Stata实例教程：泊松回归
泊松回归主要适用于罕见结局发生率的分析，其数据特征一般为：发生率的分母相对于分子较大，或者事件发生于有限的时间、空间上。事件发生数量可以近似为服从泊松分布。常见的例子如，士兵意外死亡数量、电话拨打错误的数量、罕见疾病的发病率等。
在临床研究中泊松回归常用于队列研究。如下面的例子（表1）：
表1. 队列研究实例
该研究为一个队列研究，目的是探讨吸烟是否增加人群的死亡风险。Deaths代表死亡人数，person-years代表随访人年数。
下面利用上例数据介绍如何利用Stata进行泊松回归。
首先数据格式应为下表（表2）所示：
表2. 数据结构
操作步骤
1. 在Stata中依次点击Statistics—Count outcomes—Poisson regression，调出对话框。
在Dependent中选入deaths变量（发病率的分子），Exposure variable中选入pyears变量（发病率的分母），Independent variables选入smokes变量，另外还需选入agecat变量，该变量为分类变量，需写成i.agecat形式告诉软件agecat为分类形式。
在reporting部分选择Report incidence-rate ratios，这样软件给出的是系数的指数形式，即我们所需要的incidence-rate ratio（IRR）。
最后界面如下：
Reporting处的设置如下：
2. 最后点击OK。
也可以不通过菜单直接输入命令：
poisson deaths smokes i.agecat, exposure(pyears) irr
分析结果如下：
从结果可以看到，吸烟者相对于不吸烟者，发生死亡的风险为1.43倍（P=0.001），45岁以上各年龄组的死亡风险均高于35-44岁年龄组（P值均<0.001），且年龄越大的组死亡风险越高。
（如果你想使用文中数据进行练习，请随时给小咖（微信：xys2016ykf）发消息，小咖将原始数据发给你。）
精彩回顾
关注医咖会，轻松学习统计学~
有临床研究设计或统计学方面的难题？快加小咖个人微信（xys2016ykf），拉你进统计讨论群和其他小伙伴们一起交流学习；或者点击公众号下方自定义菜单的“统计咨询”，提出你遇到的统计难题。
点击左下角“阅读原文”，看看既往小伙伴们都提出了哪些问题，以及该如何去解决，也许正好能帮到你~