CHARLS数据库中科院3区SCI文章常见工作量

3区期刊的CHARLS研究定位

✅ 变量独特且多样：采用复合指标或量表计算评分得到新指标，突破单一指标的局限性，捕捉变量的复杂性和动态性，提供更精准的 “测量工具”。

✅ 方法基础但多样：虽然多采用常用的回归分析（logistic或COX），但也使用多种有效的高级统计分析方法来拓展分析维度，挖掘数据价值。

✅ 核心方法：

描述及关联性分析（包括基线信息统计、logistic回归分析、COX比例风险回归分析等）；
高级模型（包括预测模型的构建和评估、中介效应分析等）；
充分的亚组分析和敏感性分析。

工作量框架与5篇案例对照

典型工作量拆解

案例一：

文章标题：Association between Triglyceride-glucose index and sarcopenia in China: A nationally representative cohort study

1️⃣ 数据准备

确定使用数据波次：2011为基线数据，2013、2015年为随访数据（n=17,705 → 最终纳入1,819）

评估暴露变量甘油三酯-葡萄糖指数(TyG)= Ln[甘油三酯(mg/dL) × 葡萄糖(mg/dL)/2]

计算中介变量体重质量指数：BMI=体重(kg)/身高(m)²

2️⃣ 统计分析

主分析：多因素COX回归+RCS曲线

高级分析：

ROC曲线评价暴露变量对因变量的预测价值
中介效应分析评估中介变量对暴露变量与因变量间关联的影响

3️⃣ 结果呈现

表2 COX比例风险模型：探索TyG指数与肌肉减少症及其成分之间的关联

图3 RCS曲线：探索TyG指数与肌肉减少症之间的剂量反应关系并检验是否存在非线性效应

图4 ROC曲线：评估TyG指数对肌肉减少症的预测价值

图5 亚组分析：评估不同人群中 TyG指数与肌肉减少症之间的关联

图6 中介效应分析：评估BMI在影响TyG与肌肉减少症之间效应的中间作用

附录：

表1：不同TyG分层时的基线特征

表2：变量共线性检验

图1、图2：COX回归比例风险检验

案例二：

文章标题：C-reactive protein-triglyceride glucose index predicts stroke incidence in a hypertensive population: a national cohort study

1️⃣ 数据准备

选择CHARLS数据库完成2011血检人群（n=11,847 → 最终纳入3,834）

计算暴露变量：C反应蛋白-甘油三酯-葡萄糖指数 (CTI)

2️⃣ 统计分析

主分析：COX回归+Kaplan-Meier生存曲线

高级分析：

Boruta算法评价变量重要性，筛选特征变量
ROC曲线评价预测模型性能和价值

3️⃣ 结果呈现

表2 COX回归：探索高血压人群中CTI与中风的关系

图2 RCS曲线：研究CTI与中风风险之间的趋势和剂量反应关系

图3 亚组分析：不同组人群中CTI与中风风险之间的关联

图4 Boruta算法：评估高血压患者卒中风险相关变量，筛选能作为预测因子的变量

图5 ROC曲线：不同机器学习模型的预测性能比较

附录：

表1：变量多重共线性结果

表2：按CTI分组时人群的基线特征

表3：基于Boruta算法的CTI与脑卒中关系的多因素Cox回归分析

表4、表5：敏感性分析

图1：Kaplan-Meier生存曲线结果

案例三：

文章标题：Interaction effects of sleep duration and activities of daily living on depressive symptoms among Chinese middle-aged and older adult individuals: evidence from the CHARLS

1️⃣ 数据准备

选择CHARLS数据库中2020年数据（n=19,395→ 最终纳入15,511）

评估睡眠时长和ADL：ADL通过12个条目量表进行评估

2️⃣ 统计分析

主分析：二元logistic回归

高级分析：交互作用分析探索睡眠时长和ADL之间的交互作用，包括超额风险、归因比例、协同系数等

3️⃣ 结果呈现

表2 logistic回归：探索睡眠时长和ADL与抑郁症状之间的关联

表3、4 交互作用分析：探索短睡眠时长和ADL（表3）、长睡眠时长和ADL（表4）的不同情况下与抑郁症状之间的关联

附录：

表1、2、3、4：亚组分析结果（不同性别、年龄分别在短睡眠时长和ADL以及长睡眠时长和ADL对抑郁症状的交互作用）

表5：敏感性分析结果

案例四：

文章标题：Relationship between estimated pulse wave velocity trajectories and cardiovascular disease risk in patients with cardiovascular-kidney-metabolic syndrome stages 0-3

1️⃣ 数据准备

选择CHARLS数据库2011年数据（n=17,705 → 最终纳入6,788）

评估暴露变量：脉搏波速度(ePWV)，并计算轨迹

2️⃣ 统计分析

主分析：COX回归+轨迹建模

高级分析：NRI和IDI值评估基本模型之外的风险重新分类的改进

3️⃣ 结果呈现

表2 COX回归：探索ePWV与心血管系统疾病之间的关联