筆者常在醫學論文或是客戶自行製作的圖表上看到「P trend」（中文翻譯：趨勢分析），但在論文中的統計方法卻看到的是一般常見的分析，例如t-test, chi-square, ANOVA, regression或是無母數統計等等。有時事後詢問合作醫師，發現其實他們作的並不是「P trend」，而之所以會誤用這個名詞，主要是因為他們認為如果P值達顯著差異的話，不就代表結果有某種趨勢（trend）嗎？
在此釐清一下概念，如果分析的自變項（X or independent variable）是類別變項，而且沒有「順序」的效應，例如說居住區域分成亞洲、歐洲跟美洲，三個類別基本上是互斥的，當Outcome為類別時通常是Chi-square，若Outcome為連續變項則可以使用ANOVA（變異數分析）。此時分析的重點在於「這三組之間是否有所差異」，若整體有差異則再加以做事後檢定（Post hoc or multiple comparison）以得知「兩兩組別之間是否有所差異」（如下表）。
然而當自變項是3類以上的類別變項且本質是順序變項（Ordinal or rank variable），最常見的就是把某個檢驗值由低至高等分為3組（tertile）、4組（quartile）或甚至是5組（quintile），此時的組別已經算是順序變項。研究問題變成類似劑量效應（dose dependent），例如『組別等級越高（1→2→3）是否Outcome的數值或比例也越高或越低』（如下表）。
上述兩種Trend analysis皆屬於雙變項分析（Bivariate analysis），尚未控制其他變項的效果，假使研究者想要進一步調整（adjust for）其他混淆變項，必須改為多變項的迴歸分析，例如Multivariable linear regression（連續變項）、logistic regression（二元類別變項）、Poisson regression（計數變項）或Cox regression（Time to event）等迴歸模型。
在迴歸模型中也可以進行Trend analysis，最常見是針對順序型的自變項做對比檢定（Contrast test），因為在迴歸方程式中，只有類別型跟連續型自變項才會有迴歸係數（也才會有OR、RR、HR等風險值），順序型自變項本身不會有迴歸係數，但是可以透過趨勢檢定得到一個P trend，而且是在考慮了其他控制變項之下所得的結果。
希望透過以上的介紹，能讓各位讀者對於P trend有初步的瞭解，也避免未來在報告結果時能夠使用正確的名詞。
留言列表
{{ article.title }}