Skip to content
กลับไปยังผลการค้นหา

การศึกษากลุ่มควบคุมที่ซ้อนกัน (Nested Case-Control Study)

ผู้เสนอ
Nathan Mantel (1973); D. C. Thomas (1977 formalization)
ปี
1973–1977
ประเภท
Hybrid observational study design
กลุ่มวิธี
Clinical / epidemiology

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การศึกษากลุ่มควบคุมที่ซ้อนกันเป็นการออกแบบเชิงสังเกตที่มีประสิทธิภาพ ซึ่งฝังตัวอยู่ภายในกลุ่มประชากรโคฮอร์ต (cohort) ที่กำหนดไว้ สำหรับผู้เข้าร่วมแต่ละรายที่เกิดผลลัพธ์ที่สนใจ (กรณีศึกษา) จะมีการสุ่มตัวอย่างกลุ่มควบคุมจำนวนเล็กน้อยจากผู้ที่ยังคงมีความเสี่ยง ณ เวลาเดียวกัน กลยุทธ์การสุ่มตัวอย่างความหนาแน่นนี้ให้ค่าอัตราส่วนของโอกาส (odds ratio) ที่ประมาณค่าอัตราส่วนของอัตราอุบัติการณ์ (incidence-rate ratio) จากกลุ่มประชากรโคฮอร์ตทั้งหมด โดยใช้ต้นทุนการเก็บข้อมูลเพียงเศษเสี้ยว ทำให้เป็นทางเลือกที่ต้องการเมื่อการวัดค่าการสัมผัส (exposure) สำหรับสมาชิกโคฮอร์ตทั้งหมดมีค่าใช้จ่ายสูงเกินไปหรือไม่สามารถทำได้ในทางเทคนิค

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพกลุ่มประชากรโคฮอร์ตอาชีพเป็นเวลา 20 ปี จำนวน 10,000 คน คุณต้องการทดสอบว่าการสัมผัสสารเคมีชนิดหนึ่งเพิ่มความเสี่ยงต่อมะเร็งกระเพาะปัสสาวะหรือไม่ แต่การวัดค่าชีวภาพในซีรั่มสำหรับผู้เข้าร่วมทั้ง 10,000 คนจะมีค่าใช้จ่ายสูงมาก การออกแบบกลุ่มควบคุมที่ซ้อนกันสามารถแก้ปัญหานี้ได้: ทุกครั้งที่มีคนงานได้รับการวินิจฉัย (กรณีศึกษา) คุณจะสุ่มเลือกคนงาน 4 คนจากกลุ่มเสี่ยง (risk set) ซึ่งคือกลุ่มที่ยังไม่เกิดผลลัพธ์และเข้าร่วมอย่างน้อยที่สุดในเวลาเดียวกัน และวัดค่าชีวภาพเฉพาะสำหรับคนทั้งห้าคนนั้น เนื่องจากกลุ่มควบคุมถูกดึงมาจากโคฮอร์ตเดียวกันและ ณ เวลาติดตามผลเดียวกัน การออกแบบนี้จึงสืบทอดโครงสร้างเชิงอนาคตของโคฮอร์ต ขณะที่ลดการตรวจวัดชีวภาพลงประมาณ 80%

ประวัติศาสตร์

การออกแบบกลุ่มควบคุมที่ซ้อนกันได้รับการคิดค้นโดย Nathan Mantel ในปี 1973 เพื่อประยุกต์ใช้ตรรกะการศึกษากลุ่มควบคุมแบบย้อนหลังกับข้อมูลกลุ่มประชากรโคฮอร์ตเชิงอนาคต โดยยังคงประสิทธิภาพไว้โดยไม่สูญเสียความสมบูรณ์ของลำดับเวลา D. C. Thomas ได้ทำให้กรอบการสุ่มตัวอย่างกลุ่มเสี่ยงหรือความหนาแน่นอุบัติการณ์เป็นทางการในปี 1977 โดยแสดงให้เห็นว่า OR ที่ประมาณได้จากตัวอย่างดังกล่าวเท่ากับ IRR ของโคฮอร์ตภายใต้สมมติฐานว่าง (null hypothesis) และภายใต้ขนาดผลกระทบที่ไม่รุนแรง การออกแบบนี้ได้รับการยอมรับอย่างกว้างขวางในระบาดวิทยาอาชีพและระบาดวิทยาโรคมะเร็งในช่วงทศวรรษ 1980 และ 1990 โดยเฉพาะอย่างยิ่งสำหรับการศึกษาที่ต้องการการตรวจวัดชีวภาพที่มีค่าใช้จ่ายสูงบนตัวอย่างที่เก็บรักษาไว้ ปัจจุบันถือเป็นเครื่องมือมาตรฐานในการศึกษาขนาดใหญ่ที่เชื่อมโยงกับฐานข้อมูลชีวภาพ (biobank) และการวิจัยระบาดวิทยาเภสัชกรรม

