The V Lab

1 如何使用本教程

本教程面向流行病学、公共卫生、临床研究及健康数据分析的初学者，也可作为研究设计与基础统计的速查资料。读完后，你应当能够：

用“人群—时间—地点”描述健康事件，并区分患病率、累积发病率与发病密度；
从标准的 $2\times2$ 表计算风险比、优势比、风险差及其置信区间；
根据研究问题选择横断面、病例对照、队列或随机试验设计；
识别偏倚、混杂与效应修饰，并理解为什么“调整更多变量”不一定更好；
解释筛查试验的灵敏度、特异度、预测值和似然比；
概述暴发调查、监测和基础因果推断的工作流程；
用 R 完成数据检查、描述、效应量估计和基础回归分析；
将一个宽泛主题转化为可检验、合乎伦理且可复现的研究问题。

所有代码块均可逐段运行。点击 HTML 页面左侧目录可快速跳转；代码示例只使用 R 自带的 base、stats、graphics 和 datasets，不要求额外分析包。

本教程用于学习与研究规划，不能替代临床判断、当地公共卫生规范、统计咨询或伦理审查。面对真实数据，应预先写明研究方案，并依据抽样设计、重复测量、聚类、删失及缺失机制选择合适方法。

2 流行病学是什么？

流行病学（epidemiology）研究特定人群中健康相关状态或事件的分布、决定因素及其应用。它不仅回答“有多少人患病”，还回答“谁更常患病、何时发生、在哪里发生、为什么发生，以及怎样预防或控制”。

2.1 核心视角

人群（population）：分母是谁？哪些人有机会成为病例？
时间（time）：观察窗口多长？暴露发生在结局之前吗？
地点（place）：地理、工作场所、医疗机构或社会环境是否重要？
比较（comparison）：没有合理对照，就很难把背景风险与暴露效应区分开。
应用（application）：证据最终服务于预防、诊断、治疗、政策和资源配置。

流行病学常分为：

描述性流行病学：描述疾病在人、时间、地点上的分布，提出假设；
分析性流行病学：比较人群以检验暴露—结局假设；
实验流行病学：研究者分配干预，例如随机对照试验；
应用/现场流行病学：在时间压力下开展监测、暴发调查与控制。

2.2 从概念到可分析变量

一个清楚的研究问题通常可用 PECO/PICO(T) 表达：

元素	含义	示例
P	Population，人群	2025 年某省 18–65 岁医护人员
E/I	Exposure/Intervention，暴露或干预	每周夜班 ≥3 次 / 疫苗接种
C	Comparator，对照	每周夜班 <3 次 / 未接种
O	Outcome，结局	新发抑郁症状 / 实验室确诊感染
T	Time，时间	随访 12 个月

研究对象（study sample）来自目标人群（target population）。内在效度关注样本中的结论是否可信；外在效度关注结论能否推广到目标人群或其他场景。

3 疾病频率与人群负担

3.1 比、比例与率

比（ratio）：分子不必属于分母，例如男女病例数之比。
比例（proportion）：分子属于分母，范围通常为 0–1，例如患病率。
率（rate）：包含时间维度，表示事件发生速度，例如每 1,000 人年 4.2 例。

报告任何频率时都应写明：病例定义、分母、时间区间、地理/机构范围和倍数单位（每百人、每千人或每十万人）。

3.2 患病率

点患病率： $P = \dfrac{\text{某一时点现患病例数}}{\text{同一时点被观察人群数}}$

期间患病率： $P_{period} = \dfrac{\text{期间内曾患病的人数}}{\text{期间内平均或适当人群数}}$

患病率反映“现有负担”，同时受发病速度和病程影响。在稳态、罕见疾病且人群相对封闭时，常用近似关系：

$P \approx I \times D$

其中 $I$ 为发病率， $D$ 为平均病程。治疗延长生存可能提高患病率，却不代表新发病例增加。

3.3 累积发病率（风险）与发病密度

累积发病率（risk）： $CI = \dfrac{\text{观察期内新发病例数}}{\text{期初处于风险中的人数}}$

发病密度（incidence rate）： $IR = \dfrac{\text{观察期内新发病例数}}{\text{所有个体贡献的人时总和}}$

累积发病率是一个概率，必须配合随访时长；发病密度是发生速度，适用于进入、退出和随访时长不一致的开放队列。一个人在发生首次结局、失访、死亡或研究结束时停止贡献该结局的人时。

# 一个小型队列：每行是一名参与者
cohort_small <- data.frame(
  id = 1:8,
  # 未发病者均完整随访 2 年；病例在发病时停止贡献人时。
  follow_years = c(2.0, 1.5, 2.0, 0.5, 2.0, 2.0, 0.8, 2.0),
  new_case = c(0, 1, 0, 1, 0, 0, 1, 0)
)

risk_2y <- sum(cohort_small$new_case) / nrow(cohort_small)
incidence_rate <- sum(cohort_small$new_case) / sum(cohort_small$follow_years)

c(two_year_risk = risk_2y,
  cases_per_person_year = incidence_rate,
  cases_per_1000_person_years = incidence_rate * 1000)

##               two_year_risk       cases_per_person_year cases_per_1000_person_years
##                      0.3750                      0.2344                    234.3750

这里所有未发病者都完成了 2 年随访，因此可直接用期初人数计算 2 年风险；病例只贡献至发病时的人时。真实队列存在失访或删失时，通常应使用生命表或 Kaplan–Meier 等方法估计固定时点风险，而不能简单把病例数除以期初人数。

3.4 死亡、生存与综合负担指标

粗死亡率：一定时期全部死亡数 / 人时或年中人口；
病因别死亡率：某病因死亡数 / 总人口；
病死率（case fatality proportion）：确诊病例中因该病死亡的比例，反映严重程度，严格说是比例而非瞬时率；
婴儿死亡率：某年未满 1 岁死亡数 / 同年活产数（常乘 1,000）；
超额死亡：观察死亡数减去根据历史趋势和季节性预期的死亡数；
DALY（伤残调整寿命年）： $DALY=YLL+YLD$ ，即早死损失年与伤残生存年之和；
QALY（质量调整寿命年）：生存时间乘以健康效用权重，常用于卫生经济学。

3.5 粗率为什么可能误导：年龄标化

两个地区年龄结构不同，粗死亡率不可直接比较。直接标化把各地区的年龄别率应用到同一个标准人口。

std <- data.frame(
  age = c("0-39", "40-64", "65+"),
  cases_A = c(12, 80, 220), pop_A = c(6000, 3000, 1000),
  cases_B = c(6, 60, 300),  pop_B = c(3000, 3000, 4000),
  standard_population = c(5000, 3000, 2000)
)

std$rate_A <- std$cases_A / std$pop_A
std$rate_B <- std$cases_B / std$pop_B

crude_A <- sum(std$cases_A) / sum(std$pop_A)
crude_B <- sum(std$cases_B) / sum(std$pop_B)
adjusted_A <- weighted.mean(std$rate_A, std$standard_population)
adjusted_B <- weighted.mean(std$rate_B, std$standard_population)

round(1000 * c(crude_A = crude_A, crude_B = crude_B,
               age_adjusted_A = adjusted_A, age_adjusted_B = adjusted_B), 2)

##        crude_A        crude_B age_adjusted_A age_adjusted_B
##           31.2           36.6           53.0           22.0

间接标化则把标准人群年龄别率用于研究人群，得到预期病例/死亡数；标准化死亡比 $SMR=观察死亡数/预期死亡数$ 。标化率是比较工具，不一定是某个真实人群的实际率。

4 暴露与结局的关联测量

4.1 标准 $2\times2$ 表

	结局 +	结局 −	合计
暴露 +	$a$	$b$	$a+b$
暴露 −	$c$	$d$	$c+d$

常见效应量：

暴露组风险： $R_1=a/(a+b)$ ；未暴露组风险： $R_0=c/(c+d)$

风险比： $RR=R_1/R_0$

风险差： $RD=R_1-R_0$

优势比： $OR=(a/b)/(c/d)=ad/(bc)$

暴露者归因分值（有害暴露）： $AF_e=(RR-1)/RR$

人群归因分值： $PAF=(R_p-R_{p,0})/R_p$ ，其中 $R_{p,0}$ 是全人群在消除暴露情景下的反事实风险

比值型指标（RR、OR）描述相对强度；差值型指标（RD）描述绝对影响，往往更直接地支持临床和政策决策。归因分值需要因果解释成立；只有在可交换性等额外条件下，观察到的未暴露组风险才可用于估计 $R_{p,0}$ 。对一个明确的随访时点，若干预有益，可报告相对风险降低 $1-RR$ 、绝对风险降低 $R_0-R_1$ 和获益所需治疗人数 $NNTB=1/(R_0-R_1)$ ；若风险增加，则报告伤害所需人数 $NNH=1/(R_1-R_0)$ 。NNTB/NNH 通常向上取至下一个整数；方向和时间范围都不能被 $1/|RD|$ 隐去。

# 行：暴露/未暴露；列：病例/非病例
tab <- matrix(c(40, 160,
                20, 180),
              nrow = 2, byrow = TRUE,
              dimnames = list(exposure = c("Exposed", "Unexposed"),
                              outcome = c("Case", "Non-case")))
tab

##            outcome
## exposure    Case Non-case
##   Exposed     40      160
##   Unexposed   20      180

a <- tab[1, 1]; b <- tab[1, 2]
c_ <- tab[2, 1]; d <- tab[2, 2]
r1 <- a / (a + b)
r0 <- c_ / (c_ + d)
rr <- r1 / r0
rd <- r1 - r0
or <- (a * d) / (b * c_)
afe <- (rr - 1) / rr

c(risk_exposed = r1, risk_unexposed = r0,
  risk_ratio = rr, risk_difference = rd,
  odds_ratio = or, attributable_fraction_exposed = afe)

##                  risk_exposed                risk_unexposed                    risk_ratio
##                          0.20                          0.10                          2.00
##               risk_difference                    odds_ratio attributable_fraction_exposed
##                          0.10                          2.25                          0.50

4.2 95% 置信区间

大型样本下可在对数尺度为 RR 和 OR 构造近似置信区间：

se_log_rr <- sqrt(1/a - 1/(a+b) + 1/c_ - 1/(c_+d))
rr_ci <- exp(log(rr) + c(-1, 1) * 1.96 * se_log_rr)

se_log_or <- sqrt(1/a + 1/b + 1/c_ + 1/d)
or_ci <- exp(log(or) + c(-1, 1) * 1.96 * se_log_or)

result <- data.frame(
  measure = c("RR", "OR"), estimate = c(rr, or),
  lower_95 = c(rr_ci[1], or_ci[1]), upper_95 = c(rr_ci[2], or_ci[2])
)
result[c("estimate", "lower_95", "upper_95")] <-
  round(result[c("estimate", "lower_95", "upper_95")], 3)
result

若任何格子为 0，小样本近似可能失效；应考虑精确方法或有依据的连续性校正。置信区间体现与数据和模型相容的效应范围，并不是“真值有 95% 概率落在该区间”的频率学派解释。

4.3 RR、OR、率比和危险比（hazard ratio）不要混用

RR 比较一段固定时间内的风险；
OR 比较优势（odds），是病例对照研究和 logistic 回归的自然参数；当结局常见时，OR 会比 RR 更远离 1，不能直接称为风险倍数；
发病率比（IRR） 比较人时率，常由 Poisson 回归估计；
危险比（hazard ratio, HR） 比较给定时刻、尚未发生结局者的瞬时危险，通常来自 Cox 模型；比例危险假设不成立时，单个 HR 难以概括全程。

优秀报告通常同时给出相对效应、绝对效应、95% 置信区间，以及一个有意义的基线风险。例如“RR=0.70”不如“风险从 10% 降至 7%，RR=0.70，RD=-3 个百分点”完整。

5 研究设计：从问题选择证据结构

5.1 主要设计比较

设计	如何选人/测量	最自然的指标	优点	主要局限
生态研究	比较群体层面的暴露与结局	群体率相关/率比	快速、适合政策或环境暴露	生态谬误、群体混杂
横断面研究	同一时点测暴露和结局	患病率、患病率比	描述负担、成本较低	时间顺序不清、幸存者偏倚
病例对照研究	按结局选病例和对照，回顾暴露	OR	适合罕见病、潜伏期长、可研究多个暴露	不能直接算风险；选择/回忆偏倚
队列研究	按暴露状态随访新发结局	风险、率、RR、RD、HR	时间顺序明确，可研究多个结局	失访、时间变化混杂、成本高
随机对照试验	随机分配干预并随访	RR、RD、HR	随机化可平衡已知和未知混杂	伦理、依从性、推广性与成本
准实验/自然实验	利用政策或外生变化	差分、断点、工具变量效应	当随机化不可行时增强因果解释	设计假设通常不可直接验证

5.2 横断面研究

适合问题：“2026 年某市成年人高血压患病率是多少？”抽样框与加权决定估计能否代表目标人群。对持续时间长的疾病，横断面样本更容易捕捉长期存活病例，因此不适合简单推断病因时间顺序。

5.3 病例对照研究

病例应来自明确定义的来源人群；对照应代表该来源人群产生病例的暴露分布。对照不是“没有任何疾病的人”，而是若其成为病例也会被研究纳入的人。病例对照研究中不能从抽取后的病例、对照比例直接计算发病风险。采用风险集（发病密度）抽样时，OR 可在不要求结局罕见的情况下估计发病率比；采用期末非病例作对照的累积抽样时，OR 估计疾病优势比，只有结局罕见且其他假设合适时才近似风险比。

