OBJETIVO: Comparar empiricamente as regressões de Cox, log-binomial, Poisson e logística para estimar razões de prevalência em estudos de corte transversal. MÉTODOS: Foram utilizados dados de um estudo epidemiológico transversal (n=2.072), de base populacional, realizado com idosos na cidade de São Paulo (SP), entre maio de 2003 e abril de 2005. Diagnósticos de demência, possíveis casos de transtorno mental comum e autopercepção de saúde ruim foram escolhidos como desfechos com prevalência baixa, intermediária e alta, respectivamente. Foram utilizadas variáveis de confusão com duas ou mais categorias ou valores contínuos. Valores de referência para estimativas por ponto e por intervalo para as razões de prevalência (RP) foram obtidos pelo método de estratificação de Mantel-Haenszel. Estimativas ajustadas foram calculadas utilizando regressões de Cox e Poisson com variância robusta, e regressão log-binomial. Odds ratios (OR) brutos e ajustados foram obtidos pela regressão logística. RESULTADOS: As estimativas por ponto e por intervalo obtidas pelas regressões de Cox e Poisson foram semelhantes à obtida pela estratificação de Mantel-Haenszel, independentemente da prevalência do desfecho e das covariáveis do modelo. O modelo log-binomial apresentou dificuldade de convergência quando o desfecho tinha prevalência alta e havia covariável contínua no modelo. A regressão logística produziu estimativas por ponto e por intervalo maiores do que as obtidas pelos outros métodos, principalmente para os desfechos com maiores prevalências iniciais. Se interpretados como estimativas de RP, os OR superestimariam as associações para os desfechos com prevalência inicial baixa, intermediária e alta em 13%, quase 100% e quatro vezes mais, respectivamente. CONCLUSÕES: Em análise de dados de estudos de corte transversal, os modelos de Cox e Poisson com variância robusta são melhores alternativas que a regressão logística. O modelo de regressão log-binomial produz estimativas não enviesadas da RP, mas pode apresentar dificuldade de convergência quando o desfecho é muito freqüente e a variável de confusão é contínua.
OBJECTIVE: To empirically compare the Cox, log-binomial, Poisson and logistic regressions to obtain estimates of prevalence ratios (PR) in cross-sectional studies. METHODS: Data from a population-based cross-sectional epidemiological study (n = 2072) on elderly people in Sao Paulo (Southeastern Brazil), conducted between May 2003 and April 2005, were used. Diagnoses of dementia, possible cases of common mental disorders and self-rated poor health were chosen as outcomes with low, intermediate and high prevalence, respectively. Confounding variables with two or more categories or continuous values were used. Reference values for point and interval estimates of prevalence ratio (PR) were obtained by means of the Mantel-Haenszel stratification method. Adjusted PR estimates were calculated using Cox and Poisson regressions with robust variance, and using log-binomial regression. Crude and adjusted odds ratios (ORs) were obtained using logistic regression. RESULTS: The point and interval estimates obtained using Cox and Poisson regressions were very similar to those obtained using Mantel-Haenszel stratification, independent of the outcome prevalence and the covariates in the model. The log-binomial model presented convergence difficulties when the outcome had high prevalence and there was a continuous covariate in the model. Logistic regression produced point and interval estimates that were higher than those obtained using the other methods, particularly when for outcomes with high initial prevalence. If interpreted as PR estimates, the ORs would overestimate the associations for outcomes with low, intermediate and high prevalence by 13%, almost by 100% and fourfold, respectively. CONCLUSIONS: In analyses of data from cross-sectional studies, the Cox and Poisson models with robust variance are better alternatives than logistic regression is. The log-binomial regression model produces unbiased PR estimates, but may present convergence difficulties when the outcome is very prevalent and the confounding variable is continuous.
OBJETIVO: Comparar empíricamente las regresiones de Cox, log-binomial, Poisson y logística para estimar razones de prevalencia en estudios de cohorte transversal. MÉTODOS: Fueron utilizados datos de un estudio epidemiológico transversal (n=2.072), de base poblacional, realizado con ancianos en la ciudad de Sao Paulo (Sureste de Brasil), entre mayo de 2003 y abril de 2005. Diagnósticos de demencia, posibles casos de trastorno mental común y autopercepción de salud pésima fueron escogidos como resultados con prevalencia baja, intermedia y alta, respectivamente. Fueron utilizadas variables de confusión con dos o más categorías o valores continuos. Valores de referencia para estimaciones por punto y por intervalo para las razones de prevalencia (RP) fueron obtenidos por el método de estratificación de Mantel-Haenszel. Estimaciones ajustadas fueron calculadas utilizando regresiones de Cox y Poisson con varianza robusta, y regresión log-binomial. Odds ratios (OR) brutos y ajustados fueron obtenidos por la regresión logística. RESULTADOS: Las estimaciones por punto y por intervalo obtenidas por las regresiones de Cox y Poisson fueron semejantes a la obtenida por la estratificación de Mantel-Haenszel, independientemente de la prevalencia del resultado y de las covariables del modelo. El modelo log-binomial presentó dificultad de convergencia cuando el resultado tenía prevalencia alta y había convariable continua en el modelo. La regresión logística produjo estimaciones por punto y por intervalo mayores de las obtenidas por los otros métodos, principalmente para los resultados con mayores prevalencia iniciales. Si se interpretaban como estimaciones de RP, los OR superestimarían las asociaciones para los resultados con prevalencia inicial baja, intermedia y alta en 13%, casi 100% y cuatro veces mas, respectivamente. CONCLUSIONES: En análisis de datos de estudios de cohorte transversal, los modelos Cox y Poisson con varianza robusta son mejores alternativas que la regresión logística. El modelo de regresión log-binomial produjo estimaciones sin sesgo de la RP, pero puede presentar dificultad de convergencia cuando el resultado es muy frecuente y la variable de confusión es continua.
