在这种情况下,您可能能够获得其他置信区间的一些粗略估计,但不能像您建议的那样“推断组合CI”。你当然不应该用这些估计来推断已发表的研究,但如果你想设计一个类似的研究,它们可能会有所帮助。
您会注意到,所有“组合”值的CI基本上与点估计值对称。情况并非总是如此。例如,生存分析中报告的风险比CI与点估计值不对称;对称性通常是log-hazard尺度。然而,在本表中,可以合理假设CI与其他点估计值对称。
问题是如何宽的CI是否是关于不同的点估计。
您不能仅仅“推断”组合CI值的一个原因是,CI的宽度取决于观察值的数量,即使您将其围绕不同的点估计值重新定心。它往往随着观测次数的平方根而减小。例如,如果50-64岁年龄组代表了组合观察值的1/4,则该年龄组的CI大约是“组合”CI的两倍。请注意,相关的“观察数”也取决于结果变量的性质。在这类研究中,重要的可能是死亡人数,而不是总人数。
这项研究似乎只是一份死亡报告,它是年龄范围和吸烟史的函数,仅限于白人男性。在一项更为复杂的研究中,使用回归方法来调整其他变量,如种族和性别,这种简单的方法值得怀疑;CI也可能取决于其他变量的分布。
即使对这种类型的表应用这种简化的方法也有一个问题:多重比较问题。你做的比较越多,就越有可能偶然出现“具有统计意义”的比较。如果你选择评估一个特定的点估计值,部分是因为它看起来“很大”,那么你就更有可能误导自己。
如果你试图根据文献中的信息设计一项新的研究,这种方法可能会很有用。在设计一项新的研究时,你需要知道你想要检测的净效应的大小以及该效应的可变性。如果你没有更多基于自己工作的直接信息,那么其他人的类似调查报告可能是你能做的最好的。