常见变体包括巢式病例对照（nested case-control）和病例—队列（case-cohort），可节约昂贵的生物标志物测量。

5.4 队列研究

队列可以是前瞻性或回顾性；两者都要求暴露信息在结局发生之前。设计时要定义：时间零点、纳入/排除标准、结局判定、随访机制和删失规则。避免让暴露组获得一段“必然存活”的时间而对照组没有，从而产生不死时间偏倚。

5.5 随机试验与准实验

随机化的目标是产生可交换组；分配隐藏防止入组选择，盲法降低测量和行为差异。主要分析通常遵循意向治疗（intention-to-treat），保留随机化带来的可比性；按方案分析回答的是不同问题，易受依从性相关混杂影响。

集群随机试验需考虑组内相关；交叉试验需考虑洗脱期和残留效应；阶梯楔形设计需处理日历时间趋势。

5.6 诊断、预后与证据综合研究

诊断准确性研究：在目标临床谱系中，将待评价试验与参考标准盲法比较；
预后研究：从明确起点随访，预测未来结局；需评估校准与区分度，并做外部验证；
系统综述/Meta 分析：系统检索、选择、评价并合并可比研究；异质性与发表偏倚不能靠一个合并数字消除。

5.7 设计选择的实用规则

先明确要估计的量（estimand），再选设计和模型；
罕见结局且潜伏期长：病例对照通常高效；
罕见暴露：暴露定义的队列更合适；
描述当前负担：有代表性的横断面调查；
评价可分配且合乎伦理的干预：优先随机试验；
评价已实施政策：考虑受控中断时间序列、差分中的差分或回归不连续，但需明确假设；
任何设计都不能仅靠复杂模型修复根本性的错误抽样或错误测量。

6 误差、偏倚、混杂与效应修饰

6.1 随机误差与系统误差

随机误差影响精确度，通常可通过扩大有效样本量、提高测量重复性而降低；系统误差（偏倚）影响效度，样本再大也不会自动消失。一个估计可以很精确但严重偏倚。

6.2 选择偏倚

当纳入、留存或分析的概率同时与暴露和结局相关时，比较组可被扭曲。例子包括：

住院病例与不代表来源人群的健康对照（Berkson 偏倚）；
队列中与暴露和结局均相关的差异性失访；
仅分析完整病例，而缺失与健康状态和暴露有关；
只纳入幸存者，遗漏早期死亡；
在暴露和结局的共同后果（碰撞点，collider）上选择或调整。

改善方法主要来自设计：清楚来源人群、提高参与与随访、对两组用相同纳入规则、记录未参与原因。分析中可采用逆概率加权或敏感性分析，但依赖额外假设。

6.3 信息偏倚与误分类

回忆偏倚：病例比对照更仔细回忆既往暴露；
观察者/访谈者偏倚：知道分组后询问或判断不同；
检测偏倚：某组接受更频繁检查；
社会赞许性偏倚：低报污名化行为；
数据源改变：编码规则、检测能力或电子病历系统随时间变化。

非差异性误分类并非总是把效应推向无效值；这一经验规则主要适用于某些二分类、独立误分类的简单情形。使用验证过的量表、统一培训、校准仪器、盲法判定和验证子研究可减少问题。

6.4 混杂

混杂因素通常满足：与暴露相关、是结局的原因或代理原因、且不在目标暴露的因果路径上。混杂是暴露组与对照组在“本来会发生什么”上的不可比性。

控制方法：

设计阶段：随机化、限制、匹配；
分析阶段：分层、标准化、多变量回归、倾向评分、逆概率加权、g 方法；
无论何种方法，都无法自动控制未测量或测量很差的混杂。

# 2 x 2 x 2 表：暴露 x 结局 x 基线风险层
strata_tab <- array(
  0, dim = c(2, 2, 2),
  dimnames = list(
    exposure = c("Exposed", "Unexposed"),
    outcome = c("Case", "Non-case"),
    baseline_risk = c("Low", "High")
  )
)
strata_tab[, , "Low"] <- matrix(c(9, 81, 10, 180), nrow = 2, byrow = TRUE)
strata_tab[, , "High"] <- matrix(c(60, 40, 29, 71), nrow = 2, byrow = TRUE)

rr_from_table <- function(x) {
  (x[1, 1] / sum(x[1, ])) / (x[2, 1] / sum(x[2, ]))
}

crude_tab <- apply(strata_tab, c(1, 2), sum)
c(crude_RR = rr_from_table(crude_tab),
  low_stratum_RR = rr_from_table(strata_tab[, , "Low"]),
  high_stratum_RR = rr_from_table(strata_tab[, , "High"]))

##        crude_RR  low_stratum_RR high_stratum_RR
##           2.700           1.900           2.069

# Cochran–Mantel–Haenszel 检验给出共同 OR（不是共同 RR）
mantelhaen.test(strata_tab)

##
##  Mantel-Haenszel chi-squared test with continuity correction
##
## data:  strata_tab
## Mantel-Haenszel X-squared = 20, df = 1, p-value = 0.000009
## alternative hypothesis: true common odds ratio is not equal to 1
## 95 percent confidence interval:
##  1.902 5.105
## sample estimates:
## common odds ratio
##             3.116

这个示例中两个层内 RR 接近 2，而粗 RR 更大，提示混杂。实际判断不应机械使用“变化 10%”规则；应依据因果知识、DAG、测量质量和目标效应决定调整集。

6.5 效应修饰（交互）

如果暴露效应在不同人群层真实不同，例如某药物在有无特定基因型者中的风险差不同，这叫效应修饰或效应异质性。它不是必须“消除”的偏倚，而是值得报告的发现。

交互依赖尺度：风险差尺度可能有交互，而风险比尺度没有，反之亦然。因此必须说明使用加法尺度还是乘法尺度，并报告各层效应和置信区间，而不只给一个交互项 $p$ 值。

6.6 用 DAG 思考变量角色

简化因果图：

混杂因素 C ──► 暴露 E ──► 中介 M ──► 结局 Y
      └──────────────────────────► Y

暴露 E ──► 碰撞点 S ◄── 结局 Y

估计总效应时，通常应阻断暴露—结局的共同原因路径；
不应随意调整中介，因为它会截断部分目标总效应；
不应调整碰撞点或仅在碰撞点上选择，因为会打开非因果路径；
时间变化变量可能同时是既往暴露的后果和未来暴露—结局的混杂，此时普通回归可能不够。

7 筛查与诊断准确性

7.1 基本 $2\times2$ 表与指标

	真实有病	真实无病
检测阳性	真阳性 TP	假阳性 FP
检测阴性	假阴性 FN	真阴性 TN

灵敏度 $Se=TP/(TP+FN)$ ；特异度 $Sp=TN/(TN+FP)$

阳性预测值 $PPV=TP/(TP+FP)$ ；阴性预测值 $NPV=TN/(TN+FN)$

阳性似然比 $LR^{+}=Se/(1-Sp)$ ；阴性似然比 $LR^{-}=(1-Se)/Sp$

灵敏度与特异度通常相对不依赖患病率，但会受疾病谱、验证方式和阈值影响。预测值强烈依赖被测人群的检测前概率（pre-test probability）。

diagnostic_metrics <- function(tp, fp, fn, tn) {
  sensitivity <- tp / (tp + fn)
  specificity <- tn / (tn + fp)
  ppv <- tp / (tp + fp)
  npv <- tn / (tn + fn)
  c(sensitivity = sensitivity, specificity = specificity,
    PPV = ppv, NPV = npv,
    LR_positive = sensitivity / (1 - specificity),
    LR_negative = (1 - sensitivity) / specificity)
}

round(diagnostic_metrics(tp = 90, fp = 180, fn = 10, tn = 720), 3)

