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
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
การศึกษาเริ่มต้นด้วยกลุ่มประชากรโคฮอร์ตแบบพลวัตหรือแบบคงที่ที่มีอยู่หรือที่รวบรวมขึ้นใหม่ ซึ่งสมาชิกทุกคนปลอดโรคเมื่อเข้าร่วมและได้รับการติดตามผลเมื่อเวลาผ่านไป กลุ่มประชากรโคฮอร์ตนี้เป็นกรอบการสุ่มตัวอย่างที่ใช้ดึงทั้งกรณีศึกษาและกลุ่มควบคุม ทำให้มั่นใจได้ว่าผู้เข้าร่วมทุกคนมีจุดเริ่มต้นและช่วงเวลาการสัมผัสที่เหมือนกัน
ระหว่างการติดตามผล เหตุการณ์ของผลลัพธ์ใหม่แต่ละครั้ง (เช่น การวินิจฉัยโรค การเสียชีวิต) จะถูกบันทึกเป็นกรณีศึกษา พร้อมกับวันที่เกิดเหตุการณ์ที่แน่นอน กรณีศึกษามักจะเป็นเหตุการณ์ที่เกิดขึ้นใหม่ทั้งหมดในโคฮอร์ต แต่การออกแบบนี้สามารถจำกัดเฉพาะกลุ่มย่อยที่กำหนดไว้ (เช่น ชนิดย่อยทางจุลพยาธิวิทยาที่เฉพาะเจาะจง)
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)
ข้อมูลการสัมผัส — ชีวภาพ ตัวอย่างชีวภาพที่เก็บรักษาไว้ เวชระเบียน หรือข้อมูลการสัมภาษณ์ — จะถูกดึงมาหรือวัดค่าเฉพาะสำหรับกรณีศึกษาและกลุ่มควบคุมที่เลือกไว้เท่านั้น ไม่ใช่สำหรับโคฮอร์ตทั้งหมด เนื่องจากกลุ่มควบคุมถูกดึงมา ณ เวลาที่เกิดเหตุการณ์ของกรณีศึกษาแต่ละครั้ง การสัมผัสที่เปลี่ยนแปลงตามเวลาสามารถบันทึกได้ในช่วงเวลาที่มีความเสี่ยงที่เกี่ยวข้อง
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
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.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้วMantel, N. (1973). Synthetic retrospective studies and related topics. Biometrics, 29(3), 479–486.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว