偏倚性分析隨機方法有哪些

① 病因研究中的偏倚的種類及控制措施有哪些

定義及種類：

偏倚是在研究中（從設計到執行的各環節）的系統誤差及解釋結果的片面性而造成的，使研究結果與其真值出現了某些差值。因為它是由系統誤差所造成，加大樣本並不能使之減少。一旦造成事實，則無法消除其影響。因此，必須認識偏倚，從設計起直到整個研究過程均要加以控制。病因研究中的偏倚有10種以上，它們可以歸納為選擇性偏倚、信息（測量、觀察）性偏倚及混雜（混淆）性偏倚。
（一）選擇性偏倚（selection bias）
在選擇研究對象時，試驗組和對照組的設立（納入標准）不正確，使得這兩組人在開始時即存在處理因素以外的重大差異，從而產生偏倚。常見的主要有：
1.就診機會偏倚（入院率偏倚，admissionrate bias）由於疾病嚴重程度不同、就醫條件不同、人群對某一疾病的了解和認識程度不同等原因而使患不同種類疾病的人（或有某種特性者）的住院率不同。從醫院選取對照時，如果沒有注意到此點，則可引起偏倚。此種偏倚首先由Berkson發現並記述，因此，將此種偏倚又稱為Berkson偏倚或Berkson謬誤（fallacy）。
2.現患病例及新發病例偏倚（prevalence-incidencebias，又叫Neyman bias）此種偏倚易出現在病程較短的嚴重致死性疾病，如心肌梗死，部分病例在送到醫院前已死亡，如果只以存活的現患病例為對象，研究某因素的作用，必然產生偏倚。這些死亡病例通常未計入心肌梗死總發病人數中，以至於所報道的患病數少於實際的發病數。又如，在病例對照研究中有意或無意排除（或加入）某些病例，也可出現偏倚，如研究吸煙與肺癌的關系時，對照組包括了慢性支氣管炎和冠心病，由於此二病均與吸煙有關，所以吸煙與肺癌的OR減低，甚至於看不出吸煙作為肺癌的病因作用。患病後改變生活習慣也可以使用病例對照方法探討病因出現偏倚，如患肺癌後戒煙，患高血壓後將飲食口味調淡、不吃動物脂肪（肥肉）、適當增加體力活動等等，都可在病例對照研究中使這些因素的病因作用被抵消。又如，乳腺癌與利血平關系的病例對照研究，在對照組中排除了心血管病人（其中有相當多的高血壓病人，他們服用利血平），所以得出利血平是乳腺癌的危險因素的結論。另一個研究將全部病例均納入，則未發現此相關。
3.檢出信號偏倚（detectionsignal bias，unmasking bias）某因素如能引起或促進某癥候（與所研究疾病的體征或症狀類似）的出現，使患者因此而去就醫，這就提高了該病的檢出機會，使人誤以為某因素與該病有因果聯系。這種虛假聯系造成的偏倚稱為檢出信號（或檢出癥候）偏倚。如，曾有研究發現子宮內膜癌與絕經期服用雌激素有關。這個研究結果是因為絕經期婦女服用雌激素會引起不規則子宮出血，因此而就醫，得到檢查子宮內膜的機會較多，從而增加了發現子宮內膜癌的機會。不服用雌激素的子宮內膜癌常無明顯症狀，發現機會較少。以刮宮或子宮切除作為診斷子宮內膜癌的診斷時，絕經期服用雌激素的OR為1.7，而以子宮出血就診者的OR為9.8，二者相差懸殊。顯然，以子宮出血就診增高了OR。此類偏倚即檢出信號偏倚。
4.無應答偏倚（non-responsebias）即研究對象對研究內容產生不同的反應而造成的偏倚。如用通信方式調查吸煙情況，不吸煙者與吸煙者的應答率可以相差懸殊。無應答者的暴露或患病狀況與應答者可能不同。如果無應答者比例較高，則使以有應答者為對象的研究結果可能存在嚴重偏倚。所以在研究報告中必須如實說明應答率，並評價其對結果可能造成的影響。與一部分人無應答相反的情況是有一部分人特別樂意或自願接受調查或測試。這些人往往是比較關心自身健康或自覺有某種疾病，而想得到檢查機會的人。他們的特徵或經歷不能代表目標人群。由此造成的偏倚稱為志願者偏倚（volunteer bias）。