## sensitivity specificity         PPV         NPV LR_positive LR_negative
##       0.900       0.800       0.333       0.986       4.500       0.125

7.2 同一检测在不同患病率下的预测值

由贝叶斯公式：

$PPV=\frac{Se\times Prev}{Se\times Prev+(1-Sp)\times(1-Prev)}$

predictive_values <- function(prevalence, sensitivity = 0.90, specificity = 0.80) {
  ppv <- sensitivity * prevalence /
    (sensitivity * prevalence + (1 - specificity) * (1 - prevalence))
  npv <- specificity * (1 - prevalence) /
    ((1 - sensitivity) * prevalence + specificity * (1 - prevalence))
  data.frame(prevalence, PPV = ppv, NPV = npv)
}

pv <- predictive_values(c(0.01, 0.05, 0.10, 0.30, 0.50))
round(pv, 3)

低患病率人群即使使用不错的检测，也可能出现大量假阳性。这正是筛查阳性通常需要确认性检测的原因。

7.3 阈值、ROC 与筛查项目评价

降低阳性阈值通常提高灵敏度、降低特异度。ROC 曲线画出所有阈值下的灵敏度对 $1-$ 特异度；AUC 描述随机抽取一名病例和一名非病例时，病例检测值更高的概率。AUC 不直接告诉你某一临床阈值是否合适，也不体现误诊代价或患病率。

set.seed(20260810)
status <- rep(c(0, 1), each = 250)  # 0=无病，1=有病
marker <- c(rnorm(250, 0, 1), rnorm(250, 1.5, 1))
# 加入正负无穷阈值，确保 ROC 包含 (0,0) 和 (1,1) 两个端点。
thresholds <- c(Inf, sort(unique(marker), decreasing = TRUE), -Inf)

threshold_result <- do.call(rbind, lapply(thresholds, function(t) {
  positive <- marker >= t
  data.frame(
    threshold = t,
    sensitivity = mean(positive[status == 1]),
    specificity = mean(!positive[status == 0])
  )
}))

par(family = cjk_font)
plot(1 - threshold_result$specificity, threshold_result$sensitivity,
     type = "l", lwd = 2, xlim = c(0, 1), ylim = c(0, 1),
     xlab = "1 - 特异度（假阳性率）", ylab = "灵敏度",
     main = "模拟检测的 ROC 曲线")
abline(0, 1, lty = 2, col = "gray50")

筛查项目成立不仅要求检测准确，还要求疾病重要、存在可识别的早期阶段、早期干预优于症状后干预、后续诊断与治疗可及，并且总体获益超过过度诊断、假阳性、焦虑和资源占用等伤害。比较筛查后“确诊者生存时间”尤其要警惕领先时间偏倚、病程长度偏倚和过度诊断。

8 公共卫生监测与暴发调查

8.1 监测系统基础

公共卫生监测是持续、系统地收集、分析、解释并传播健康数据以指导行动。常见形式：

被动监测：常规报告，成本低但漏报较多；
主动监测：主动联系报告单位，完整性高但资源密集；
哨点监测：选定机构深入监测趋势，未必代表总体；
症候群监测：在确诊前利用症状、急诊或药品数据提高及时性；
实验室/基因组监测：追踪病原体、变异和传播链。

评价维度包括简单性、灵活性、可接受性、数据质量、灵敏度、阳性预测值、代表性、及时性和稳定性。病例定义在监测中应保持一致；定义变化会制造人为趋势。

8.2 暴发调查的典型步骤

准备现场工作并建立多学科团队；
确认诊断，判断病例数是否超过预期；
制定包含人员、地点、时间和临床/实验室标准的病例定义；
主动发现病例并建立 line list（一行一个病例）；
按时间、地点和人群描述，绘制流行曲线和地图；
根据描述资料和机制提出假设；
用队列或病例对照研究检验假设；
必要时进行环境、食品、实验室和基因组调查；
立即实施控制措施；不必等到全部分析结束；
持续监测、透明沟通并形成书面报告。

病例定义用于一致分类，不等同于临床诊断标准。早期调查可用敏感定义找全病例，分析阶段可采用更特异的“可能/确诊”分层。

8.3 流行曲线示例

set.seed(42)
onset <- as.Date("2026-06-01") + round(c(
  rnorm(45, mean = 3, sd = 0.8),
  rnorm(12, mean = 7, sd = 1.2)
))
onset <- onset[onset >= as.Date("2026-06-01")]
date_levels <- seq(min(onset), max(onset), by = "day")
daily_cases <- table(factor(onset, levels = date_levels))

par(family = cjk_font, mar = c(6, 4, 4, 2) + 0.1)
barplot(daily_cases, las = 2, col = "steelblue",
        names.arg = format(date_levels, "%m-%d"), cex.names = 0.8,
        xlab = "发病日期", ylab = "病例数",
        main = "模拟暴发的流行曲线")

单峰、陡升缓降可提示点源暴露；持续平台可能提示持续共同来源；多个相隔约一个潜伏期的波峰可能提示人际传播。但曲线形状还受病例发现、报告延迟和样本量影响，不能单独证明传播模式。

8.4 聚餐暴发：食物特异攻击率

food <- data.frame(
  item = c("鸡肉", "沙拉", "甜点", "饮用水"),
  ill_ate = c(35, 28, 22, 30),
  total_ate = c(50, 70, 40, 80),
  ill_not_ate = c(5, 12, 18, 10),
  total_not_ate = c(50, 30, 60, 20)
)
food$attack_rate_ate <- food$ill_ate / food$total_ate
food$attack_rate_not_ate <- food$ill_not_ate / food$total_not_ate
food$risk_ratio <- food$attack_rate_ate / food$attack_rate_not_ate
food[ , c("item", "attack_rate_ate", "attack_rate_not_ate", "risk_ratio")]

高 RR、合理潜伏期和生物学机制共同支持可疑食物，但共食模式可能造成混杂。例如几乎所有吃鸡肉者也吃沙拉，就需要分层或多变量分析，并结合食品追踪和实验室证据。

传播动力学中，基本再生数 $R_0$ 指全易感人群中一个典型感染者产生的平均继发感染数；有效再生数 $R_t$ 随免疫、行为和干预变化。它们依赖模型、场景与时间，不是病原体固定常数。

