连续变量之间的一致性评价

我们常需要考察连续变量之间的一致性,连续变量之间,只有属性相同,才可以做一致性分析。比如,不同方法测量结果的一致性,多次测量结果的一致性,不同研究者评分的一致性。研究者在解决这类问题时,常用的方法包括配对t检验、相关分析、组内相关系数等。采用这些方法进行一致性分析,是否恰当呢?今天,咱们就来聊聊这个话题。

1.配对t检验‍

首先,配对t检验可以吗?配对t检验适用于配对设计的定量资料,可以用来考察两组定量资料之间的差异,如图,两次测量结果,配对t检验显示差异无统计学意义,p=1,但两次测量结果太不一致了。所以说,配对t检验,即使p>0.05,也只能说明两组的差异无统计学意义,并不能说明两组是一致的。

连续变量之间的一致性评价-图片1

  2.相关系数‍

相关系数呢?相关系数主要考察两个定量指标相关的程度和方向,是指一个变量随另一个变量变化的情况。好的一致性通常要求测量点靠近y=x,然而测量点靠近任何一条直线,其相关系数r仍然较高。所以,即使相关系数很大,接近1,同时p<0.05,也只能说明变量间密切相关,并不等价于一致。如图,两个定量指标密切相关,相关系数r=1,但测量点偏离y=x,并不一致。

连续变量之间的一致性评价-图片2

  3.回归法‍

比如最常见线性回归,可建立两测量结果之间的线性方程,y=a bx。如果截距a与0无差异,斜率b与1无差异,则可认为两测量结果一致。如图,橙线为理想的情况y=x,蓝线为建立的线性方程y=0.939x-0.135。Bootstrap获得截距的区间估计为 -0.356~0.039,包含0;斜率的95%区间估计为0.885~1.010,包含1,可认为两测量结果一致。‍

需要注意的是,分析过程中需要考察数据是否满足线性回归的适用条件,此处仅为示例故省略。此外,Deming回归和Passing-Bablok回归也可用来考察一致性,其和线性回归的区别在于对数据的要求较低。

连续变量之间的一致性评价-图片3

  4.组内相关系数‍

组内相关系数(Intraclass correlation coefficient,即ICC),主要用于考察定量资料的一致性。组内相关系数介于0和1之间,越接近1,说明重复测量之间的差异越小,即重复测定的一致性越好。组内相关系数是研究对象间变异占总变异的比例,当测量结果范围较小,即重复测量中,各测量结果均较接近,此时ICC的计算就与试试不太相符了。这说明,ICC的应用受到测量结果范围的影响,比较适用于不同研究对象结果差别较大的情况。

5.Bland-Altman法‍

Bland-Altman法最早由Bland和Altman在1986年提出。绘制两测量值差值D对应于均值A的散点图,即Bland-Altman图。如果D和A是独立的,当大部分测量值落在差值的95%参考值范围内,且此范围在专业上也可认为是一致的,则认为两测量结果一致。如图,横坐标为两测量结果的均值,总坐标为两测量结果的差值,大部分测量结果均落在差值的95%参考值范围内,可说明两测量结果一致性较好。当然,还需要考察差值的95%参考值范围在专业上是否可以被认为是一致的。

连续变量之间的一致性评价-图片4

  若D和A不独立,可进行回归分析,建立D=a bA,如果a和b与0之间无差异,可认为两测量结果是一致的。(Bland-Altman图的做法可参考往期文章,通过微信菜单的【文章分类-查找文章】,键入“一致”进行检索)

总的来说,配对t检验和相关系数不能反映连续变量之间的一致性。组内相关系数较为常用,但其受测量结果范围的影响,当研究对象间测量结果差别较大时,ICC比较准确。Bland-Altman法和回归法可用来评价一致性,但需要数据满足相应的条件。

发表评论

匿名网友