總之，無論什麼原因使觀察組與對照組成員不是來自同一總體，即可造成除研究因素以外的有關因素在兩組分布不均衡，從而造成選擇偏倚。
（二）衡量偏倚（measurement bias）或信息偏倚（information bias）
對觀察組和對照組進行觀察或測量時存在頻度和（或）強度的差異，而使最終判斷結果時出現偏倚。在非盲法觀察時，由於觀察者知道誰在觀察組，、誰在對照組，更易出現此種偏倚。
1.回憶偏倚（recall bias）特別是在病例對照研究中，需要被觀察者回憶過去的情況（甚至久遠的情況，如癌的病因學研究），回憶的准確性會受到影響。病例組可能回憶仔細（特別是當懷疑某因素與某病有關時，如吸煙、被動吸煙與某些癌的關系，口服避孕葯與下肢血栓性靜脈炎、服雌激素與子宮內膜癌等），而對照組回憶則可能不那麼仔細，尤其當研究者屢次提醒病例組有否這些因素時（誘導其回答，更容易出現偏倚－尋因性偏倚）。有時某種症狀或狀態的存在會誘導產生或加強其與某種因素的聯系，如前段所舉子宮內膜癌，得出與口服雌激素有聯系的結論即屬此，稱為疑因性偏倚（exposure suspicion bias）。
2.疑診偏倚當觀察者已知被觀察者的某些情況時，在研究時會自覺不自覺地側重詢問、檢查有關情況（如對服口服避孕葯的婦女，仔細檢查其有無下肢血栓性靜脈炎，而對有下肢血栓性靜脈炎的婦女仔細詢問其口服避孕葯的歷史）就可能得出二者有聯系的結論。但實際上可能是偏倚所致。
3.沾染偏倚（contaminationbias）對照組成員有意或無意應用了試驗組的措施。如用低鈉鹽減少鈉攝入與高血壓關系的研究時，對照組成員同樣可以購得低鈉鹽（因接受宣傳後認為低鈉鹽可以防止高血壓），從而使判斷結果時出現偏倚（沾染性偏倚）。試驗組成員有意或無意接受了研究因素以外的措施，而使結果有利於試驗組，稱為干擾。干擾與沾染最容易在非盲法觀察的條件下發生。
（三）混雜（混淆）偏倚（confounding bias）
混雜（淆）因子存在時，在分析結果時可能錯誤地把某一因素當成某一結果的原因。即是存在混雜偏倚。前節曾談到混雜因子。
混雜偏倚使研究結論不能反映真實的因果聯系。這種偏倚的產生常常是研究者專業知識局限，不了解混雜的存在，或者雖然知道，但忽略了其存在。混雜偏倚常常在資料分析階段顯露出來。因而一旦認識後是可以設法糾正的。
混雜因素：①不是要研究的暴露因素，而是研究過程中常規地被收集起來的（如年齡、性別、吸煙、飲酒等生活習慣），是一個外部變數（extraneous variable）；②是對研究的疾病的危險因素，或通過其他危險因素而間接起病因作用；③它與所研究的暴露因素之間有統計學的聯系，但二者又是獨立存在的。
應結合專業知識去考慮本次研究的結果，可能有什麼混雜因素誇大或縮小了其效應指標（RR或OR）。根據可能的混雜因素分析校正的（adjusted）RR或OR（記為aRR或aOR），以與最初所得到的粗的（crude）RR或OR（記為cRR或cOR）比較。如果aRR與cRR或aOR與cOR相近似，則此因素非混雜因素，如相差大則為混雜因素。最常用的方法為按可疑的混雜因素進行分層分析。即是將有此因素的作為一層來比較其RR或OR，而將無此因素的作為另外一層來分析。也可以比較分層前後x2值，此時用Mantel-Haen-szel法比較。如分層前後無差別，則表示分層因素非混雜因素。還可比較分層校正前OR（cOR）與校正後OR（aOR），如有差異說明分層因素為混雜因素。

