逻辑回归的协变量微聚合：用于机密数据分析的应用
应用统计
2016-03-18 v1
摘要
近年来，电子健康记录和分布式数据网络已成为医学和科学研究的可行资源。随着此类来源的机密患者信息使用日益普遍，保护患者隐私至关重要。针对感兴趣的二元疾病结局，我们展示了微聚合（等同于标本池化）和合并逻辑回归（PoLoR）技术可用于分析大型和/或分布式数据，同时尊重患者隐私。PoLoR与标准逻辑回归完全相同，但当微聚合以结局状态为条件时，分析使用微聚合协变量水平而非个体协变量水平。协变量的聚合水平可以从网络节点传递给分析中心，而不泄露个体水平微数据，并且可以很容易地与标准软件一起用于估计与一组分类或连续协变量相关的疾病比值比。协变量的微聚合允许对逻辑回归模型的参数进行一致估计，该模型可包含混杂因素和暴露的变换。此外，由于微数据可在节点内访问，效应修饰因子可被纳入并一致估计。对于机密健康数据分析，逻辑回归的协变量微聚合将提供一种实用且直接的替代方案，以取代现有更复杂的选项。
引用
@article{arxiv.1603.05341,
title = {Covariate Microaggregation for Logistic Regression: An Application for Analysis of Confidential Data},
author = {Paramita Saha-Chaudhuri},
journal= {arXiv preprint arXiv:1603.05341},
year = {2016}
}