1. 相对危险度（RR）——队列研究中分析暴露因素与发病的关联程度
- 相对危险度（relative risk，RR），也叫危险比（risk ratio）或率比（rate ratio），是指2个人群发病率的比值，通常为暴露人群的发病率和非暴露人群（或指定的参照人群）的发病率之比。
- RR＝暴露组的发病或死亡率/非暴露组的发病或死亡率
2. 比值比（OR）——病例对照研究中暴露因素与疾病的关联强度
- 比值比（odds ratio, OR）：也称优势比、比数比，用于反映病例与对照在暴露上的差异，从而建立疾病与暴露因素之间的联系。
- OR＝（病例组暴露人数/非暴露人数）/（对照组暴露人数/非暴露人数）
- 从公式即可看出，OR或RR值越大，表明暴露的效应越大，暴露与结局关联的强度也就越大。两者均为比值，因此以1为界限，若RR或OR：
＝1，说明暴露因素与疾病之间无关联；
＞1，说明暴露因素是疾病的危险因素（正相关），认为暴露与疾病呈"正"关联，即暴露因素是疾病的危险因素；
＜1，说明暴露因素是疾病的保护因素（负相关），认为暴露与疾病呈"负"关联，即暴露因素是保护因素。
既然两者都是衡量暴露与疾病的相关性，RR已经足够，为何还需要OR？这是因为RR的计算需要使用发病率，因此队列研究、随机对照试验等前瞻性研究均可使用RR；但若是开展回顾性研究（如病例-对照研究），只能根据研究对象状态分组，无法直接计算暴露人群和非暴露人群的发病率，这种情况则需要使用OR。
3. HR（hazard ratio,HR）风险比 --- HR还考虑了时间因素,即包含了时间效应的RR就是HR
- HR=暴露组的风险函数h1(t)/非暴露组的风险函数h2(t),t指在相同的时间点上。而风险函数指危险率函数、条件死亡率、瞬时死亡率。Cox比例风险模型可以得到HR。资料的类型通常是临床治疗性研究，也可以是流行病学的队列观察性研究。
- HR与RR：
- 两者均用于前瞻性研究，多数认为HR与RR意思一样，但从计算公式可看出，HR还考虑了时间因素，换言之，包含了时间效应的RR就是HR；
- 从终点时间的角度来看，也可以这样理解，RR考虑了终点事件的差异，而HR不仅考虑了终点事件的有无，还考虑了到达终点所用的时间及截尾数据。
- HR主要通过COX回归分析得出，其计算较为复杂，需要用软件计算，在此不详细说明。HR可用于临床治疗性研究，也可用于队列研究。
| 名称 | 主要应用于 | |
|---|---|---|
| RR （Relarive risk）- 相对危险度 | 前瞻性研究 可计算发病率 | RR=1，说明暴露因素与疾病之间无关联。 RR＞1，说明暴露因素是疾病的危险因素（正相关） RR＜1，说明暴露因素是疾病的保护因素（负相关） |
| OR （ Odds ratio）- 比值比 | 病例对照研究 | OR的值logistic 回归可以计算OR值 OR>1 暴露与疾病的危险度增加 正相关； OR<1 暴露与疾病的危险度减少 负相关； OR=1 暴露与疾病的危险度无关 无相关 P value <0.05 提示暴露可能与疾病有联系 计算OR 95%可信限-包含1则无意义 |
| HR（Hazardratio）- 风险比 | 生存分析 | COX回归模型（以生存结局和生存时间为因变量） |
OR值/置信区间/P值
- OR值是点估计，95%置信区间是区间估计，OR值=1代表暴露因素与疾病无关联，OR值>1代表暴露因素为危险因素，OR值<1代表暴露因素为保护因素。就是置信区间的宽窄反映了对参数估计的精确度，置信区间越窄，说明估计越精确；置信区间越宽，说明估计越不精确，但更为可靠。比如，我估计一个人的身高在10cm～300cm之间，这一说法非常可靠，但是精确度很差，没什么实际价值.置信区间在做出统计学结论时与P值有异曲同工之妙。例如，对于“参数＝0”这样一个无效假设，如果P值小于0.05，那么计算的该参数估计值的95%置信区间一定不包含0；反之，如果P值大于0.05，那么计算的该参数估计值的95%置信区间一定包含0。
- 尽管置信区间和P值都可以做出同样的统计学结论，但置信区间提供的信息更多。P值只是告诉我们一种概率，即当无效假设成立时，出现当前结果（或者更极端结果）的概率。但我们并不知道计算的结果与无效假设差别有多大，当样本例数很大时，即使轻微的偏离也会出现一个很小的P值。如无效假设为两组收缩压的差值为0，如果每组例数为10000人，那么即使两组收缩压的差值为0.1，也会出现Ｐ小于0.05的结论。但0.1这种差值是否有实际意义呢？仅从Ｐ值是看不出来的。
- 而置信区间还可以提示与无效假设的参数偏离有多远，如无效假设为两组收缩压的差值为0，最后计算95%置信区间为（0.1，0.15），这至少提示两点：第一，两组差异有统计学意义，因为置信区间没有包含0；第二，两组总体的差值并不大，因为我们有95%的信心认为两组差值在0.1-0.15之间。这说明尽管结果有统计学意义，但从专业角度来看，收缩压差别太少，没有太大的实际价值。这一信息是Ｐ值所无法提供的。 一般来说，样本量越大，计算的置信区间越窄，精度越高，此时Ｐ值也会越小。因为样本量越大，抽样误差越小，当样本量跟总体一样多时（相当于普查），就没有抽样误差了，计算的置信区间就越窄成了只有一个值。而此时也没有Ｐ值了，因为根本不用核计推断，计算的指标已经是参数了，也就没有“样本统计量推断总体参数”这一说法了。
- 最后在这里说明一下容易产生的误区：95%置信区间表示真实值有95%的概率落到当前置信区间之内。这个说法是不准确的，真实值要么在区间内，要么不在区间之内。95%的置信区间表示，多次抽样所得到的多个置信区间里，包含真实值的区间占比。如下图所示，竖的虚线代表真实值，横的实线代表一个一个的置信区间，这25个置信区间中，只有1个(红色的线)不包含真实值，95%以上区间包含了真实值。
img