控制措施：

（一）混雜偏倚
根據專業知識事先找出可能存在的混雜因素，在設計時注意去掉這些混雜因素。混雜出現在兩組分配不均勻的情況，因此，盡量做到齊同對比以防止混雜因素的作用。
在資料分析階段顯現出來的混雜偏倚，可以按前節所述的方法加以糾正，如分層分析，也可用多元回歸分析及標准化等方法加以處理，以識別混雜因素的影響。
（二）選擇偏倚及衡量（測量）偏倚
這些偏倚是在科研設計及觀察階段所產生，主要因為設計不周及（或）測量帶有傾向性而造成。帶有方向性，不能以加大樣本量加以減少，一旦形成之後即無法彌補，很可能需要重新進行。因此，從設計之初就要考慮到各個環節可能出現的偏倚，而加以防止，一般應注意以下幾點：
1.設計方案及研究方法的選擇應當選擇論證強度大的設計方案。
為避免選擇性偏倚，首先的設計方案應是隨機對照設計方案。有嚴格的診斷標准和納入標準的隊列研究方案也較好。由於病例對照研究在臨床較易執行，因此，較多使用。此時必須注意嚴格選定有代表性的研究對象（病例及對照），使病例與對照均衡，資料可靠、分析正確，或應用多因素分析方法。
2.嚴格限定納入標准規定納入與排除的標准。病例與對照的診斷應有「金標准」。盡可能採取隨機分組法。病例對照研究使用配比法，可使病例與對照組有良好的可比性。測量和判定結果時實行盲法，盡量應用客觀指標。分析時採用分層分析法及對率進行標准化等等。要有良好的科研作風及嚴謹的科學態度，爭取病人良好的依從性及減少失訪率。

② 臨床試驗過程中 控制偏倚的措施有哪些

偏倚的控制:
1、加強科學設計，在選擇對象時，盡可能採取隨機抽樣原則；進行檢查或調查時盡可能採取盲法；調查的變數盡可能採取客觀性強的指標。並注意研究對象的代表性。如果在醫院選擇病例，則盡可能多選幾所醫院進行。對無應答的對象，要設法補救並在分析時對無應答的影響作出特別分析。
2、對混雜因子的作用，在研究設計階段可採用限制和匹配的方法進行控制。在分析階段可採用分層分析方法，標准化處理或應用多因素分析方法進行處理。

③ 控制偏倚的方法有哪些

1、限制：針對某一或某些可能的混雜因素，在設計時對研究對象的入選條件予以限制。控制已知的混雜因素，不能控制未知的混雜因素。

2、匹配：在為研究對象選擇對照時，使其針對一個或多個潛在的混雜因素與研究對象相同或接近，從而消除混雜因素對研究結果的影響。

3、隨機化：指以隨機化原則使研究對象以等同的幾率被分配在各處理組中，從而使潛在的混雜因素在各組間分布均衡。

4、統計處理：混雜偏倚在資料分析階段也可以通過一定的統計處理方法予以控制。如分層分析、使用回歸模型等。

偏倚的分類

選擇偏倚：出現於研究設計階段，指由於研究對象選擇不當而使研究結果偏離真實情況而產生偏倚。研究設計上的缺陷是選擇偏倚的主要來源，在確定研究對象時表現得最為突出。常見的情況是在研究開始時實驗組和對照組就存在著除診療措施以外的差異，而缺乏可比性。

信息偏倚：又稱觀察偏倚、測量偏倚，是指研究過程中進行信息收集時產生的系統誤差。測量方法的缺陷，診斷標准不明確或資料的缺失遺漏等都是信息偏倚的來源。

混雜偏倚：流行病學研究中，由於一個或多個外來因素的存在，掩蓋或誇大了研究因素與疾病的聯系，從而部分或全部地歪曲了兩者間的真實聯系，稱之為混雜偏倚或混雜。引起混雜的因素稱為混雜因子。

