今天给大家解读CHARLS数据库的GBTM+logistic回归+交互作用分析的分析框架和发文思路。
套路总结：
GBTM模型：捕捉不同时间点的变量变化趋势
单因素和多因素logistic回归：探索关联性
亚组分析+交互作用分析：探索脆弱人群及检验交互作用
多种方式的敏感性分析：验证结果稳健性
案例文章：
标题：中国中老年人社会智力活动与认知轨迹的关联：一项全国代表性队列研究
文章亮点：
多指标评估轨迹模型：研究利用多个指标变量建立起预测模型，综合考虑了AIC、BIC、各组分类比例及平均后验概率等，能够更精准地选择轨迹模型；
纵向分析合理：研究没有局限于大部分研究中采用的时不变变量来进行分析纵向关联，而是通过长期随访捕捉不同时间点的认知变化趋势，来更精准地揭示活动对认知水平的影响；
敏感性分析充分：研究在不仅改变人群（不排除协变量缺失值）进行了完整分析，而且还采用了采用重复测量混合模型，检验社交和智力活动频率与整体认知分数随时间变化的关联，通过第3波和第1波之间整体认知分数的差异来计算研究期结束时的认知变化分数，使得研究结果更准确可信。
文章解读：
GBTM结果：通过BIC、AIC、每组占比及APP选择了最佳分类情况的老年人整体认知得分随年龄增长的轨迹，发现虽然四条轨迹模型的BIC最低；然而，两组轨迹的平均后验概率小于0.7。因此，选择三条轨迹的GBTM模型作为最佳轨迹模型：第1类“持续低”；第2类“持续中等”；第3类“持续高”。
GBTM结果2：不仅做了老年人整体认知得分随年龄增长的轨迹，还做了认知功能领域的三组轨迹，包括精神完整性得分（左）和情景记忆得分（右）。
Logistic回归结果：通过绘制logistic回归来探索智力、社交活动分数与认知活动轨迹的关联。结果显示，与不参加社交活动的参与者（得分=0）相比，报告经常参加社交活动（得分≥3）的成年人拥有更好的认知轨迹，整体认知功能“持续低”和“持续中等”轨迹的多变量调整OR（95% CI）分别为0.79（0.65-0.95）和0.76（0.66-0.87）。经常参加智力活动（得分≥3）的相应OR（95% CI）分别为“持续低”认知功能0.54（0.38-0.77）和“持续中等”认知功能0.62（0.50-0.77）。
亚组+交互作用分析结果：通过亚组与交互作用分析识别脆弱人群及检验不同亚组是否存在交互作用。结果显示，社会/智力活动和认知轨迹组之间的关联在年轻人（年龄<65岁）和老年人（年龄≥65岁）之间以及男性和女性之间相似，且各组间均不存在交互作用。
敏感性分析结果1：验证结果稳健性。使用完整的所有三波认知功能数据发现与主要分析结果一致。
敏感性分析结果2：采用重复测量混合模型，检验社交和智力活动频率作为预测因子与整体认知分数随时间变化的关联，并通过第3波和第1波之间整体认知分数的差异计算研究期结束时的认知变化分数，结果与主要分析的发现基本一致。
文章总结：
为探索认知轨迹随年龄的变化趋势及评估社会及智力活动与认知轨迹之间的关联。研究首先利用多个评价指标（如BIC、APP等）选择了最佳的GBTM模型为最佳轨迹模型，包括“持续低”、“持续高”和“持续中等”3个轨迹，接着通过logistic回归探索了社会及智力活动与认知轨迹之间的关联，发现经常参加社会活动和智力活动的人群比不参加的人群有更好的认知轨迹，最后通过亚组分析和交互作用分析确定了不同年龄性别人群是否具有效应差异和交互作用。该研究通过建立认知评分的轨迹模型，更准确地确定了社会及智力活动与认知之间的纵向关联，为中老年人认知功能障碍的防控提供了理论依据。
评论列表