{
  "id": "age-standardization",
  "title": "年龄标准化",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "年龄标准化将人群的率调整至共同的年龄分布，以减少年龄结构差异对人群间比较的影响。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "年龄标化",
    "年龄调整",
    "年龄标化法"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/age-standardization/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/age-standardization/",
      "json": "https://aiwiki.page/en/age-standardization.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "年龄标准化是一种统计方法，用于比较年龄分布不同的人群之间的率或比例。它利用参考年龄分布或一组参考年龄别率，替代各人群的实际年龄构成，或以其他方式将年龄构成纳入考虑。这种方法广泛应用于人口学、流行病学和公共卫生，有助于区分测量结果本身的差异与人群年龄结构造成的差异。年龄标准化率是一种用于比较的综合指标，并不一定是任何人群中实际观察到的率。"
    },
    {
      "heading": "目的与统计学基础",
      "text": "许多结局都随年龄显著变化。例如，即使某个人群在每个年龄组中的死亡率都低于另一个较年轻的人群，它仍可能因老年人占比较高而具有更高的粗死亡率。因此，仅依据粗率进行比较可能产生误导。\n\n假设将一个人群划分为 \\(k\\) 个互不重叠且覆盖全部年龄的年龄组。设 \\(D_i\\) 为第 \\(i\\) 组的事件数，\\(Y_i\\) 为该组的分母，例如处于风险中的人时。该组的年龄别率为\n\n\\[r_i=\\frac{D_i}{Y_i}.\\]\n\n粗率为\n\n\\[R_{\\mathrm{crude}} =\\frac{\\sum_i D_i}{\\sum_i Y_i} =\\sum_i p_i r_i, \\qquad p_i=\\frac{Y_i}{\\sum_j Y_j}.\\]\n\n因此，粗率既取决于年龄别率，也取决于各年龄组分母的相对大小。标准化通过以共同的参考权重替代各人群特有的权重 \\(p_i\\)，将这两个组成部分分离。\n\n对于死亡率和发病率，分母通常为人时，或用于近似人时的人口数。对于患病率，分母是接受评估的人数，年龄别指标是比例，而非事件发生率。它们适用相同的加权原理，但所得指标仍保有这些不同的含义。\n\n年龄标准化用于处理描述性比较中与年龄有关的混杂。它不会自动控制其他人群差异，也不能据此得出因果推断结论。"
    },
    {
      "heading": "直接标准化",
      "text": "直接年龄标准化将各人群的年龄别率应用于同一个标准年龄分布。\n\n设 \\(N_i^{S}\\) 表示标准人口中第 \\(i\\) 个年龄组的人口数，其权重为\n\n\\[w_i=\\frac{N_i^{S}}{\\sum_j N_j^{S}}, \\qquad \\sum_i w_i=1.\\]\n\n直接标准化率为\n\n\\[R_{\\mathrm{direct}}=\\sum_i w_i r_i.\\]\n\n这是各年龄别率的凸组合。它回答的问题是：如果一个人群具有标准年龄分布，同时保留其观察到的年龄别率，那么总体率会是多少？\n\n在报告率时，通常会乘以一个常数，例如 \\(100{,}000\\)。这种尺度转换不会改变其基本计算方法。\n\n数值示例\n\n考虑两个假想人群，其年度事件发生率如下：\n\n年龄组 | 人群A：每10万人发生率 | 人群B：每10万人发生率 | A：人口占比 | B：人口占比\n较年轻组 | 100 | 150 | 60% | 90%\n较年长组 | 1,000 | 1,200 | 40% | 10%\n\n它们每 \\(100{,}000\\) 人的粗率分别为\n\n\\[R_A=0.60(100)+0.40(1{,}000)=460,\\]\n\n\\[R_B=0.90(150)+0.10(1{,}200)=255.\\]\n\n尽管人群A在两个年龄组中的率都较低，其粗率却较高。\n\n采用两个年龄组占比相等的标准人口，可得\n\n\\[R_A^{S}=0.50(100)+0.50(1{,}000)=550,\\]\n\n\\[R_B^{S}=0.50(150)+0.50(1{,}200)=675.\\]\n\n在共同的年龄构成下，标准化后的比较反映出A的年龄别率较低。但在描述这些人群的实际事件发生频率时，这些标准化数值不能替代粗率。"
    },
    {
      "heading": "间接标准化",
      "text": "间接年龄标准化将参考年龄别率应用于研究人群的年龄分布。当当地各年龄组的事件数较少或无法获得，但已知该人群的年龄结构和事件总数时，这种方法很有用。\n\n设 \\(r_i^{S}\\) 为第 \\(i\\) 个年龄组的参考率，\\(Y_i\\) 为研究人群中相应的暴露量。按参考率计算的预期事件数为\n\n\\[E=\\sum_i Y_i r_i^{S}.\\]\n\n若 \\(O\\) 为观察事件数，则观察数与预期数之比为\n\n\\[\\mathrm{SMR}=\\frac{O}{E}.\\]\n\n对于死亡，这一指标称为标准化死亡比。数值为 \\(1\\) 表示观察死亡数等于按参考率计算的预期死亡数；数值为 \\(1.20\\) 表示观察死亡数比预期多20%。一些出版物将该比值乘以 \\(100\\)，此时以 \\(100\\) 表示观察数与预期数相等。用于疾病发病的对应指标通常称为标准化发病比。\n\n间接标准化率也可按下式计算：\n\n\\[R_{\\mathrm{indirect}} =\\frac{O}{E}R_{\\mathrm{crude}}^{S},\\]\n\n其中，\\(R_{\\mathrm{crude}}^{S}\\) 是参考人群的粗率。\n\n间接标准化指标的可比性\n\n不同研究人群的间接标准化比值，通常并不等同于采用共同权重计算的直接标准化率。事实上，当参考率均为正值时，\n\n\\[\\frac{O}{E} = \\sum_i \\frac{Y_i r_i^{S}}{E} \\frac{r_i}{r_i^{S}},\\]\n\n因此，该比值是各年龄别率比的加权平均值，其权重取决于每个研究人群的年龄结构。\n\n由此，两个研究人群的标准化死亡比可能部分因权重不同而存在差异。当各年龄组的年龄别率比近似恒定时，可以更直接地进行比较；否则，采用共同权重的直接标准化，或明确按年龄组分别比较，可能提供更多信息。"