④ 數據不會說謊,5大常見統計偏倚

人們常說「用數據說謊」，我要說往往數據的分析是沒問題的，但這些分析卻是建立在誇大或不實的數據之上。下面便是幾個常見的「錯進錯出」案例。

選擇偏倚

《紐約客》資深影評人寶琳?凱爾（Pauline Kael）據稱曾經在理查德?尼克松（Richard Nixon）當選美國總統後評論：「尼克松不可能贏了競選，我認識的人裡面沒一個投了他。」這句話很有可能是杜撰的，但卻很好地說明了糟糕的樣本（一群自由派朋友）會如何給更大的群體帶來錯誤的偏見（全美國的投票結果）。而這也引出了我們應該問自己的問題：如何選擇評估樣本？如果要接受評估的群體的每一個成員沒有均等的機會入選樣本，那麼最終得出的結論就將會有偏頗。以愛荷華州的民意測驗為例，這是美國總統競選中的一項慣例，在總統大選年的8月，也就是正式投票的前一個月，共和黨的候選人會來到愛荷華州的埃姆斯市（Ames）籠絡選民，選民每個人支付30美元投上一票以參與表決。愛荷華州的民意測驗結果並不能告訴我們共和黨候選人的未來。（該調查的預測在過去5次大選中只說對了3次共和黨提名候選人的結果。）為什麼？因為支付30美元投票參與這項民意測驗的愛荷華州共和黨選民跟愛荷華州的其他共和黨選民不同，而愛荷華州的共和黨選民又跟美國其他地區的共和黨選民不同。

「尼克松不可能贏了競選，我認識的人裡面沒一個投了他。」

選擇偏倚還有其他很多種形式。在機場做消費者問卷調查很可能造成偏倚，因為坐飛機的人大體上會比一般人更富裕；而在90號洲際公路上做同樣的調查問卷結果又會偏向另一端。而兩項調查都有可能出現的偏倚則是那些願意在公共場合接受問卷調查的人不同於那些不願意被打擾的人。如果你在公共場合問100個人做一份簡短的調查，其中只有60人願意，那麼這60個人跟剩下40個看都不看你一眼就走開的人在某些地方有著顯著的不同。

發表偏倚

正面的結果比負面的更有可能得到發表，而這可能會混淆我們最終所見到的結論。假設你剛剛做完了一次嚴謹的追蹤調查，得出結論認為玩視頻游戲不能預防結腸癌。在這項調查中，你花了20年的時間跟蹤訪問了作為代表性樣本的10萬個美國人；這些人當中，長時間玩視頻游戲的跟不玩兒視頻游戲的罹患結腸癌的幾率基本一致。我們假設你的研究方法完美無缺。但哪家醫學期刊會發表你的研究結論呢？

「大多數活動都不能預防結腸癌。」

答案是沒有。原因有二：第一，沒有有力的科學理由認為玩兒視頻游戲對結腸癌有什麼影響，因此你研究這個的意義不明；其次，也是更重要的一點，某件事情不能預防結腸癌不是什麼有趣的發現。畢竟，大多數東西都不能預防結腸癌。否定的結論尤其不性感，不論是在醫療領域還是其他。

而兩相抵消，就對我們看到的研究（或者說看不到的）產生了偏倚。假設你的研究生同學經過另一項追蹤調查得出了不同的結論，她發現玩視頻游戲的人確實罹患結腸癌的幾率較小。現在就有意思多了！醫學期刊要的就是這樣的論文，大眾媒體、博客寫手，還有視頻游戲的製作商（他們巴不得在自己產品的包裝上標注玩游戲有益身體健康），都在尋找這樣的內容。要不了多久，全美國的虎媽們就會紛紛奪過自己孩子手裡的書本，轉而逼迫他們玩游戲來「保護」下一代免於癌症困擾了。

當然，統計學里反復強調的一個論點是，異乎尋常的事情時而發生，這只是概率問題。如果你進行100次調查，其中有一次很可能會出現純屬無稽的結果——就像玩視頻游戲和結腸癌患病率低之間的數據關聯。而問題在於：99次發現玩游戲跟患結腸癌無關的研究都得不到發表，因為它們沒有意思，而那一次發現兩者有關聯的研究卻被印刷出來，迎來了眾多關注。偏倚的源頭並不在於研究本身，但傳達給公眾的信息卻是偏頗的。而研讀視頻游戲和癌症關聯的研究者只能發現一篇論文，而這篇論文表明的卻是玩視頻游戲能預防癌症。實際上，100項研究里有99項都找不出二者之間有任何關聯。

