监测预警基础27 | Joinpoint回归原理深度解读：从“一根筋”到“识时务”的趋势分析

在公共卫生监测的漫长时间轴上，我们追踪着疾病的发生与发展。一个核心问题始终萦绕：疾病的流行趋势是铁板一块，还是分阶段、有节奏地演变？一项重大干预措施的实施，是否真的在数据上留下了“印记”？

传统回归模型如同一个“一根筋”的画家，只能用一支画笔（一条直线或曲线）描绘整个趋势。

而Joinpoint回归则是一位“识时务”的大师，它能发现数据中的转折，用多支画笔（多条线段）更真实、更精细地还原出疾病流行的动态史诗。本文将从零开始，为你深度解读这位“大师”的工作原理。

J oinpoint回归，又名分段线性回归。其基本思想非常直观：通过引入一个或多个“连接点”，将整个时间序列分割成若干区间，并对每个区间分别进行线性回归拟合。

1998年Kim等首次提出Joinpoint回归模型，该模型的核心思想是根据疾病分布的时间特征建立分段回归，通过若干连接点将研究时间分割成不同区间，并对每个区间进行趋势拟合和优化，进而更详细地评价全局时间范围内不同区间特异性的疾病变化特征。

Joinpoint回归模型由美国国立癌症研究所肿瘤控制与人口科学部开发，在肿瘤发病率和死亡率趋势研究领域得到广泛地应用

如上图所示，相比于一条直线（全局模型），由Joinpoint生成的折线显然能更贴切地反映数据在不同时期的变化特征。

每一个拐点，都可能对应着一个重要的公共卫生事件或社会变迁。

Joinpoint回归最常用的模型是对数线性模型，因为它能直接输出具有明确公共卫生意义的指标——年度变化百分比。

对于一个包含 k个连接点的模型，其回归方程可表示为：

让我们来拆解这个看似复杂的方程：

y：因变量，通常是发病率、死亡率等指标。

x：自变量，即时间变量（如年份）。

β₀：截距项。

β₁：第一个时间区间的斜率（基础斜率）。

τ₁ … τₖ：模型需要估计的连接点（即拐点发生的具体时间）。

δ₁ … δₖ：斜率的变化量。在连接点 τᵢ之后，斜率将在 β₁的基础上增加 δᵢ。

（x - τᵢ）⁺：这是一个断点函数。当x > τᵢ时，其值为(x - τᵢ)；当x ≤ τᵢ时，其值为 0。这个函数是实现分段拟合的关键。

通俗地讲，这个模型就是在说：在第一个连接点 τ₁之前，趋势由 β₁决定；过了 τ₁点，趋势就变成了 （β₁ + δ₁）；过了 τ₂点，趋势进一步变为 （β₁ + δ₁ + δ₂），以此类推。

确定连接点的过程和数量，是Joinpoint回归的统计精髓，绝非主观臆断。

1. 网格搜索法：寻找最优拐点位置

对于可能成为连接点的每一个时间点，模型都会计算其拟合的误差平方和。网格搜索法就像一张精密的网格，系统性地遍历所有可能的分段方案，最终选择那个拟合误差最小的方案，从而确定连接点的最优位置。

2. 置换检验：确定“几个拐点”最合适——防止过度拟合

是不是连接点越多越好？绝非如此！过多的连接点会使模型过于复杂，甚至去拟合数据中的随机噪声（过度拟合）。那么，多少个连接点才是“恰到好处”的呢？

Joinpoint软件默认采用蒙特卡洛置换检验这一稳健的方法来解决这个问题。它的基本流程是：

原假设（H₀）：模型有 k个连接点就足够了。

备择假设（H₁）：模型需要 k+1个连接点。

检验过程：通过数千次（默认4500次）的数据随机置换（模拟），计算出一个P值。如果P值小于显著性水平（如0.05），则拒绝原假设，认为增加一个连接点能显著改善模型拟合效果，然后继续测试增加下一个连接点的必要性。

这个过程反复进行，直到找到那个“增加连接点也不再带来显著改善”的模型为止。这种方法有效避免了人为选择的主观性，保证了结果的客观性。

模型最终的输出结果中，最具解读价值的是两个指标：

1.第一是年度变化百分比（APC）：用于描述每个独立时间段内的趋势快慢。其计算公式由对数线性模型的斜率 β₁推导而来：

如何判断趋势是否显著？看t检验及其P值或者看APC的95%置信区间。如果区间不包含0，则认为该时间段内的上升（APC>0）或下降（APC<0）趋势具有统计学意义。

2.第二是平均年度变化百分比（AAPC）：当整个研究期间存在多个趋势段时，我们需要一个指标来概括全局的平均变化速度。

AAPC应运而生，它是以各时间段的长度（权重）对各个区间的APC进行加权平均计算得出的：

AAPC提供了一个简洁的“整体故事”，便于对不同人群、不同地区或不同时期的长期趋势进行比较。

1. 主要应用领域

肿瘤流行病学：评估癌症发病/死亡率的长期变化，分析筛查项目、新疗法引入的效果。

传染病监测：追踪疫苗普及后传染病发病率的变化趋势。

公共卫生政策评估：验证控烟、限酒等政策是否在数据上产生“拐点”效应。

2. 重要注意事项

数据要求：时间序列不宜过短，通常需要10年以上的数据，且每个趋势段内至少应有4-5个数据点，否则模型识别能力会减弱。

关联≠因果：Joinpoint回归能提示趋势变化的可能时间点，并将其与历史事件关联，但不能证明因果关系。合理解释必须结合流行病学背景知识。

模型假设：使用对数线性模型时，默认率的对数与时间呈线性关系，在实际分析中需留意这一假设是否合理。

3.总结

Joinpoint回归通过其独特的分段拟合思想和严谨的统计检验，将我们从对趋势的笼统认知，带入到对疾病动态演变的精细化解读阶段。它帮助我们回答的不再仅仅是“总体是升是降”，而是“在什么时候、以何种速度、发生了怎样的转变”。

掌握了这些原理，你就拿到了理解Joinpoint回归的钥匙。在下一篇文章中，我们将手把手带你实操美国国家癌症研究所（NCI）的Joinpoint软件，从数据准备、参数设置到结果解读，让你真正将这一强大工具应用于实际工作之中！敬请期待。

编辑：普通疾控人 | 审核：诗酒趁年华

文章来源 | 原创

说明 | 转载只为分享，如有侵权联系删除

©版权声明 | 部分信息和图片来自公开网络

转载请注明

再次转载请注明出处

科普健康 | 宣传疾控

本号为多位疾控机构从业者运营

重点关注国内外健康事件

致力于疾控科普

在做好科普服务大众的同时

做好疾控机构的宣传

让更多的人了解疾控，拥抱健康

欢迎加「小编」微信(cdcjkr126com)

本文具体说明

本文为原创内容，文章为个人理解所学，不涉及疫情信息及内部保密数据，发表的目的为自我总结及给有需求的人士学习使用。如有不妥之处，欢迎联系小编修改、删除。

更多精彩视频，尽在“CDC疾控人”视频号