ควรใช้เมื่อใด

ใช้การออกแบบกลุ่มควบคุมที่ซ้อนกันเมื่อคุณมี (หรือสามารถรวบรวม) กลุ่มประชากรโคฮอร์ตเชิงอนาคตที่กำหนดไว้อย่างดีพร้อมข้อมูลผลลัพธ์ แต่การวัดค่าการสัมผัสสำหรับสมาชิกทั้งหมดมีค่าใช้จ่ายสูง มีความต้องการทางเทคนิคสูง หรือต้องใช้ตัวอย่างชีวภาพที่เก็บรักษาไว้ เหมาะอย่างยิ่งเมื่อการสัมผัสที่สนใจคือการตรวจวัดในห้องปฏิบัติการ เครื่องหมายทางพันธุกรรม หรือตัวอย่างที่เก็บรักษาไว้ซึ่งมีงบประมาณจำกัด การออกแบบนี้ยังเหมาะสมเมื่อคุณต้องการควบคุมตัวแปรกวนที่เปลี่ยนแปลงตามเวลา (time-varying confounders) หรือต้องการศึกษาผลลัพธ์ที่หายากในโคฮอร์ตขนาดใหญ่โดยไม่ต้องประเมินการสัมผัสของโคฮอร์ตทั้งหมด **ห้าม**ใช้การออกแบบนี้เมื่อโคฮอร์ตมีขนาดเล็กเกินไปที่จะให้จำนวนกรณีศึกษาเพียงพอ เมื่อข้อมูลผลลัพธ์ไม่พร้อมใช้งานหรือไม่น่าเชื่อถือ เมื่อการสัมผัสทั้งหมดได้รับการวัดค่าสำหรับโคฮอร์ตทั้งหมดแล้ว (การวิเคราะห์โคฮอร์ตทั้งหมดจะมีประสิทธิภาพมากกว่า) หรือเมื่อคำถามวิจัยต้องการประมาณค่าความเสี่ยงสัมบูรณ์ (absolute risks) แทนที่จะเป็นความเสี่ยงสัมพัทธ์ (relative risks)

ข้อจำกัดและข้อควรพิจารณา

  • ต้องการกลุ่มประชากรโคฮอร์ตที่มีอยู่เดิมพร้อมการยืนยันผลลัพธ์ที่น่าเชื่อถือ การจัดตั้งกลุ่มประชากรโคฮอร์ตดังกล่าวต้องใช้ทรัพยากรมาก
  • การออกแบบที่จับคู่กับการถดถอยโลจิสติกแบบมีเงื่อนไขหมายความว่าตัวแปรที่จับคู่ไม่สามารถประเมินเป็นตัวทำนายอิสระของผลลัพธ์ได้
  • ประสิทธิภาพที่เพิ่มขึ้นจะลดลงเมื่อผลลัพธ์เป็นที่แพร่หลาย (>10% ของโคฮอร์ต) ในกรณีดังกล่าว การออกแบบโคฮอร์ตทั้งหมดหรือการออกแบบกลุ่มกรณี-โคฮอร์ต (case-cohort) อาจเป็นที่ต้องการมากกว่า
  • การเลือกจำนวนกลุ่มควบคุมที่เพียงพอต่อกรณีศึกษาต้องคำนวณกำลังการทดสอบ (power calculations) อย่างรอบคอบ หากมีกลุ่มควบคุมน้อยเกินไปจะลดประสิทธิภาพทางสถิติโดยไม่ประหยัดต้นทุนตามสัดส่วน