回憶偏倚

記憶是件奇妙的東西——盡管不能總算作優質數據的來源。人類天生就有沖動將現狀理解成過去發生的事情合乎邏輯的結果，也就是因果關系。問題出在當我們試圖去解釋某些當前特別好或者特別糟糕的結果時，記憶就會變得「系統性的不堪一擊」。例如一項研究飲食和癌症之間的關系的研究。1993年，一名哈佛大學的研究者構建了一組罹患乳腺癌的婦女和沒有被診斷出癌症的年齡匹配組女性的數據。研究人員分別詢問了這兩組女性的早年飲食習慣。研究得出了清晰的結論：患有乳腺癌的婦女在年輕時有更顯著的可能擁有高脂肪的飲食。

哈，不過，這實際上不是在研究飲食習慣對罹患癌症幾率有什麼影響。這項研究真正調查的是患上癌症如何影響了女性對自己早年飲食習慣的記憶。所有參與這項研究的女性都在多年以前，在任何人都沒有被診斷患有癌症的時候，填寫了關於其飲食習慣的調查問卷。研究的結果十分驚人，患有乳腺癌的婦女回想自己過去飲食攝入的脂肪的含量比她們實際消耗的要多得多；沒有患癌症的女性則沒有出現這種情況。

《紐約時報雜志》在描述這種記憶偏倚的隱秘本質時稱：

「罹患乳腺癌不僅改變了一位女性的當下和未來；它連她的過去也改變了。患有乳腺癌的女性（無意識地）認為高脂飲食可能是她們患病的易感原因，並且（無意識地）認為自己過去有高脂的飲食習慣。對於任何了解這種恥辱病的歷史的人而言，這一模式都熟悉得令人悲傷：和她們之前成千上萬的女性一樣，這些女性在她們自己的記憶里尋找原因，並將這個原因放置在記憶里。」

回憶偏倚是也是追蹤研究往往偏向於橫向研究（cross-sectional studies）的一個原因。在橫向研究里，數據是同時採集的。在5歲的時候，參與者會被問及他對學校的態度。然後，再過13年，我們可以重訪參與者，看他是否高中輟學。在橫向研究中，所有的數據都在同一時間點採集，研究者必須詢問18歲的高中輟學生他5歲時對學校有何看法，而這一信息固然便是不怎麼可靠的。

存活者誤差

假設一名高中校長報告說，學生中的一組特定人群在4年中（編註：美國高中有4年）考試成績穩步上升。這批人高二的得分比他們在高一時的成績好。高三那年的分數更好，高四達到了最好。我們假定不存在作弊的情況，也沒有任何創造性地運用描述性的統計數據。無論用什麼評價標准，這批學生每一年都比前一年做得更好：平均數、中位數、學生在年級水平的百分比等等。你會（A）提名這所學校的領導為「年度最佳校長」還是（B）要求提供更多的數據？

「如果你有一屋子高矮不齊的人，強迫最矮的那個離開房間會使整個房間的平均身高上升，但這樣做並不會使任何人的身高變高。」

我的話就會選（B）。我嗅到了存活者誤差的貓膩，這種情況下樣本中去掉了一些或很多觀測數據，以至於改變了整個剩下的觀測結果，因而任何基於剩餘觀測數據所做的分析也受了影響。假設我們的校長真不是個好人：他學校里的學生啥也沒學到；每年都有半數人輟學。不過，這在數學的考試分數上面看起來很是漂亮——但沒有任何一名學生實際上考得更好。有理可測，學得最差的學生（也是考試分數最低的學生）最有可能輟學，那麼考試分數的平均分會隨著更多學生輟學而穩步上升。（如果你有一屋子高矮不齊的人，強迫最矮的那個離開房間會使整個房間的平均身高上升，但這樣做並不會使任何人的身高變高。）

健康用戶誤差

每天按時吃維生素片的人更有可能身體健康——他們是每天都按時吃維生素的人！而至於維生素是否真的有益健康這又另當別論了。 想想這樣一個思考實驗。假設公共衛生官員頒布這樣一條聲明，所有的剛生了小孩兒的夫妻都能該把自己的孩子裹在紫色的睡衣里睡覺，因為這有助於刺激大腦的發育。20年後，追蹤研究證實，幼年時期穿紫色睡衣確實與今後人生中取得成功有一個特別大的正相關。比方說，我們發現，98％考上哈佛大學的新生孩童時期都穿著紫色的睡衣（現在許多人仍然這樣做），相比之下，馬薩諸塞州監獄系統里的囚犯只有3%年幼時穿紫色睡衣。

