阅读量:0
今天给大家带来的复现内容是CHARLS数据库的一篇横断面研究文章，文章统计方法部分包括了①基线差异性分析、②线性趋势分析计算P trend、③多模型线性回归控制混杂因素。
这些统计方法风暴统计统统一站式搞定，零代码操作，新手小白也可以轻松上手完成！
案例文献是一篇基于CHARLS公共数据库的一项横断面研究，旨在了解SUA和FPG与认知功能（3个层面）之间的关联。
SUA和FPG与认知功能的关联：一项横断面研究
1.1 基线差异性分析
首先，合并SUA与FPG分组【仅Low SUA、仅High FPG、无Low SUA和High FPG（Non）以及Low SUA和High FPG（Both）】，对人群的基本特征进行描述。
|
1.2 多因素线性回归+趋势性P trend
table2展示的是自变量SUA及协变量与认知功能结局（3个层面：Global Cognition、Episodic Memory、Mental Status）的多因素回归结果。
table3展示的是自变量FPG及协变量与认知功能结局（3个层面：Global Cognition、Episodic Memory、Mental Status）的多因素回归结果。
这两个表格分别探讨了SUA与FPG对认知功能的单独影响。
|
|
1.3 多模型线性回归
合并SUA与FPG分组【仅Low SUA、仅High FPG、无Low SUA和High FPG（Non）以及Low SUA和High FPG（Both）】，通过多模型策略逐步校正混杂因素，探讨两者对认知功能的联合影响。
 |
以上就是本篇CHARLS数据库文章的主要内容啦！下面我们将通过风暴统计平台进行结果复现！
风暴统计平台是由浙江中医药大学郑卫军教授基于R语言开发的统计分析平台，它具有以下优点：
结果输出简洁，直接生成三线表，支持word版下载！
平台是基于R语言进行开发，结果准确性有保障！
全部菜单式操作，统计小白也可以轻松上手！
2.1 复现数据介绍
我们复现用到的数据集是根据原文献变量及纳排标准整理的，样本量n=6875（原文献6509），样本量有所出入，但是变量和原文保持一致，包含有：
便利起见，针对这篇文章的统计方法制作了专用链接，按顺序操作即可复现全部统计方法，不用在风暴统计平台换模块分析啦！
https://shiny.medsta.cn/xujm/
2.2 数据导入
进入网页后，可以选择导入自己的数据进行分析，也可以选择示例数据（也就是我们本篇文献的复现数据）进行测试。
2.3 基线差异性分析
来到"分组差异性分析"板块，分别选入分组变、正态定量变量、偏态定量变量、分类变量。
平台就会直接给出基线差异性结果啦！平台还给出了差异性分析结果的统计量，信息更全面。由于原文中，二分类变量仅展示阳性人群的分布比例，因此表格长度会更简短些。
|  |
2.3 线性趋势分析计算P trend
趋势性分析是针对等级数据开展的，连续性变量需要提前转换为等级变量。
选入我们想要开展分析的连续型变量，平台给出了多种分组方式，这里我们选择"四分位数"，接着点击"开始分组"。
右侧预览界面就会新增两列数据！
以“quantile”为后缀的变量名，代表四分位数转换后的等级数据，将原始的连续型变量赋值为1,2,3,4。
以"M_value"为后缀的变量名，则是用每组的中位数重新赋值。这个变量就是计算P for trend的核心变量了！
首先，选入定量结局变量（3个层面的认知功能，以global cognition为例），以"M_value"为后缀的组中值分类变量。
最最重要的是，取消勾选"分类变量"选项！使变量以定量形式进入回归分析！
这时的P值就是我们的P trend值了！
如需校正协变量，可以点击"增加回归模型"，依次选入协变量即可。
2.4 多因素线性回归
接着来到"线性回归"模块进行logistic回归分析！
依次选入结局变量（以global cognition为例），根据文献选入协变量，点击多因素回归查看多因素结果。
平台依旧是直接给出三线表结果，原文献中省略了reference行以及P值，SE值，t值等，平台全部给出，大家可以根据自身需要进行取舍。
 |
2.5 多模型线性回归
接着来到多模型线性回归策略模块，首先选入我们的结局变量，以及我们SUA和FPG联合变量，接着点击"增加回归模型"，选择"自定义"，按照原文献勾选我们的协变量。
接着右侧结果框就会出现我们的多个模型的回归结果啦！下方脚注还会标明我们校正了哪些协变量！
与原文献对比，可以看出整体格式形式比较相似，还免去了绘制三线表填写结果的繁琐！
 |
以上就是我们本次零代码复现SCI文章的全部内容啦！有P trend 、多模型控制混杂等常见统计分析方法！欢迎试用下方链接，进行复现与测试哦！
https://shiny.medsta.cn/xujm/
如果您在使用过程中出现报错，可以参考下方推文，排查一下问题所在哦！
详情请点击下方：