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ลดต้นทุนและความพยายามในการประเมินการสัมผัสลงอย่างมากเมื่อเทียบกับการวิเคราะห์โคฮอร์ตทั้งหมด — โดยทั่วไปสมาชิกโคฮอร์ตเพียง 5-10% เท่านั้นที่ต้องการการวัดค่า
  • การสุ่มตัวอย่างความหนาแน่นอุบัติการณ์ทำให้มั่นใจได้ว่า OR เป็นค่าประมาณที่ไม่เอนเอียงของอัตราส่วนของอัตราอุบัติการณ์ ซึ่งรักษาการตีความเชิงสาเหตุของการออกแบบเชิงอนาคต
  • อนุญาตให้ใช้การสัมผัสที่เปลี่ยนแปลงตามเวลาได้ โดยการกำหนดการเลือกกลุ่มควบคุมตามกลุ่มเสี่ยง ณ เวลาที่เกิดกรณีศึกษาแต่ละครั้ง
  • สืบทอดจุดแข็งของกลุ่มประชากรโคฮอร์ตเชิงอนาคต: ลำดับเวลาของการสัมผัสก่อนผลลัพธ์ และลดความเอนเอียงของการจำได้เมื่อเทียบกับการศึกษากลุ่มควบคุมแบบดั้งเดิม
  • การจับคู่แบบยืดหยุ่นตามเวลาและตัวแปรร่วมระดับบุคคลช่วยควบคุมตัวแปรกวนที่รุนแรงได้อย่างมีประสิทธิภาพ โดยไม่จำเป็นต้องใช้ข้อมูลตัวแปรร่วมของโคฮอร์ตทั้งหมด

การประยุกต์ใช้

  • การศึกษาชีวภาพภายในกลุ่มประชากรโคฮอร์ตเชิงอนาคตขนาดใหญ่ — การวัดค่าตัวอย่างเลือดที่เก็บรักษาไว้เฉพาะกรณีศึกษาและกลุ่มควบคุมที่จับคู่กัน เพื่อศึกษามะเร็ง โรคหัวใจและหลอดเลือด หรือผลลัพธ์เกี่ยวกับเมตาบอลิซึม
  • ระบาดวิทยาอาชีพ — การประเมินการสัมผัสสารเคมีหรือรังสีสะสมในคนงานที่ป่วยเป็นมะเร็งเฉพาะชนิดภายในกลุ่มประชากรโรงงานหรือทะเบียน
  • ระบาดวิทยาเภสัชกรรม — การประเมินการสัมผัสยาและเหตุการณ์ไม่พึงประสงค์ภายในกลุ่มประชากรฐานข้อมูลสุขภาพเชิงบริหาร ซึ่งบันทึกใบสั่งยาครบถ้วน แต่ข้อมูลทางคลินิกโดยละเอียดต้องอาศัยการทบทวนเวชระเบียน
  • ระบาดวิทยาโรคติดเชื้อ — การตรวจสอบปัจจัยของโฮสต์หรือเชื้อก่อโรคสำหรับผลลัพธ์ที่รุนแรง (เช่น การเข้ารักษาในโรงพยาบาล การเสียชีวิต) ภายในกลุ่มประชากรเฝ้าระวังของผู้ติดเชื้อ
  • การศึกษาทางพันธุกรรมและจีโนมิกส์ — การทำซีเควนซิ่งยีนที่สงสัย (candidate-gene) หรือทั้งจีโนม (whole-exome) ในกรณีศึกษาและกลุ่มควบคุมที่สุ่มตัวอย่างจากกลุ่มประชากรโคฮอร์ตที่มีการติดตามผลระยะยาว

วิธีการทำงาน

วิธีการทำงาน

1

การศึกษาเริ่มต้นด้วยกลุ่มประชากรโคฮอร์ตแบบพลวัตหรือแบบคงที่ที่มีอยู่หรือที่รวบรวมขึ้นใหม่ ซึ่งสมาชิกทุกคนปลอดโรคเมื่อเข้าร่วมและได้รับการติดตามผลเมื่อเวลาผ่านไป กลุ่มประชากรโคฮอร์ตนี้เป็นกรอบการสุ่มตัวอย่างที่ใช้ดึงทั้งกรณีศึกษาและกลุ่มควบคุม ทำให้มั่นใจได้ว่าผู้เข้าร่วมทุกคนมีจุดเริ่มต้นและช่วงเวลาการสัมผัสที่เหมือนกัน

