法的统计学性能,在不同参数设定下进行I类错误率和把握度的模拟实验：（1）设定两组率关联Ф系数为0、0.2、0.4、0.6,样本量为20、60、100,分别模拟不同率水平下各方法的I类错误率,判定其模拟I类错误率是否接近事先定义的检验水平。（2）设定关联Ф系数为0.3,两组率差为10%,分别模拟不同率水平下各方法不同样本含量下的把握度（power）变化趋势。结果: 在基于单组置信区间组合估计的几种MOVER方法中,MOVER Wilson计分法、MOVER Jeffreys法的I类错误率更接近事先设定的水平,尤其是在靠近0和100%两端时,MOVER Jeffreys法的I类错误率更优;除MOVER CP法,其他3种方法的把握度接近。结论: 对于配对二项资料两组率差的置信区间估计,一般情况下（两组率在20%～80%范围内）,可选择MOVER Wilson计分法或MOVER Jeffreys法;当两组率靠近两端时,推荐使用MOVER Jeffreys法。     

单组目标值临床试验多指标时的样本量估计

目的: 针对多个以率为共同终点评价指标的单组临床试验,探讨控制全局把握度的样本量估计方法。方法: 根据单组目标值法单指标时的样本量估计方法,在理论上阐明单组临床试验多个共同指标时样本量估计的原理,提出控制全局把握度的样本量估计方法。事先设定各单指标目标值、靶值、I类错误率及总的II类错误率水平,在给定的样本量下可算得各单指标对应的把握度,相乘后即为全局把握度,利用逐步寻值即可获得达到全局把握度时所需的样本量。结果: 结合一个单组临床试验案例,基于4个率指标,利用样本量估计的正态近似法和确切概率法,分析对比了传统直接校正把握度的方法和本文逐步寻值法所估计的样本量结果,后者能更准确地控制全局把握度,所需的样本量更少。结论: 本文给出的单组目标值临床试验多指标情形下逐步寻值的样本量估计方法,能较好地控制全局把握度、节约样本量,具有很强的实用价值。     

临床纵向数据缺失的随机效应模式混合模型及SAS实现

目的: 临床纵向研究经常发生数据缺失,但处理起来较为棘手。本研究欲阐明一种随机效应模式混合模型用于纵向数据缺失的分析方法。方法: 介绍随机效应模式混合模型的原理,给出构建缺失模式变量的方法,借助一个临床试验实例介绍方法的应用和SAS实现过程,并与随机效应模型方法进行比较。结果: 随机效应模式混合模型引入缺失模式变量,考虑了缺失的发生特点,其拟合效果优于随机效应模型。结论: 随机效应模式混合模型可灵活、有效处理具有缺失数据的纵向研究数据,为敏感性分析提供了新的方法学支持。     

倍比分组双盲随机对照试验的盲态分析

目的:双盲随机对照试验中,常规等比分组下的盲态分析容易实现,而对倍比分组的情形尚无有效的盲态分析方法。本文旨在实现倍比分组下双盲随机对照试验的盲态统计分析,以避免知晓分组信息后可能导致的分析偏倚。方法:在试验设计阶段,根据试验各组的整倍比数进行等样本量拆分,并按拆分后的组别进行编码随机分配和药物编盲。在统计分析阶段根据试验各组比例对拆分组的所有可能组合进行统计分析和报告。结果:结合一个两组2∶1倍比分组的临床试验实例,阐明了盲态分析的具体实现过程。本方法在进行一级揭盲后仅知晓各拆分组的编码,无法判断其对应的试验组别,因此在对各种组合进行统计分析时能保持盲态,在二级揭盲确定实际分组后可选定相应的统计分析报告。结论:本方法原理简单、实施容易、符合监管要求,尽管在随机设计、药物编盲、统计分析环节增加了工作量,但能很好实现双盲试验的盲态分析,有效避免因分析阶段破盲而导致的偏倚,对保证临床试验分析的客观性和科学性具有独到的实际应用价值。     

基于β分解的等效性试验样本含量估计

Objective Because the sample size estimations currently used have considered inappropriately the influence of the population mean differences of two groups in equivalence clinical trials, the actual powers could not reach the objective level of power predetermined. This paper was to explore the sample size estimation of equivalence clinical trials which the primary variable follow normal distribution. Methods The formulae of sample size estimation were derived based on the statistical inference principle of equivalence clinical trials incorporated with the decomposition of β and non-central t distribution theory. According to the formula, the sample sizes were estimated under different parameter settings. Monte-Carlo simulations were performed to obtain the corresponding powers respectively. Results The achieved power of Monte-Carlo simulation could coincide with the pre-determined level of power well. It showed that the method possessed correctness to estimate the sample size. Conclusion The method of sample size estimation could be used commonly in equivalence clinical trials with quantitative normal distribution variable.