9 因果推断基础

9.1 先定义目标效应

潜在结局框架把每个人在暴露 $A=1$ 与 $A=0$ 下的潜在结局记为 $Y^1$ 和 $Y^0$ 。个体因果效应无法同时观察，但可定义总体平均处理效应：

$ATE=E(Y^1-Y^0)$

研究前应写清：目标人群、处理策略、对照策略、结局、随访期限、汇总尺度和如何处理竞争事件。否则“暴露的影响”过于含糊。

9.2 识别因果效应的关键条件

一致性（consistency）：个体实际接受某明确版本的处理时，观察结局等于相应潜在结局；
可交换性（exchangeability）：条件于充分混杂集后，处理组与对照组在潜在结局上可比；
正值性（positivity）：每种混杂因素组合下，两种处理都有非零概率；
无干扰（no interference）：一个人的处理不影响另一个人的结局。传染病、群体免疫等场景常不满足，需明确建模；
正确测量与模型：关键变量需定义清楚，分析模型足以表达数据结构。

这些条件大多不能完全由数据检验，必须结合领域知识、设计和敏感性分析论证。

9.3 目标试验思维

观察性研究可先写一个理想“目标试验”：资格标准、处理策略、分配程序、时间零点、随访、结局和分析方案，再尽量用观察数据模拟。务必让资格判断、暴露分配和随访起点对齐，否则容易引入不死时间偏倚。

9.4 常见调整方法的直觉

结局回归：在模型中条件于混杂因素，再标准化到目标人群；
倾向评分：估计 $P(A=1\mid L)$ ，用于匹配、分层、加权或协变量调整；
逆概率处理加权（IPTW）：建立一个暴露与已测混杂近似独立的伪总体；极端权重提示正值性或模型问题；
双重稳健方法：结合处理与结局模型，在特定条件下一个模型正确即可一致；
工具变量：需要相关性、排除限制和独立性等强假设，通常估计特定人群的局部效应；
负对照与定量偏倚分析：用于探查或量化未控制偏倚，但不能神奇地证明无偏。

9.5 关联不等于因果，但关联是证据的一部分

时间顺序、效应大小、一致性、剂量反应、生物学合理性、实验与自然实验等可增强解释，但没有一张机械清单能“判定因果”。关键是：明确因果问题、设计可比对照、陈述识别假设、分析假设违背的方向与程度，并进行三角验证（triangulation）。

10 R 中的基础流行病学分析流程

10.1 可重复工作流

预先制定方案：问题、主要结局、暴露、调整集、亚组、样本量和分析计划；
保留原始数据只读副本：所有清洗通过脚本生成分析数据；
数据字典：变量含义、单位、编码、缺失码、时间窗口和来源；
导入检查：行列数、唯一标识、重复、范围、日期和逻辑一致性；
描述数据：纳入流程、缺失、暴露组基线特征、结局频率与人时；
估计主效应：先粗效应，再按预设调整；报告效应量与区间；
模型诊断与稳健性分析：函数形式、过度离散、影响点、非比例风险、不同定义与缺失处理；
诚实报告：区分预设与探索性分析，讨论偏倚方向、推广范围和实际意义；
可复现输出：固定随机种子、记录 R 版本、由同一脚本生成表图和正文。

# 分析结束时记录软件环境；在最终 HTML 中会留下版本信息
sessionInfo()

## R version 4.6.1 (2026-06-24)
## Platform: aarch64-apple-darwin23
## Running under: macOS Tahoe 26.5.1
##
## Matrix products: default
## BLAS:   /Library/Frameworks/R.framework/Versions/4.6/Resources/lib/libRblas.0.dylib
## LAPACK: /Library/Frameworks/R.framework/Versions/4.6/Resources/lib/libRlapack.dylib;  LAPACK version 3.12.1
##
## locale:
## [1] C.UTF-8/C.UTF-8/C.UTF-8/C/C.UTF-8/C.UTF-8
##
## time zone: America/Edmonton
## tzcode source: internal
##
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base
##
## other attached packages:
## [1] survival_3.8-6
##
## loaded via a namespace (and not attached):
##  [1] digest_0.6.39   R6_2.6.1        fastmap_1.2.0   Matrix_1.7-5    xfun_0.60
##  [6] lattice_0.22-9  splines_4.6.1   cachem_1.1.0    knitr_1.51      htmltools_0.5.9
## [11] rmarkdown_2.31  lifecycle_1.0.5 cli_3.6.6       grid_4.6.1      sass_0.4.10
## [16] jquerylib_0.1.4 compiler_4.6.1  tools_4.6.1     evaluate_1.0.5  bslib_0.12.0
## [21] yaml_2.3.12     rlang_1.3.0     jsonlite_2.0.0

10.2 数据质量检查示例

set.seed(123)
dat <- data.frame(
  id = c(1:9, 9),
  age = c(24, 31, 45, 52, NA, 67, 39, 150, 28, 28),
  exposed = c(0, 1, 1, 0, 1, 0, 1, 0, 1, 1),
  outcome = c(0, 0, 1, 0, 1, 1, 0, 1, NA, NA)
)

c(n_rows = nrow(dat), n_unique_id = length(unique(dat$id)),
  duplicate_id = sum(duplicated(dat$id)))

##       n_rows  n_unique_id duplicate_id
##           10            9            1

colSums(is.na(dat))

##      id     age exposed outcome
##       0       1       0       2

dat[is.na(dat$age) | dat$age < 0 | dat$age > 120, ]

发现异常后应回到来源核验，而不是静默删除。预先区分“不适用”“拒答”“未知”“未测量”等缺失原因。

10.3 描述性统计与图形

连续变量不应只因惯例报告均值；先看分布。偏态数据可用中位数和四分位距。分类变量同时报告分子和分母，尤其当缺失导致分母变化时。

data(esoph, package = "datasets")
str(esoph)

## 'data.frame':    88 obs. of  5 variables:
##  $ agegp    : Ord.factor w/ 6 levels "25-34"<"35-44"<..: 1 1 1 1 1 1 1 1 1 1 ...
##  $ alcgp    : Ord.factor w/ 4 levels "0-39g/day"<"40-79"<..: 1 1 1 1 2 2 2 2 3 3 ...
##  $ tobgp    : Ord.factor w/ 4 levels "0-9g/day"<"10-19"<..: 1 2 3 4 1 2 3 4 1 2 ...
##  $ ncases   : num  0 0 0 0 0 0 0 0 0 0 ...
##  $ ncontrols: num  40 10 6 5 27 7 4 7 2 1 ...