「紫色睡衣並不重要。」

當然，紫色睡衣並不重要，但擁有那種會讓孩子穿紫色睡衣的父母卻十分重要。就算試圖控制父母教育這樣的因素，研究者仍然會面臨那些執著於讓孩子穿紫色睡衣和不穿的父母之間不可觀測的差異。正如《紐約時報》健康專欄作家加里?陶布斯（Gary Taubes）解釋說，「簡單地說，問題就是踏踏實實做那些對他們有好處的事情——比如按醫囑服葯或吃他們認為有益健康的食物——的人，跟那些不這樣做的人有著根本上的不同。」這種效應有可能擾亂任何試圖評估那些被視為有益健康的活動（比如每周運動或吃羽衣甘藍）真實效果的研究。研究人員以為他們是在比較兩種飲食習慣對健康的影響：吃羽衣甘藍和不吃甘藍。但事實上，假如治療組和對照組不是隨機分配的，那麼他們在比較兩種不同的人吃兩種不同的飲食，治療組和對照組的不同有兩個方面，而不是僅僅一個。

如果說統計學家是偵探，那麼數據就是線索。我的妻子在新罕布希爾郊區的高中教了一年書。她的一個學生因為闖入一家五金店盜竊工具而被逮捕歸案，而警察之所以能破案是因為：（1）天剛剛下雪，從五金店到學生的家裡的雪上有足跡；（2）在學生家裡找到了被盜的工具。好線索幫了大忙。

就跟好數據一樣。但首先，你得有好的數據，否則一切都是空。

⑤ 信息性偏倚的控制方法有哪些(分值：6分)

信息性偏倚的控制方法有哪些？
答：1、採用盲法收集資料：在研究中，由於研究者和研究對象都易受到心理因素的影響，容易出現先入為主或思維定勢，引起信息性偏倚。使用盲法是避免研究者和研究對象發生信息性偏倚的較為有效的方法。盲法又分為單盲法和雙盲法。單盲法為僅研究者知道受試者所接受的干擾，受試者自身並不清楚，從而可避免受試者主訴時所致的報告偏倚。雙盲法是指研究者和受試者均不知道受試者發球哪一實驗組以及不知道接受的是何種干預方法。雙盲法可大大降低受試者主訴時所產生的報告偏倚和研究者作評價時所產生的診斷懷疑偏倚。如果在研究中使用盲法收集資料有一定的困難，則盡可能利用實驗室檢查結果、查閱研究對象的診療護理記錄或健康體檢記錄等作為調查信息來源。在收集資料時還可有意識地將調查范圍擴展一些，如在詢問時可同時收集一些與調查內容看似無關的變數來分散調查人員與被調查者的注意力，以減少主觀因素對信息准確性的影響。

2、制定嚴格的資料收集和質量控制方法：研究中使用的儀器、設備應提前做好質量檢測和標定；試劑、葯劑應符合測試要求；要設計科學、統一的調查表；對調查人員要進行統一的培訓，使其了解調查項目或調查內容的含義，統一標准、統一方法、統一調查技巧，以科學的態度進行資料的收集；對研究對象要做好宣傳組織工作，以取得研究對象的密切合作，如實、客觀地提供擬獲取的信息。

3、盡量使用客觀的指標：以避免研究者和研究對象人為的偏倚。如應用實驗室檢查結果、查閱研究對象的診療記錄或健康體檢記錄作為調查信息來源。在問卷調查法是唯一的收集資料的方法時，研究者應盡量採用封閉式問題進行資料的獲取。