2

ระหว่างการติดตามผล เหตุการณ์ของผลลัพธ์ใหม่แต่ละครั้ง (เช่น การวินิจฉัยโรค การเสียชีวิต) จะถูกบันทึกเป็นกรณีศึกษา พร้อมกับวันที่เกิดเหตุการณ์ที่แน่นอน กรณีศึกษามักจะเป็นเหตุการณ์ที่เกิดขึ้นใหม่ทั้งหมดในโคฮอร์ต แต่การออกแบบนี้สามารถจำกัดเฉพาะกลุ่มย่อยที่กำหนดไว้ (เช่น ชนิดย่อยทางจุลพยาธิวิทยาที่เฉพาะเจาะจง)

3

สำหรับกรณีศึกษาแต่ละราย จะมีการสร้างกลุ่มเสี่ยง (risk set) ซึ่งประกอบด้วยสมาชิกโคฮอร์ตทั้งหมดที่ยังอยู่ระหว่างการติดตามผลและปลอดจากเหตุการณ์ ณ เวลาที่เกิดกรณีศึกษานั้น จะมีการสุ่มเลือกกลุ่มควบคุมจำนวนคงที่ (โดยทั่วไปคือ 1-10 คนต่อกรณีศึกษา) จากกลุ่มเสี่ยงนี้ ซึ่งเป็นกระบวนการที่เรียกว่า การสุ่มตัวอย่างความหนาแน่นอุบัติการณ์ (incidence density sampling) หรือ การสุ่มกลุ่มเสี่ยง (risk-set sampling) กลุ่มควบคุมอาจถูกจับคู่กับกรณีศึกษาตามตัวแปรต่างๆ เช่น อายุ เพศ หรือเวลาตามปฏิทิน เพื่อลดการปะปน (confounding)

4

ข้อมูลการสัมผัส — ชีวภาพ ตัวอย่างชีวภาพที่เก็บรักษาไว้ เวชระเบียน หรือข้อมูลการสัมภาษณ์ — จะถูกดึงมาหรือวัดค่าเฉพาะสำหรับกรณีศึกษาและกลุ่มควบคุมที่เลือกไว้เท่านั้น ไม่ใช่สำหรับโคฮอร์ตทั้งหมด เนื่องจากกลุ่มควบคุมถูกดึงมา ณ เวลาที่เกิดเหตุการณ์ของกรณีศึกษาแต่ละครั้ง การสัมผัสที่เปลี่ยนแปลงตามเวลาสามารถบันทึกได้ในช่วงเวลาที่มีความเสี่ยงที่เกี่ยวข้อง

5

การถดถอยโลจิสติกแบบมีเงื่อนไข (conditional logistic regression) ใช้ในการประมาณค่าอัตราส่วนของโอกาส (ORs) ภายในชุดจับคู่กรณีศึกษา-กลุ่มควบคุมแต่ละชุด โดยคำนึงถึงตัวแปรที่จับคู่ ภายใต้การสุ่มตัวอย่างความหนาแน่นอุบัติการณ์ OR จะเป็นการประมาณค่าที่ไม่เอนเอียง (unbiased estimate) ของอัตราส่วนของอัตราอุบัติการณ์ (IRR) จากการวิเคราะห์โคฮอร์ตทั้งหมด ทำให้ผลลัพธ์สามารถตีความได้โดยตรงว่าเป็นค่าประมาณของอัตราสัมพัทธ์ (relative rate estimates)

