Nhanes数据库介绍及使用(三)--方差估计怎么办

1. 复杂抽样的方差估计

  • 复杂抽样与简单随机抽样不同,方法学上的差异也导致了数据分析时的差异。以方差估计为例,简单随机抽样的标准统计软件包计算的方差估计值通常太低且有偏差,没有考虑差异加权和集群内样本人员之间的相关性。

2.子人群的方差估计

  • 在实际数据分析过程中,很多时候我们需要分析的都是部分人群的数据,英文中可能称为subpopulations,domains
  • 官方建议不要随便删除不需要的人群,仍然将这部分人群保留在数据集中,通过分析软件特定语句呈现数据集中感兴趣人群的结果

For example, to estimate mean body mass index (BMI) and its standard error for men aged 20 and over, the entire dataset of examined individuals who have an exam weight, including females and those younger than 20 years, must be read into the statistical software procedure. -官方给出的例子

3.SAS方差估计代码

PROC SURVEYMEANS data=one varmethod=taylor nomcar;
  STRATA sdmvstra;  /*SAS数据集中有相应变量,基本上每次都是用这个*/
  CLUSTER sdmvpsu;  /*SAS数据集中有相应变量,基本上每次都是用这个*/
  WEIGHT WTMEC4YR;
  DOMAIN Select;
   * more statements...;
run;
  • 逐句解释一下,第一句中的surveymeans 是SAS中用于复杂抽样设计的分析代码,相对于普通设计的就是means。除了surveymeans之外,用于复杂抽样的代码还有surveyselect, surveyfreq, surveyreg, surveylogistic, surveyphreg (详细介绍见SAS帮助);Taylor是官方推荐的方法,一般都是选择这个;nomcar是非完全随机缺失

However, if there is evidence indicating that the nonrespondents are different from the respondents for your study, you canuse the NOMCAR option to compute descriptive statistics among respondents while still counting the number of nonrespondents.
Considering the possibility that those students who did not respond spend differently than those students who did respond,you can use the NOMCAR option to request the analysis to treat the respondents as a domain rather than exclude the nonrespondents.
Although the point estimates are the same as the analysis without the NOMCAR option, for this particular example, the variance estimations are slightlyhigher when you assume that the missingness is not completely at random -SAS教程中关于nomcar的具体描述

  • strata是指定第一阶段的分层变量
  • cluster是指定定群变量
  • weight就是之前提到的权重
  • domain是用于呈现数据集中感兴趣人群的结果。相对于在不删除不感兴趣人群的情况下分析部分感兴趣人群的结果。与by语句类似

4.参考内容

https://wwwn.cdc.gov/nchs/nhanes/tutorials/module4.aspx 以及 sas help

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,290评论 6 491
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,107评论 2 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 156,872评论 0 347
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,415评论 1 283
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,453评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,784评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,927评论 3 406
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,691评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,137评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,472评论 2 326
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,622评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,289评论 4 329
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,887评论 3 312
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,741评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,977评论 1 265
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,316评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,490评论 2 348