# 按年龄组汇总病例与对照
age_summary <- aggregate(cbind(ncases, ncontrols) ~ agegp,
                         data = esoph, FUN = sum)
age_summary$case_fraction <- with(age_summary, ncases / (ncases + ncontrols))
age_summary

par(family = cjk_font)
barplot(age_summary$case_fraction,
        names.arg = age_summary$agegp,
        col = "#4C78A8", ylim = c(0, 1),
        xlab = "年龄组", ylab = "样本中的病例比例",
        main = "esoph 内置病例对照数据（描述用途）")

这里的“病例比例”由研究抽样决定，不是人群食管癌风险或患病率。

10.4 Logistic 回归：病例对照数据示例

R 内置 esoph 数据按年龄、饮酒和吸烟分组，记录食管癌病例与对照数。原始分组变量是有序因子；下面显式转为无序因子，使默认处理对比下的指数化系数表示各类别相对于首个参考类别的条件 OR。

esoph_model <- transform(
  esoph,
  agegp = factor(agegp, levels = levels(agegp), ordered = FALSE),
  alcgp = factor(alcgp, levels = levels(alcgp), ordered = FALSE),
  tobgp = factor(tobgp, levels = levels(tobgp), ordered = FALSE)
)

fit <- glm(cbind(ncases, ncontrols) ~ agegp + alcgp + tobgp,
           family = binomial(), data = esoph_model)
summary(fit)

##
## Call:
## glm(formula = cbind(ncases, ncontrols) ~ agegp + alcgp + tobgp,
##     family = binomial(), data = esoph_model)
##
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)
## (Intercept)   -6.895      1.086   -6.35  2.2e-10 ***
## agegp35-44     1.981      1.104    1.79  0.07279 .
## agegp45-54     3.776      1.068    3.54  0.00041 ***
## agegp55-64     4.335      1.065    4.07  4.7e-05 ***
## agegp65-74     4.896      1.076    4.55  5.4e-06 ***
## agegp75+       4.827      1.121    4.30  1.7e-05 ***
## alcgp40-79     1.435      0.250    5.74  9.6e-09 ***
## alcgp80-119    1.981      0.285    6.96  3.5e-12 ***
## alcgp120+      3.603      0.385    9.36  < 2e-16 ***
## tobgp10-19     0.438      0.228    1.92  0.05504 .
## tobgp20-29     0.513      0.273    1.88  0.06040 .
## tobgp30+       1.641      0.344    4.77  1.9e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
##     Null deviance: 367.953  on 87  degrees of freedom
## Residual deviance:  82.337  on 76  degrees of freedom
## AIC: 221.4
##
## Number of Fisher Scoring iterations: 6

# 系数转换为 OR 和 Wald 95% CI
b <- coef(fit)
se <- sqrt(diag(vcov(fit)))
or_table <- data.frame(
  term = names(b),
  OR = exp(b),
  lower_95 = exp(b - 1.96 * se),
  upper_95 = exp(b + 1.96 * se),
  row.names = NULL
)
# 去掉截距行，但保留变量名称，便于识别各 OR 的参考比较。
or_display <- transform(or_table[-1, ],
                        OR = round(OR, 3),
                        lower_95 = round(lower_95, 3),
                        upper_95 = round(upper_95, 3))
row.names(or_display) <- NULL
or_display

解释分类变量系数时要明确参考组。模型调整后的 OR 仍依赖：无重要未测混杂、变量编码和函数形式合理、选择机制可忽略、数据足以支持参数等假设。不要把 OR 写成“风险增加了多少倍”。

10.5 Poisson 回归：人时率示例

事件计数可用 Poisson 回归，并把人时的对数作为 offset。指数化系数为发病率比。

rate_dat <- data.frame(
  exposed = rep(c(0, 1), each = 3),
  age_group = factor(rep(c("18-39", "40-64", "65+"), 2)),
  cases = c(4, 18, 40, 8, 30, 55),
  person_years = c(2200, 1800, 900, 2100, 1700, 800)
)

pois_fit <- glm(cases ~ exposed + age_group + offset(log(person_years)),
                family = poisson(), data = rate_dat)
coef_table <- summary(pois_fit)$coefficients
c(adjusted_IRR_exposure = exp(coef(pois_fit)["exposed"]),
  lower_95 = exp(coef(pois_fit)["exposed"] -
                   1.96 * coef_table["exposed", "Std. Error"]),
  upper_95 = exp(coef(pois_fit)["exposed"] +
                   1.96 * coef_table["exposed", "Std. Error"]))

## adjusted_IRR_exposure.exposed              lower_95.exposed              upper_95.exposed
##                         1.647                         1.194                         2.272

# 粗略检查过度离散：远大于 1 时，Poisson 标准误可能偏小
sum(residuals(pois_fit, type = "pearson")^2) / df.residual(pois_fit)

## [1] 0.15

如果方差显著大于均值，应检查模型错设、聚类、零膨胀，并考虑稳健标准误、准 Poisson 或负二项模型。重复测量、家庭/学校聚类和复杂抽样也需要相应方差估计。

10.6 缺失数据

MCAR：缺失发生与已观察值和未观察值均独立；
MAR：给定已观察变量后，缺失与未观察值无关；
MNAR：即使条件于已观察变量，缺失仍与未观察值相关。

简单完整病例分析可能损失精度并产生选择偏倚；均值填补会低估变异并破坏关系。多重插补通常比单次填补合理，但插补模型要包含结局、暴露、混杂、缺失预测因子及数据结构。对 MNAR 应做模式混合、选择模型或界限等敏感性分析。务必按变量和组别报告缺失比例与处理策略。

10.7 样本量与检验效能的简单示例

# 比较两组风险：对照 10%，希望检测到干预组 7%
power.prop.test(p1 = 0.10, p2 = 0.07, power = 0.80,
                sig.level = 0.05, alternative = "two.sided")

##
##      Two-sample comparison of proportions power calculation
##
##               n = 1355
##              p1 = 0.1
##              p2 = 0.07
##       sig.level = 0.05
##           power = 0.8
##     alternative = two.sided
##
## NOTE: n is number in *each* group

这是独立、等大小、简单随机样本的近似。实际还要考虑失访、设计效应、事件数、非劣效界值、多重结局与模型参数。样本量规划应围绕主要 estimand 的精度或临床重要差异，而不只是追求 $p<0.05$ 。

10.8 结果解释与报告

$p$ 值不是“零假设为真的概率”，也不度量效应重要性；
“统计学不显著”不等于“无效应”，应查看区间是否排除了重要效应；
大样本可让微小差异显著，小样本可漏掉重要效应；
亚组分析容易出现偶然发现，最好预设、限制数量并检验交互；
数据驱动地反复选择模型会低估不确定性；
区分确认性分析与探索性分析，并完整报告所有主要结局和伤害。

11 常见流行病学研究主题与问题

11.1 传染病流行病学

常见问题包括传播途径、潜伏期、二代攻击率、疫苗有效性、变异株严重程度和干预影响。

队列或试验中的疫苗效力/效果常写为 $VE=1-RR$ 或 $1-IRR$ ；
检测阴性设计常用于疫苗效果研究，但依赖就医、检测和病例定义相关假设；
接触追踪数据存在网络依赖，普通独立观测假设可能不成立；
季节、既往感染、检测可及性与行为改变常是重要混杂或选择机制。