    },
    {
      "heading": "标准人口的选择",
      "text": "标准人口是一种加权约定，并不是指在生物学上理想或特别健康的人群。它可以依据某次人口普查、某个地区的人口、合并后的研究人群，或国际通用的参考分布来确定。\n\n不同标准可能产生不同的标准化率。如果某个人群在所有年龄组中的率都较低，那么任何一组共同的非负权重都会保留这一高低顺序。但如果不同人群的年龄别率曲线相互交叉，改变标准就可能改变它们的排序。\n\n要使结果具有可比性，以下方面必须保持一致：\n\n- 标准人口及其年龄权重。\n- 年龄组的划分界限和纳入的年龄范围。\n- 结局定义和观察时期。\n- 分母定义和报告单位。\n\n仅针对成年人或某个特定年龄范围计算的标准化率，不能与全年龄标准化率直接比较。当官方标准修订时，表面上的突变可能来自新权重，而非年龄别率的变化。"
    },
    {
      "heading": "统计不确定性",
      "text": "标准化率是估计值，可能存在较大的抽样不确定性。将标准权重视为固定值，并假设各年龄组的估计值相互独立，则有\n\n\\[\\operatorname{Var}(\\widehat R_{\\mathrm{direct}}) = \\sum_i w_i^2\\operatorname{Var}(\\widehat r_i).\\]\n\n在暴露量固定、事件计数服从泊松分布的模型下，\n\n\\[\\widehat{\\operatorname{Var}}(\\widehat r_i) \\approx\\frac{D_i}{Y_i^2},\\]\n\n因此\n\n\\[\\widehat{\\operatorname{Var}}(\\widehat R_{\\mathrm{direct}}) \\approx \\sum_i w_i^2\\frac{D_i}{Y_i^2}.\\]\n\n将其开平方即可得到近似标准误。当事件数很少时，正态近似置信区间可能并不适用，尤其是在它给出负的下限时。对于直接标准化率，可采用的替代方法包括基于伽马分布的区间估计方法。\n\n对于标准化死亡比，通常在给定参考率和暴露量的条件下，将 \\(O\\) 视为服从泊松分布，用其均值的置信限除以 \\(E\\)，以评估不确定性。如果参考率本身的估计不够精确，将 \\(E\\) 视为固定值就会忽略这部分额外的不确定性。\n\n对于来自调查的估计值，计算时可能需要考虑抽样权重、整群抽样和分层抽样，而不能采用独立泊松计数的假设。"
    },
    {
      "heading": "应用与发展",
      "text": "年龄标准化起源于死亡统计，用于比较年龄结构不同的人群。后来，它成为国家人口动态统计和国际健康比较的常规组成部分。\n\n其主要应用包括比较不同地区、人群和时期的死亡率、癌症发病率、疾病患病率及其他与年龄有关的结局。在时间序列比较中，保持标准不变，有助于区分年龄别率的变化与人口老龄化相关的变化。\n\n同样的一般方法也可用于同时对年龄和其他特征进行标准化。例如，年龄—性别标准化对各年龄—性别分层应用共同权重。不过，更细致的分层会增加需要估计的率的数量，并可能导致某些分层中的数据过于稀少。"
    },
    {
      "heading": "局限性与相关方法",
      "text": "**标准化率不能衡量实际事件总数。**事件数取决于人口规模、实际年龄构成和年龄别率。一个人群的年龄标准化死亡率可能下降，但由于人口增长或老龄化，死亡人数仍可能上升。\n\n**调整可能仍不充分。**较宽的年龄分组无法消除各组内部年龄构成的差异。年龄缺失、年龄误报、分类不一致和事件登记不完整，也会影响比较。\n\n**单一综合指标可能掩盖不同群体的模式差异。**较年轻和较年长人群中方向相反的趋势，可能在标准化率中相互抵消。人群之间的差异也可能随年龄显著变化，这是一种统计交互作用，无法通过单一加权平均值呈现。\n\n**直接标准化需要可用的年龄别估计值。**小规模人群的率可能不稳定，在标准权重较大的年龄组中尤其如此。间接标准化不要求具备当地所有年龄别率，但会带来上述可比性局限。\n\n**标准化并不是因果解释。**消除年龄构成差异，并不能说明年龄别率为何不同。其他混杂因素、选择过程和测量差异仍可能存在。\n\n包括广义线性模型在内的回归方法，可以将率估计为年龄和其他变量的函数。对指定参考人群的模型预测值取平均，可得到基于模型的标准化指标。这类估计还取决于模型设定是否恰当，以及数据是否充分覆盖参考人群的各项特征。\n\n年龄标准化死亡率也不同于预期寿命。生命表通过生存计算，将各年龄的死亡概率结合起来；年龄标准化死亡率则是年龄别率的加权平均值。这两个指标以不同方式概括死亡状况，不能相互替代。"
    }
  ],
  "links": [
    "demography",
    "epidemiology",
    "public-health",
    "confounding",
    "causal-inference",
    "convex-combination",
    "population-census",
    "poisson-distribution",
    "standard-error",
    "confidence-interval",
    "cancer",
    "statistical-interaction",
    "generalized-linear-model",
    "life-table"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}