在研究麻醉过程中对数正态分布时间的预测因子时，控制家族误差率和假发现率：一项使用广义线性模型的模拟研究

《British Journal of Anaesthesia》：Controlling familywise error rates and false discovery rates when studying predictors of log-normal durations in anaesthesia: a simulation study using generalised linear modelling

当使用广义线性模型分析对数正态分布结果（如手术和麻醉时间）的预测因子时，本研究通过蒙特卡洛模拟发现未校正多重检验会导致FWER显著升高（12.6–14.8%），而Bonferroni方法能有效控制FWER（5.2–5.3%）。FDR控制方面，Benjamini-Yekutieli方法在预测因子负相关或独立时有效（4.5–5.1%），但在强正相关时失败（6.0–9.5%）。

　　

陈培富|富兰克林·德克斯特

美国爱荷华州爱荷华市爱荷华大学麻醉学系

摘要

背景

麻醉学研究经常使用广义线性模型来识别对数正态分布结果的定量重要“独立预测因子”，例如手术时间和麻醉时间。然而，对于这些问题，常见的多重比较方法在预防I型和II型错误方面的性能尚不清楚。

方法

我们进行了蒙特卡洛模拟，以评估控制家族错误率（FWER）和假发现率（FDR）的方法。模拟数据集具有对数正态分布的结果和三个二元预测因子，它们之间的相关性各不相同（独立、强正相关或中度负相关）。我们将四种FWER方法（Bonferroni、?idák、Holm–Bonferroni和Hochberg）和两种FDR方法（Benjamini–Hochberg和Benjamini–Yekutieli）应用于从广义线性模型中得出的P值。

结果

如果不调整多重比较，FWER值会很高（12.6–14.8%，而不是正确的5.0%）。在FWER方法中，Bonferroni调整最为准确，在所有相关性情况下，其比率始终接近名义上的5.0%（5.2–5.3%）。对于FDR控制，Benjamini–Yekutieli方法在独立和负相关预测因子的情况下有效（4.5–5.1%），但在强正相关预测因子的情况下未能有效控制FDR（6.0–9.5%）。

结论

在使用广义线性模型识别对数正态分布结果的预测因子时，最简单的方法——Bonferroni调整——能够可靠地控制FWER。Benjamini–Yekutieli方法最适合控制FDR，但我们的研究结果表明，当潜在的麻醉时间预测因子呈正相关时，该方法可能过于保守（即不可靠），而这正是这些问题的常见情况。

章节摘录

方法

用于执行本研究中描述的所有模拟和统计分析的Stata代码和Excel工作表可在补充材料中找到。Excel文件中包含示例。

结果

无论预测因子之间的相关性如何，如果不调整多重比较，家族错误率都会很高（表1，第1-10行、第15行和第20行）。样本大小也会影响家族错误率。具体来说，在每种情况下，样本量较小时家族错误率略高（表1：第4行与第1行、第5行与第2行、第6行与第3行、第10行与第7行、第15行与第8行、第20行与第9行）。相比之下，方差估计方法的选择也会影响家族错误率。

讨论

数百项研究试图寻找遵循对数正态分布的麻醉终点的“独立预测因子”（附录A）。我们评估了在使用对数正态分布结果的广义线性模型时如何使这些测试有效。我们包括了近期关于麻醉时间的文章中使用的所有多重比较调整方法：不进行任何调整（即最常用的方法）以及Holm–Bonferroni方法（附录A和C）。我们的研究结果表明……

作者贡献

软件、正式分析、资源整理、数据可视化：PFC

调查、撰写初稿、审阅和编辑：PFC、FD

概念构思、方法论、验证：FD

利益冲突声明

作者声明没有利益冲突。资金来自部门资助。