示例问题：在 2026 年流感季、某省 65 岁以上居民中，本季疫苗相对未接种是否降低实验室确诊流感住院的 90 天风险？

11.2 慢性病与生活方式

主题包括心血管病、癌症、糖尿病、营养、体力活动、睡眠与多病共存。长期暴露会变化，自报行为有测量误差，疾病亚临床阶段还可能改变行为并造成反向因果。

示例问题：无糖尿病成年人中，基线超加工食品摄入最高与最低五分位相比，10 年 2 型糖尿病发病风险有何差异？

11.3 环境与职业流行病学

研究空气污染、极端温度、噪声、化学品、职业暴露和气候事件。需要处理空间相关、暴露滞后、混合暴露、迁移和健康工人效应。

示例问题：城市每日 PM2.5 每增加 10 $\mu g/m^3$ ，随后 0–3 天心血管急诊就诊率如何变化？可考虑时间序列或病例交叉设计，并控制季节、长期趋势、温度和星期。

11.4 妇幼、学校与生命历程研究

主题包括孕期暴露、出生结局、发育、疫苗、学校环境和代际影响。选择活产儿可能形成碰撞点偏倚；胎龄既可能是结局、中介，也可能影响测量。

示例问题：孕早期野火烟雾暴露是否增加早产风险？暴露窗口、居住迁移和季节混杂必须预先定义。

11.5 社会流行病学与健康公平

研究收入、种族化过程、住房、教育、移民状态、歧视、邻里与政策等社会决定因素。个体“种族”常是社会结构与暴露的代理，不应被简单解释为生物机制。报告总体平均效应之外，还应评价利益和伤害在群体间如何分布。

示例问题：实施带薪病假政策后，低收入与高收入行业呼吸道感染缺勤差距是否缩小？可用差分中的差分，但需评估平行趋势和同期政策。

11.6 临床、药物流行病学与卫生服务研究

常见问题包括药物安全、比较效果、诊疗质量、等待时间、再入院和医疗可及性。处方适应证会造成适应证混杂；新使用者主动对照设计常比“现用者 vs 不用者”更可比。

示例问题：新开始药物 A 与药物 B 的房颤患者中，1 年内严重出血风险是否不同？应对齐首次用药、资格判断和随访起点，并明确换药、停药与死亡的处理。

11.7 分子、遗传与数字流行病学

生物标志物、组学、可穿戴设备、搜索和电子病历数据带来高维、多重检验、批次效应、算法漂移、数据缺失与代表性挑战。预测准确不等于因果效应；在一个医院表现良好的模型需外部和时间验证。

11.8 将宽泛主题改写为可检验问题

宽泛主题	更清楚的问题	合适的起始设计/分析
咖啡与健康	40–70 岁无心律失常者中，每日 ≥3 杯 vs 0 杯与 5 年新发房颤风险	前瞻性队列；风险/生存分析
屏幕时间与抑郁	中学生中，减少睡前屏幕使用的学校干预能否改善 6 个月抑郁量表	集群随机试验；考虑校内相关
水污染与腹泻	洪水后使用受污染井水是否增加 7 日急性胃肠炎风险	暴露队列或暴发队列；RR/RD
新政策与住院	控烟法实施是否改变哮喘住院水平和趋势	受控中断时间序列
生物标志物筛查	某标志物在目标临床人群识别早期癌症的准确性	前瞻性诊断研究；Se/Sp/PPV

12 研究方案、伦理与报告规范

12.1 最小方案清单

背景、知识缺口与预设假设；
目标人群、来源人群、时间零点及纳入/排除标准；
暴露、对照、结局、混杂和效应修饰的操作性定义；
抽样、样本量、随访和数据链接；
主要 estimand、因果图和最小充分调整集；
统计模型、函数形式、聚类/抽样权重和多重比较；
缺失、失访、竞争风险与测量误差的处理；
预设敏感性、阴性对照和亚组分析；
隐私、同意、数据治理、社区参与与结果反馈；
注册、代码、元数据、版本控制及共享计划。

12.2 伦理原则

研究应有科学价值、风险—获益合理、公平选择参与者、独立伦理审查、适当知情同意和持续隐私保护。去标识化并不等于零重识别风险；链接、地理与罕见病数据尤其敏感。公共卫生紧急行动与研究的法律依据可能不同，应遵循当地法规并尽早咨询伦理与数据治理机构。

公平性不是最后附加一个亚组表。研究团队应从问题选择、测量工具、语言可及性、招募负担、算法性能到结果传播全程考虑可能被排除或受害的人群。

12.3 常用报告指南

观察性研究：STROBE；
随机试验：CONSORT；
系统综述：PRISMA；
诊断准确性：STARD；
预测模型：TRIPOD；
常规健康数据研究：RECORD。

报告指南提高透明度，但不能替代优秀设计。应提供研究对象流程图、变量定义、缺失、所有预设结果、效应量与区间、局限及可推广范围。

13 练习题

13.1 练习 1：频率

某封闭工厂年初有 2,000 名无目标疾病员工。年内新发 80 例，所有人均完整随访一年。年末另有 40 名年初已患病者仍在职。

计算一年累积发病率；
若年末共有 100 名现患病例、年末员工总数为 2,040，计算点患病率；
为什么两者分母不同？

查看答案

一年累积发病率为 $80/2000=4\%$ 。年末点患病率为 $100/2040\approx4.90\%$ 。发病率分母只包括期初无病、处于风险中的人；患病率分母包含时点上全部被观察人群，分子含所有现患病例。

13.2 练习 2：关联指标

一项队列研究中，暴露组 500 人出现 75 例，未暴露组 800 人出现 64 例。计算两组风险、RR、RD 和暴露者归因分值，并用一句话解释。

查看答案

$R_1=75/500=0.15$ ， $R_0=64/800=0.08$ ， $RR=1.875$ ， $RD=0.07$ 。若因果假设成立，暴露与每 100 人约 7 个额外病例相关；暴露者病例中约 $(1.875-1)/1.875=46.7\%$ 可归因于暴露。后一句是因果解释，需要无偏倚、无未控制混杂等条件。

13.3 练习 3：筛查

某检测灵敏度 95%、特异度 90%。在患病率 1% 的 10,000 人中，预计 TP、FN、FP、TN 各是多少？阳性预测值是多少？

查看答案

预计有病 100 人：TP=95、FN=5；无病 9,900 人：FP=990、TN=8,910。 $PPV=95/(95+990)\approx8.76\%$ 。多数阳性是假阳性，说明低患病率筛查需要确认检测和充分沟通。

13.4 练习 4：设计选择

为以下问题选择一个主要设计并说明最重要的偏倚：

罕见出生缺陷与孕期药物；
某市当前长新冠患病率；
新饮水净化装置预防学校胃肠炎的效果；
全国控糖税实施后糖尿病住院趋势。

查看答案

可能答案：①病例对照，警惕回忆及对照选择偏倚；②概率抽样横断面，警惕无应答和病例定义差异；③学校集群随机试验，处理聚类、污染与依从性；④受控中断时间序列或合成对照，警惕同期干预、趋势和测量变化。实际选择还取决于数据、伦理和可行性。