⑥ 如何進行敏感性分析和發表偏倚分析

敏感性分析一般以Meta分析結果所繪制的森林圖為依據，把肉眼可見的與總體樣本95%CI分布差異相對較大的研究（由最明顯的開始）予以排除直至可用固定效應模型分析為止（即I方值小於等於50%，同時P大於等於0.1），如敏感性分析後依然無法用固定效應模型分析，則需通過繼續逐一排除剩餘數據樣本以動態觀測Meta分析結果變化，如結果變化不大（具體標准暫未在2014版考克蘭系統評價員手冊中有體現，我個人則是以I方和RR/SMD等統計量變化率作為判斷標准），則說明數據合並後穩健性可，可採用隨機效應模型作Meta分析，所得結論有效，但不宜過於絕對。
而敏感性分析不宜排除過多數量的數據樣本，我個人以50%作臨界值，如一個結局指標需要排除至少50%的納入研究數據樣本，方能使數據合並結果穩健，則說明原始納入研究異質性大，無法明確所有納入研究在該結局指標的測量標准、方法基本一致。同時敏感性分析後剩餘數據樣本數我個人認為最好大於等於3，以便能獲取較有說服力的Meta分析結果。
當然我也比較同意上一個答案的觀點，敏感性分析的納入研究排除標准可參照Jadad質量評分或RoB風險偏倚評估結果，但我認為應補充一個前提：納入研究中需有相當部分高質量研究，即Jadad評分大於等於4分（滿分7分）或符合Standard RCT標准（兼有隨機化、盲法、安慰劑三要素），如納入研究方法學質量普遍不高，則通過參照方法學質量評價結果進行敏感性分析的做法意義不大。
發表性偏倚目前主要通過倒漏斗圖法判斷，當然也有Egger&Begger』s Test，可將偏倚程度量化（適用於納入數據數小於10的結局指標，然而RevMan無法做此檢驗），發表性偏倚一般用於對納入數據樣本數（敏感性分析後）大於等於10結局指標的討論。
個人的小小體會：系統評價/Meta分析並沒有太多固定的模版，每個研究者所關注的點可以不一樣，但最好做到有理有據，能自圓其說。
以上謹為個人粗淺看法，如有紕漏之處，歡迎指正！

⑦ 偏倚的控制方法有哪些

偏倚的控制:

1、加強科學設計，在選擇對象時，盡可能採取隨機抽樣原則；進行檢查或調查時盡可能採取盲法；調查的變數盡可能採取客觀性強的指標。並注意研究對象的代表性。如果在醫院選擇病例，則盡可能多選幾所醫院進行。對無應答的對象，要設法補救並在分析時對無應答的影響作出特別分析。

2、對混雜因子的作用，在研究設計階段可採用限制和匹配的方法進行控制。在分析階段可採用分層分析方法，標准化處理或應用多因素分析方法進行處理。

⑧ 隨機抽樣方法主要有

簡單隨機抽樣的優點是能獲得良好代表性的研究樣本，操作實施也比較容易理解；其缺點是在抽樣范圍較大時，需要對總體中每個研究對象進行編號並收集基本信息，工作量太大從而影響研究可行性。另一方面，當某一重要研究因素在人群中分布不均勻時，採用簡單隨機抽樣可能會導致在總體中佔比例較少的個體被遺漏，從而導致選擇偏倚。分層抽樣則可以很好地解決這一問題。

分層抽樣（Stratified Sampling）是從分布不均勻的研究人群中抽取有代表性樣本的方法。先按照研究對象的屬性（如年齡、性別、病情、病程、臨床亞型、職業、教育程度、民族等）將研究人群分為若干層，然後在每層內再開展隨機抽樣。

一定要注意，分層抽樣要求層內變異越小越好，層間變異越大越好，這樣可以提高樣本的代表性，便於層間進行比較。分層隨機抽樣不能保證每個個體被抽中的概率相等，有可能處於不同分層之間的個體被抽中概率是不同的。

系統隨機抽樣也稱機械隨機抽樣或等距隨機抽樣，即將總體單位按某一標志(如時間)排序，然後按一定間隔來隨機抽取樣本單位。例如，要從100件產品中抽取10件組成樣本，首先將100件產品按某一標志排序，順序編號為1~100;然後用抽簽或查隨機數表的方法確定1~10號中入選樣本的編號(假定為4號);然後按等距原則依次確定入選樣本的產品編號為14、24、34、44、54、64、74、84、94;最後由編號為4、14、24、34、44、54、64、74、84、94的10件產品組成樣本。

整群抽樣又稱聚類抽樣，是將總體中各單位歸並成若干個互不交叉、互不重復的集合，稱之為群。然後以群為抽樣單位抽取樣本的一種抽樣方式。應用整群抽樣時，要求各群有較好的代表性，即群內各單位的差異要大，群間差異要小。