ข้อผิดพลาดที่พบบ่อย

  • การใช้กรณีศึกษาที่แพร่หลาย (prevalent cases) แทนกรณีศึกษาที่เกิดขึ้นใหม่ (incident cases) — การรวมผู้เข้าร่วมที่ป่วยอยู่แล้วเมื่อเข้าร่วมโคฮอร์ตจะนำไปสู่ความเอนเอียงของระยะเวลา (length bias) และทำลายข้อสมมติฐานเรื่องลำดับเวลาที่การสัมผัสมาก่อนผลลัพธ์
  • การดึงกลุ่มควบคุมจากนอกกลุ่มเสี่ยง — การเลือกกลุ่มควบคุมที่เคยประสบผลลัพธ์แล้ว หรือผู้ที่เข้าร่วมโคฮอร์ตหลังวันที่เกิดกรณีศึกษา จะทำให้ตรรกะการสุ่มตัวอย่างความหนาแน่นบิดเบือนและทำให้ OR เอนเอียงไปจาก IRR
  • การละเลยโครงสร้างที่จับคู่ในการวิเคราะห์ — การวิเคราะห์ข้อมูลกลุ่มกรณี-กลุ่มควบคุมที่จับคู่ด้วยการถดถอยโลจิสติกแบบไม่มีเงื่อนไข (แทนที่จะเป็นแบบมีเงื่อนไข) จะให้ค่าประมาณที่เอนเอียง โดยเฉพาะอย่างยิ่งเมื่อจำนวนกลุ่มควบคุมต่อกรณีศึกษามีน้อย
  • การไม่คำนึงถึงการสัมผัสที่เปลี่ยนแปลงตามเวลา — การใช้การวัดค่าการสัมผัส ณ จุดเริ่มต้นเพียงครั้งเดียวเมื่อการสัมผัสเปลี่ยนแปลงไปในระหว่างการติดตามผล จะทำให้การจำแนกประเภทการสัมผัสผิดพลาดและทำให้ผลลัพธ์เอนเอียงไปทางศูนย์ (bias toward the null)
  • การจับคู่มากเกินไปในตัวแปรบนเส้นทางสาเหตุ — การจับคู่กับตัวแปรกลางระหว่างการสัมผัสและผลลัพธ์จะขจัดความแปรปรวนที่จำเป็นในการตรวจจับผลกระทบ

คำถามที่พบบ่อย

การศึกษากลุ่มควบคุมที่ซ้อนกันแตกต่างจากการศึกษากลุ่มควบคุมแบบดั้งเดิมอย่างไร

การศึกษากลุ่มควบคุมแบบดั้งเดิมจะรวบรวมกรณีศึกษาจากโรงพยาบาลหรือทะเบียน และเลือกกลุ่มควบคุมจากประชากรทั่วไป ทำให้ยากที่จะรับประกันว่ากลุ่มควบคุมมาจากประชากรแหล่งเดียวกันกับกรณีศึกษา การศึกษากลุ่มควบคุมที่ซ้อนกันจะดึงทั้งกรณีศึกษาและกลุ่มควบคุมจากกลุ่มประชากรโคฮอร์ตที่กำหนดไว้ซึ่งมีวันที่เข้าร่วมและติดตามผลที่ทราบ ดังนั้นประชากรแหล่งจึงชัดเจน และกลุ่มควบคุมจะรับประกันว่าเคยมีความเสี่ยงที่จะกลายเป็นกรณีศึกษา ซึ่งจะขจัดแหล่งที่มาของการเอนเอียงจากการเลือก (selection bias) ที่สำคัญ และช่วยให้ OR สามารถประมาณค่า IRR ได้

ฉันควรเลือกกลุ่มควบคุมกี่คนต่อกรณีศึกษา

การเลือกกลุ่มควบคุม 4-5 คนต่อกรณีศึกษาจะเก็บเกี่ยวผลประโยชน์ด้านประสิทธิภาพทางสถิติส่วนใหญ่เมื่อเทียบกับการวิเคราะห์โคฮอร์ตทั้งหมด เกินกว่าอัตราส่วนประมาณ 10:1 ผลประโยชน์ส่วนเพิ่มจะน้อยลง จำนวนที่เหมาะสมขึ้นอยู่กับต้นทุนสัมพัทธ์ของการได้มาซึ่งข้อมูลกรณีศึกษาเทียบกับข้อมูลกลุ่มควบคุม และข้อกำหนดด้านกำลังการทดสอบ สำหรับผลลัพธ์ที่หายากซึ่งแต่ละกรณีศึกษามีค่ามาก อาจมีเหตุผลในการเลือกกลุ่มควบคุมสูงสุด 10 คนต่อกรณีศึกษา

อะไรคือความแตกต่างระหว่างการศึกษากลุ่มควบคุมที่ซ้อนกันและการศึกษากลุ่มกรณี-โคฮอร์ต (case-cohort study)