13.5 练习 5：DAG 与调整

研究运动 $E$ 对心血管病 $Y$ 的总效应。年龄 $C$ 影响运动和心血管病；BMI $M$ 部分由运动影响并影响心血管病；体检参与 $S$ 同时受健康意识（与运动相关）和早期症状影响。哪些变量通常应调整？

查看答案

为估计总效应通常调整年龄 $C$ ；不应自动调整中介 BMI $M$ ，否则可能阻断部分总效应；仅纳入体检者或调整 $S$ 可能产生碰撞点选择偏倚。完整答案依赖更明确的因果图和健康意识等变量是否被测量。

13.6 练习 6：亲自运行 R

修改前面的 $2\times2$ 表，保持暴露组总人数为 200：把暴露组病例数从 40 改为 20，同时把非病例数从 160 改为 180。重新运行代码并回答：RR、RD 和 OR 如何改变？当结局风险降低后，OR 与 RR 是否更接近？

14 常见术语中英对照

中文	English	简要含义
目标人群	target population	希望将结论推广到的人群
来源人群	source population	实际产生研究对象/病例的人群
患病率	prevalence	某时点或期间现患病例比例
累积发病率/风险	cumulative incidence/risk	一段时间内发生新结局的概率
发病密度	incidence rate	单位人时的新事件速度
风险比	risk ratio	两组风险之比
风险差	risk difference	两组风险之差
优势比	odds ratio	两组 odds 之比
危险比	hazard ratio	两组瞬时危险之比，常由 Cox 模型估计
置信区间	confidence interval	与数据和模型相容的参数范围
随机误差	random error	抽样波动造成的不精确
选择偏倚	selection bias	选择机制扭曲比较
信息偏倚	information bias	测量或分类错误导致系统差异
混杂	confounding	组间潜在结局不可比造成的混合效应
效应修饰	effect modification	效应在不同层真实不同
碰撞点	collider	两个变量的共同后果
中介	mediator	位于暴露到结局因果路径上的变量
可交换性	exchangeability	比较组潜在结局可比
正值性	positivity	各协变量层均可能接受各处理
灵敏度	sensitivity	有病者中检测阳性的比例
特异度	specificity	无病者中检测阴性的比例
阳性预测值	positive predictive value	阳性者中真实有病比例
人时	person-time	所有个体处于风险时间之和
删失	censoring	结局时间只知超过某时点
竞争风险	competing risk	阻止目标结局发生的其他事件
估计目标	estimand	要回答的精确定量问题
敏感性分析	sensitivity analysis	检查假设变化对结果的影响

15 进一步阅读与权威资源

Centers for Disease Control and Prevention. Principles of Epidemiology in Public Health Practice, 3rd ed., updated 2012. https://stacks.cdc.gov/view/cdc/13178
Bonita R, Beaglehole R, Kjellström T. Basic Epidemiology, 2nd ed. World Health Organization, 2006. https://www.who.int/publications/b/31231
Rothman KJ, Greenland S, Lash TL. Modern Epidemiology, 3rd ed. Lippincott Williams & Wilkins, 2008.
Gordis L. Epidemiology, 5th ed. Elsevier Saunders, 2014.
Hernán MA, Robins JM. Causal Inference: What If. Chapman & Hall/CRC, 2020. https://miguelhernan.org/whatifbook
STROBE Statement. https://www.strobe-statement.org/
CONSORT Statement. https://www.consort-statement.org/
PRISMA Statement. https://www.prisma-statement.org/
EQUATOR Network：健康研究报告指南数据库。https://www.equator-network.org/

建议的学习顺序：先掌握分母、时间和 $2\times2$ 表，再学习研究设计与偏倚；之后进入回归、生存分析、复杂抽样和因果推断。每次看到一个结果，先问“谁进入了分母、暴露何时测量、比较组是否可比”，通常比先问用了哪一种高级模型更重要。

流行病学基础、方法与常见研究：R 实践教程

从疾病频率到研究设计、因果推断与可重复分析

Epidemiology Study

2026-08-11

1 如何使用本教程

2 流行病学是什么？

2.1 核心视角

2.2 从概念到可分析变量

3 疾病频率与人群负担

3.1 比、比例与率

3.2 患病率

3.3 累积发病率（风险）与发病密度

3.4 死亡、生存与综合负担指标

3.5 粗率为什么可能误导：年龄标化

4 暴露与结局的关联测量

4.1 标准 2×22\times2 表

4.2 95% 置信区间

4.3 RR、OR、率比和危险比（hazard ratio）不要混用

5 研究设计：从问题选择证据结构

5.1 主要设计比较

5.2 横断面研究

5.3 病例对照研究

5.4 队列研究

5.5 随机试验与准实验

5.6 诊断、预后与证据综合研究

5.7 设计选择的实用规则

6 误差、偏倚、混杂与效应修饰

6.1 随机误差与系统误差

6.2 选择偏倚

6.3 信息偏倚与误分类

6.4 混杂

6.5 效应修饰（交互）

6.6 用 DAG 思考变量角色

7 筛查与诊断准确性

7.1 基本 2×22\times2 表与指标

7.2 同一检测在不同患病率下的预测值

7.3 阈值、ROC 与筛查项目评价

8 公共卫生监测与暴发调查

8.1 监测系统基础

8.2 暴发调查的典型步骤

8.3 流行曲线示例

8.4 聚餐暴发：食物特异攻击率

9 因果推断基础

9.1 先定义目标效应

9.2 识别因果效应的关键条件

9.3 目标试验思维

9.4 常见调整方法的直觉

9.5 关联不等于因果，但关联是证据的一部分

10 R 中的基础流行病学分析流程

10.1 可重复工作流

10.2 数据质量检查示例

10.3 描述性统计与图形

10.4 Logistic 回归：病例对照数据示例

10.5 Poisson 回归：人时率示例

10.6 缺失数据

10.7 样本量与检验效能的简单示例

10.8 结果解释与报告

11 常见流行病学研究主题与问题

11.1 传染病流行病学

11.2 慢性病与生活方式

11.3 环境与职业流行病学

11.4 妇幼、学校与生命历程研究

11.5 社会流行病学与健康公平

11.6 临床、药物流行病学与卫生服务研究

11.7 分子、遗传与数字流行病学

11.8 将宽泛主题改写为可检验问题

12 研究方案、伦理与报告规范

12.1 最小方案清单

12.2 伦理原则

12.3 常用报告指南

13 练习题

13.1 练习 1：频率

13.2 练习 2：关联指标

13.3 练习 3：筛查

13.4 练习 4：设计选择

13.5 练习 5：DAG 与调整

13.6 练习 6：亲自运行 R

14 常见术语中英对照

15 进一步阅读与权威资源

4.1 标准 $2\times2$ 表

7.1 基本 $2\times2$ 表与指标