《表1 哑变量赋值形式：横断面研究护理论文评价要点解读（三）》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《横断面研究护理论文评价要点解读（三）》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

具体描述内容，建议“主要结果”：（1）研究结果的有效性通常取决于对重要混杂变量的控制，因此应全面了解并对混杂变量进行精确测量，在多因素统计学模型中进行校正。（2）作者应对所有关注的、潜在混杂变量进行解释，并说明在统计模型中纳入或排除变量的标准，还需要阐明对哪些混杂变量进行了调整，以及选择这些混杂变量的原因。例如作者冯佩笑等[38]发表的论文《产钳助产术后尿潴留发生情况及其影响因素分析》中，采用Logistic多元回归分析显示：第一产程时间延长及产后2h出血量多为产钳助产术后发生尿潴留的独立危险因素，但在进入模型前，作者首先进行了单因素变量的筛选，共有6个变量（第一产程时间、总产程时间、产后2h出血量、产后24h出血量、产后血蛋白减少量、产前导尿次数）具有统计学意义（均P<0.05），未发现年龄、产次具有统计学意义，但结合临床意义考虑这两个因素是较确切的影响因素，因此同时纳入多因素的模型进行分析，以便校正混杂的因素。并应分别报告所关注的研究因素在校正混杂前后的结果及精度（如95%可信区间），即单因素分析（建议采用简单回归分析）和多因素分析模型。（3）采用多变量分析方法时应符合研究的目的和数据的类型。如自变量（暴露）：在多重线性回归或logistic回归中，连续变量（如年龄）、有序分类变量（如文化程度）和无序分类变量（如种族类别）都可以作为回归模型的自变量；因变量（结局）：如果是连续型变量，常可选用线性回归分析模型；如果是分类变量，常选用logistic回归分析模型。（4）连续型变量（定量数据），如定量测量的结局（因变量）、暴露（自变量）、混杂变量等。具体包括以下情形：若将自变量（暴露）直接作为连续性变量处理，应该考虑自变量（暴露）与因变量（结局）关联的潜在机制，不能简单地将其认定为线性关联进行处理，还应考虑和讨论非线性关联的可能性；若考虑对连续性暴露变量进行分组处理，生成一个新的分类变量，由于是否分组、如何分组可能对后续分析产生重要影响，此时需要作者对分组原因、分组方式做出解释，如分组的个数、截断值、各组均值或中位数等[36]。建议对研究主要关注的定量暴露变量，同时探索其被视作连续型变量和分组变量，哪个结果更有意义。（5）应注明研究变量的赋值情况，以便统计分析，主要用于回归分析时。例如二分类变量一般采用0和1赋值，例如吸烟：1，非吸烟：0；男：1，女：0等。分类变量可以给出参照组并指出各类别的赋值，如：文化程度：初中=1（参照），高中=2，大学=3；此时将计算高中与初中优势之比，大学与初中优势之比。对于无序多分类变量或间距大多数的有序分类变量，均应按哑变量对待。例如职业：农民，事业职员，企业工人，以商业人员作为参照水平，哑变量X1（农民）=0，X2（事业职员）=0，X3（企业工人）=0（见表1），这样关于这类变量的优势比就是每个哑变量和参照水平优势之比。一般赋值较小的水平常被作为参照水平[29]。（6）应依据结局（结果）的类型，选择符合数据分析的统计学方法，在分析横断面调查研究数据时，经常使用多重线性回归或logistic回归等统计学模型计算多个自变量（暴露）与疾病（结局）的关联。除了报告多重线性回归系数与其95%置信区间，以了解该变量的精度，同时还应报告方程的决定系数与调整决定系数，其是反映线性回归模型能在多大程度上解释因变量的变异；logistic回归应报告危险度比值比OR值及95%置信区间，以了解该自变量的精度。（7）在进行统计推断时，应对结果进行量化，并采用能反映测量误差和不确定性的指标（如95%置信区间），而非假设检验（仅用P值），因为效应量及其95%置信区间能提供更多有价值的信息[39]。因此，需要报告结果的主要指标检验的确切P值（而仅仅非大于或小于某界值）和或置信区间[4]。