ทั้งสองแบบออกแบบจะสุ่มตัวอย่างจากโคฮอร์ตเพื่อลดต้นทุนการประเมินการสัมผัส ในการศึกษากลุ่มควบคุมที่ซ้อนกัน กลุ่มควบคุมจะถูกจับคู่ตามกลุ่มเสี่ยงกับกรณีศึกษาแต่ละราย ณ เวลาที่เกิดกรณีศึกษา และใช้การถดถอยโลจิสติกแบบมีเงื่อนไข ในการศึกษากลุ่มกรณี-โคฮอร์ต จะมีการเลือกกลุ่มประชากรโคฮอร์ตย่อยแบบสุ่ม ณ จุดเริ่มต้น และทำหน้าที่เป็นกลุ่มเปรียบเทียบสำหรับกรณีศึกษาทั้งหมดโดยไม่คำนึงถึงเวลาที่เกิดขึ้น ซึ่งช่วยให้สามารถใช้กลุ่มประชากรโคฮอร์ตย่อยเดียวกันสำหรับผลลัพธ์หลายอย่าง แต่ต้องใช้วิธีการวิเคราะห์แบบถ่วงน้ำหนักที่ซับซ้อนกว่า โดยทั่วไปการออกแบบกลุ่มควบคุมที่ซ้อนกันจะวิเคราะห์ได้ง่ายกว่า การออกแบบกลุ่มกรณี-โคฮอร์ตเป็นที่ต้องการเมื่อจะศึกษาผลลัพธ์หลายอย่างพร้อมกัน

ฉันสามารถใช้การออกแบบกลุ่มควบคุมที่ซ้อนกันกับการศึกษากลุ่มประชากรโคฮอร์ตแบบย้อนหลังได้หรือไม่

ได้ แม้ว่าการออกแบบนี้โดยแนวคิดจะเป็นเชิงอนาคต — การสัมผัสมาก่อนผลลัพธ์ — แต่ก็สามารถฝังตัวอยู่ในการศึกษากลุ่มประชากรโคฮอร์ตแบบย้อนหลังที่รวบรวมจากบันทึกในอดีตได้ ข้อกำหนดที่สำคัญคือวันที่เข้าร่วมโคฮอร์ต ระยะเวลาติดตามผล และวันที่เกิดผลลัพธ์ได้รับการบันทึกไว้อย่างน่าเชื่อถือ และข้อมูลการสัมผัสสามารถดึงมาได้สำหรับกรณีศึกษาและกลุ่มควบคุมที่เลือกไว้โดยไม่ทราบสถานะกรณีศึกษา (เพื่อหลีกเลี่ยงความเอนเอียงของข้อมูล)

ฉันสามารถใช้ซอฟต์แวร์ใดสำหรับการถดถอยโลจิสติกแบบมีเงื่อนไขสำหรับข้อมูลกลุ่มควบคุมที่ซ้อนกัน

การถดถอยโลจิสติกแบบมีเงื่อนไขสำหรับข้อมูลกลุ่มกรณี-กลุ่มควบคุมที่จับคู่กันมีอยู่ใน R (ฟังก์ชัน clogit ในแพ็คเกจ survival), Stata (คำสั่ง clogit), SAS (PROC LOGISTIC พร้อม statement STRATA) และ SPSS ตัวแปรที่จับคู่ (โดยทั่วไปคือ ID ชุดกรณีศึกษา) ต้องรวมเป็นตัวระบุชั้น (stratum identifier) สำหรับการวิเคราะห์เวลาจนถึงเหตุการณ์โดยใช้กลุ่มเสี่ยงทั้งหมด ความน่าจะเป็นบางส่วนของ Cox (Cox partial likelihood) ที่มีการจับคู่เวลาเทียบเท่าทางคณิตศาสตร์กับการถดถอยโลจิสติกแบบมีเงื่อนไขภายใต้การสุ่มตัวอย่างความหนาแน่นอุบัติการณ์

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Thomas, D. C. (1977). Addendum to: Methods of cohort analysis: Appraisal by application to asbestos mining. Journal of the Royal Statistical Society, Series A, 140(4), 469–491.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว
  2. Mantel, N. (1973). Synthetic retrospective studies and related topics. Biometrics, 29(3), 479–486.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว