Prace dyplomowe · Metoda

Sondaż przekrojowy w naukach o zdrowiu – jak opisać metodę w pracy

Gotowy podrozdział „Metoda” dla badania ankietowego w zdrowiu: populacja, rekrutacja, odsetek odpowiedzi, narzędzia, braki danych i plan analizy według STROBE – oraz to, co wolno napisać we wnioskach, gdy wszystko mierzysz jeden raz. Z przykładem 472 pacjentów POZ w R.

Strona główna / Blog / Sondaż przekrojowy – metoda
W skrócie: W opisie sondażu przekrojowego najważniejsze jest pokazanie, kogo naprawdę zbadano: populacja, placówki, daty, liczba zaproszonych i uprawnionych, odsetek odpowiedzi, powody odpadania i braki dla każdej zmiennej (STROBE). Przy częstym wyniku podawaj iloraz chorobowości, a nie tylko iloraz szans: w przykładzie PR = 1.96, a OR = 2.52. We wnioskach pisz o współwystępowaniu w badanej grupie. Jeden pomiar nie rozstrzygnie, czy mała aktywność nasila objawy, czy objawy ograniczają aktywność.

Sondaż przekrojowy w jednym akapicie

Sondaż przekrojowy to badanie, w którym jeden raz pytasz określoną grupę osób o ich stan i zachowania. Służy zwykle do oszacowania, jak często coś występuje, do opisu populacji i do szukania uwarunkowań zdrowia (Wang i Cheng, 2020). Ponieważ ekspozycję i wynik mierzysz w tym samym czasie, wnioskowanie przyczynowe jest trudne (Setia, 2016). W rozdziale o metodzie częsty problem jest jednak inny: opis skupia się na narzędziach, a pomija to, kogo naprawdę zbadano i ile osób po drodze odpadło.

Ten wpis to gotowy wzór podrozdziału „Metoda” dla takiego badania. Ogólny układ rozdziału opisuje poradnik o rozdziale metodologicznym, ankietę w jednym szpitalu ze znaną kadrą – wpis o ankiecie wśród personelu, a opis wyników przy wielu pytaniach – wpis o ankiecie z 30 pytaniami. Tu chodzi o sondaż, w którym listy populacji zwykle nie masz i musisz opisać, skąd wzięli się respondenci.

Przykład przewodni (fikcyjny, dane symulowane). Studentka zdrowia publicznego pyta dorosłych pacjentów czterech przychodni podstawowej opieki zdrowotnej (POZ), jak często występują objawy depresyjne (PHQ-9) i czy wiążą się z małą aktywnością fizyczną. Rekrutacja trwa sześć tygodni. Liczby w tekście pochodzą z kodu R na końcu wpisu. Przykład nie mówi nic o prawdziwych pacjentach.

Układ według STROBE: co gdzie opisać

Dla badań obserwacyjnych, w tym przekrojowych, standardem raportowania jest lista STROBE (von Elm i in., 2007). Którą listę wybrać i jak ją wypełnić, wyjaśnia wpis o wytycznych raportowania. Jeśli dane pochodzą z dokumentacji, a nie od respondentów, zobacz badanie retrospektywne. Poniżej punkty szczególnie ważne w pracach ankietowych, przypisane do podrozdziałów. Treść punktów jest streszczona.

Punkty listy STROBE dla badania przekrojowego przypisane do podrozdziałów metody i wyników
Punkt STROBEPodrozdziałCo napisać w przykładzie
4–5: schemat, miejsce, datySchemat i miejsce badaniaSondaż przekrojowy, cztery przychodnie POZ, daty rekrutacji
6a: kryteria i sposób doboruUczestnicyKryteria włączenia, kolejne osoby w rejestracji
7–8: zmienne i pomiarNarzędziaDefinicja wyniku i ekspozycji, źródło każdego narzędzia
9: źródła obciążeniaProceduraCo zrobiono, by ograniczyć błąd doboru i pomiaru
10: liczebnośćUczestnicySkąd wzięła się liczba osób
12: metody, w tym 12c (braki) i 12d (schemat doboru)Plan analizyModele, braki, uwzględnienie przychodni
13: liczby na etapach, powody, diagramWyniki, początekRysunek 1
14a–b: charakterystyka, braki dla każdej zmiennejWynikiTabela 1 i liczba braków
16: wyniki surowe i skorygowane z CIWynikiOba oszacowania, lista zmiennych korygujących
19–21: ograniczenia, interpretacja, uogólnianieDyskusjaKierunek obciążenia, czasowość, do kogo odnoszą się wyniki

Populacja i rekrutacja: kogo naprawdę zbadano

Rozdziel trzy rzeczy, które w pracach zlewają się w jedno: populację, o której chcesz mówić (dorośli pacjenci POZ), miejsca, w których ją spotykasz (cztery przychodnie), i sposób doboru. Zapraszanie kolejnych osób przez ustalony czas to nadal dobór nieprobabilistyczny, ale ma nad ankietą w mediach społecznościowych tę przewagę, że znasz liczbę zaproszonych, więc możesz policzyć odsetek odpowiedzi. Przychodnie to dodatkowe źródło podobieństwa: pacjenci jednej placówki bywają do siebie podobni. Przy czterech placówkach wprowadź przychodnię do modelu jako zmienną, zamiast liczyć błędy klastrowe.

Typowe sformułowania o doborze próby: co jest nie tak i jak to poprawić
Jak bywa napisaneCo jest nie takLepiej
„W badaniu wzięło udział 472 pacjentów.”Nie wiadomo, kim są, skąd pochodzą i ilu odmówiło.„Zaproszono 730 kolejnych dorosłych pacjentów czterech przychodni POZ; 700 spełniało kryteria.”
„Próba była reprezentatywna dla pacjentów POZ.”Reprezentatywności nie daje liczebność ani rozkład płci. Bez doboru losowego nie można jej stwierdzić.„Próba obejmuje pacjentów czterech przychodni z jednego powiatu; wyniki odnoszą się do podobnych placówek.”
„Ankietę rozdano w przychodniach.”Brak kryteriów, dat i osoby rekrutującej; nie da się powtórzyć procedury.„Od 2 marca do 10 kwietnia osoba rekrutująca zapraszała każdego dorosłego pacjenta oczekującego na wizytę.”
„Badanie miało charakter ankietowy.”To technika zbierania danych, a nie schemat.„Przeprowadzono sondaż przekrojowy z użyciem kwestionariusza do samodzielnego wypełnienia.”

Liczebność uzasadnij precyzją oszacowania, a nie zwyczajem. Dla spodziewanego odsetka 25% i marginesu ±4 punkty procentowe potrzeba 451 osób. Przy spodziewanym udziale 65% oznacza to około 694 uprawnionych do zaproszenia. Rachunek ze spodziewanym udziałem opisuje wpis ile zaproszeń wysłać.

Odsetek odpowiedzi i diagram przepływu

STROBE prosi o liczby na każdym etapie, powody odpadania i rozważenie diagramu (von Elm i in., 2007). Mianownik wskaźnika odpowiedzi podaj wprost: tu 482 z 700 uprawnionych, czyli 68.9%. Reguły liczenia etapów są we wpisie o diagramie przepływu, a rysunek przygotujesz w generatorze online.

Diagram przepływu: 730 osób zaproszonych, 30 niekwalifikujących się, 700 uprawnionych, 218 odmów lub niezwróconych ankiet, 482 wypełnione ankiety (68.9%), 10 osób bez ważnego wyniku PHQ-9, 472 w analizie rozpowszechnienia, 33 z brakami w zmiennych modelu, 439 w modelach regresji.
Rysunek 1. Przepływ uczestników w przykładzie. Liczby na ostatnich etapach pokazują, że analiza rozpowszechnienia i modele obejmują różne liczby osób. Obliczenia: R (dane symulowane).

Sam odsetek nie rozstrzyga, czy wyniki są obciążone: brak odpowiedzi może, ale nie musi prowadzić do obciążenia (Groves, 2006). Sprawdź to na tym, co masz o osobach, które odmówiły. Osoba rekrutująca może notować wiek i płeć bez danych identyfikujących, jeśli zgodzi się na to komisja bioetyczna. W przykładzie osoby odmawiające były nieco młodsze (M = 49.7 wobec 52.8 lat), a odsetek kobiet był podobny (61.0% i 63.7%). Taki wynik pomaga, ale nie wystarcza. Dzięki symulacji znamy to, czego w prawdziwym badaniu nie zobaczysz: osoby z objawami brały udział rzadziej (58.9% wobec 72.0%), więc wśród wszystkich uprawnionych wynik PHQ-9 ≥ 10 miało 24.0% osób, a w analizie 20.8%. Porównanie wieku i płci tej różnicy nie ujawnia. Dlatego w dyskusji napisz, w którą stronę mógł działać brak odpowiedzi.

Narzędzia: co zmierzono i co z tego wynika

Dla każdej zmiennej podaj: definicję, źródło, sposób liczenia wyniku i próg. Szczegóły PHQ-9 opisuje wpis o liczeniu wyniku GAD-7 i PHQ-9. W badaniu walidacyjnym wynik co najmniej 10 miał czułość i swoistość po 88% dla dużej depresji (Kroenke i in., 2001). To narzędzie przesiewowe, więc pisz „wynik PHQ-9 ≥ 10” albo „nasilone objawy depresyjne”, a nie „depresja”. Pozycja 9 pyta o myśli samobójcze. Przed rekrutacją ustal z promotorem i komisją, jak zareagujesz na niepokojącą odpowiedź w badaniu anonimowym, i dołącz informację o miejscach pomocy.

Własne pytanie opisz równie dokładnie jak skalę: dosłowne brzmienie w załączniku, próg z uzasadnieniem, otwarte przyznanie, że to pojedyncza pozycja samoopisowa. W przykładzie aktywność mierzy pytanie o liczbę dni z co najmniej 30 minutami umiarkowanego wysiłku. Podanie rzetelności z własnej próby (tu α = .88) nie zastępuje informacji o walidacji.

Braki danych: osobno dla każdej zmiennej

STROBE wymaga podania liczby osób z brakami dla każdej zmiennej (punkt 14b) i opisu postępowania z nimi (12c; von Elm i in., 2007). W przykładzie 42 osoby pominęły jedną pozycję PHQ-9 i dostały wynik proporcjonalny, a 10 osób pominęło dwie lub więcej i nie ma wyniku. Dalsze braki to wykształcenie (17), aktywność (13) i choroba przewlekła (4). Model obejmuje więc 439 z 472 osób. Pisz wprost, że analiza dotyczy osób z kompletem zmiennych, a modele surowy i skorygowany licz na tych samych osobach. Kiedy to za mało i jakie są inne podejścia, wyjaśnia wpis o brakach danych w ankiecie.

Gotowy podrozdział „Metoda”

Przepisz układ, a treść zastąp własnymi danymi. Daty i liczby są fikcyjne. Wymagania uczelni i promotora mają pierwszeństwo przed tym wzorem.

Schemat i uczestnicy

Przeprowadzono sondaż przekrojowy w czterech przychodniach podstawowej opieki zdrowotnej w jednym powiecie (od 2 marca do 10 kwietnia 2026 r.). Populację docelową stanowili dorośli pacjenci POZ. Do badania zapraszano kolejne osoby oczekujące na wizytę w dniach pracy osoby rekrutującej. Kryteria włączenia: wiek co najmniej 18 lat, samodzielne wypełnienie kwestionariusza w języku polskim. Liczebność oszacowano na podstawie precyzji: dla spodziewanego odsetka 25% i marginesu ±4 punkty procentowe (95% CI) potrzebne było 451 osób; przy spodziewanym udziale 65% planowano zaprosić co najmniej 694 uprawnione osoby. Zastosowano dobór nieprobabilistyczny, dlatego wyniki odnoszą się do pacjentów podobnych placówek.

Komentarz. Oddziel populację docelową od placówek. Ostatnie zdanie zapobiega zarzutowi nadmiernego uogólniania.

Narzędzia

Objawy depresyjne z ostatnich dwóch tygodni oceniono kwestionariuszem PHQ-9 (Kroenke i in., 2001; zakres 0–27). Za wynik główny przyjęto wynik co najmniej 10 punktów, traktowany jako przesiewowy wskaźnik nasilonych objawów, a nie rozpoznanie. Spójność wewnętrzna w próbie: α = .88. Małą aktywność fizyczną zdefiniowano jako mniej niż 3 dni w tygodniu z co najmniej 30 minutami umiarkowanego wysiłku (pytanie własne, Załącznik 1). Metryczka obejmowała wiek, płeć, wykształcenie i obecność choroby przewlekłej rozpoznanej przez lekarza.

Komentarz. Podaj okres, którego dotyczy pytanie. W sondażu przekrojowym to jedyna informacja o czasie.

Procedura

Badanie uzyskało zgodę komisji bioetycznej [numer i data] oraz kierowników przychodni. Uczestnicy otrzymywali pisemną informację o badaniu, a wypełnienie anonimowego kwestionariusza uznawano za wyrażenie zgody [lub: zgodnie z decyzją komisji]. Kwestionariusz wypełniano przed wizytą, bez udziału personelu leczącego, co miało ograniczyć skłonność do odpowiedzi społecznie pożądanych. Osoba rekrutująca odnotowywała wiek i płeć osób odmawiających, bez danych identyfikujących. Na końcu kwestionariusza zamieszczono informację o dostępnych formach pomocy.

Komentarz. Zdanie o tym, czemu służył dany krok, odpowiada punktowi 9 STROBE (źródła obciążenia).

Plan analizy

Rozpowszechnienie wyniku PHQ-9 ≥ 10 podano z 95% przedziałem ufności Wilsona. Przy jednym braku w PHQ-9 obliczano wynik proporcjonalny; przy dwóch i więcej wynik uznawano za brakujący. Związek małej aktywności z wynikiem PHQ-9 ≥ 10 oszacowano regresją Poissona z odpornymi błędami standardowymi (iloraz chorobowości, PR) oraz regresją logistyczną (iloraz szans, OR), w wersji surowej i skorygowanej o wiek, płeć, wykształcenie, chorobę przewlekłą i przychodnię. Zmienne korygujące wybrano przed analizą na podstawie literatury. Modele oszacowano na osobach z kompletem zmiennych, a liczbę braków podano dla każdej zmiennej. Obliczenia wykonano w R 4.5.3.

Komentarz. Przy częstym wyniku iloraz szans nie przybliża ilorazu chorobowości: gdy PR > 1, OR jest zawsze większy (Thompson i in., 1998). Zamiast tego można oszacować PR bezpośrednio, np. regresją Poissona z odpornym estymatorem wariancji (Barros i Hirakata, 2003). Różnice między miarami omawia wpis o RR, OR i NNT. Przedział Wilsona opisuje tylko niepewność losową i nie obejmuje błędu wynikającego z braku odpowiedzi.

Tabela i pierwszy akapit wyników

Tabelę opisową pokaż bez testów istotności: STROBE odradza je w tym miejscu (Vandenbroucke i in., 2007). Reguły układu i formatowania opisuje wpis o tabeli 1.

Charakterystyka próby w przykładzie według wyniku PHQ-9
CechaWszyscy (n = 472)PHQ-9 < 10 (n = 374)PHQ-9 ≥ 10 (n = 98)
Wiek, M (SD)52.7 (15.3)52.0 (15.3)55.6 (15.2)
Kobiety, n (%)301 (63.8)231 (61.8)70 (71.4)
Wykształcenie podstawowe/zawodowe, n (%)95 (20.9)72 (20.1)23 (24.0)
Wykształcenie średnie, n (%)161 (35.4)128 (35.7)33 (34.4)
Wykształcenie wyższe, n (%)199 (43.7)159 (44.3)40 (41.7)
Choroba przewlekła, n (%)200 (42.7)135 (36.5)65 (66.3)
Mała aktywność, n (%)173 (37.7)118 (32.4)55 (57.9)

Odsetki liczono wśród osób z danymi dla danej zmiennej; dane symulowane.

Spośród 730 zaproszonych osób 700 spełniało kryteria, a kwestionariusz wypełniły 482 osoby (68.9%). Do analizy włączono 472 osoby z ważnym wynikiem PHQ-9. Wynik co najmniej 10 punktów miało 98 osób (20.8%, 95% CI [17.3, 24.7]). Odsetek ten wynosił 31.8% u osób z małą aktywnością i 14.0% u pozostałych. Po uwzględnieniu wieku, płci, wykształcenia, choroby przewlekłej i przychodni (n = 439) iloraz chorobowości wynosił PR = 1.96, 95% CI [1.36, 2.83], a iloraz szans OR = 2.52, 95% CI [1.54, 4.12].

Zwróć uwagę na różnicę: PR = 1.96 oznacza prawie dwukrotnie wyższy odsetek, a OR = 2.52 łatwo błędnie przeczytać jako „dwa i pół razy częściej”.

Przekrojowość a czasowość

Ta sama tabela może powstać z zupełnie różnych procesów. Symulacja na rysunku 2 tworzy trzy światy: w jednym mała aktywność zwiększa objawy, w drugim objawy ograniczają aktywność, a w trzecim oba zjawiska mają wspólną przyczynę. Sondaż w każdym z nich pokazuje niemal to samo: około 30% wobec 16% i OR około 2.25. Inny jest tylko skutek hipotetycznej zmiany: gdyby wszyscy stali się aktywni, odsetek spadłby z 22.6% do 16.0% tylko w świecie A.

Trzy światy z tym samym wynikiem przekrojowym. Świat A, aktywność wpływa na objawy: odsetek 30.3% wobec 16.2%, OR 2.25; zmiana aktywności obniża odsetek z 22.6% do 16.0%. Świat B, objawy wpływają na aktywność: 30.0% wobec 16.1%, OR 2.24; bez zmian. Świat C, wspólna przyczyna: 30.1% wobec 16.0%, OR 2.27; bez zmian.
Rysunek 2. Trzy procesy dające tę samą tabelę przekrojową. Dane z jednego sondażu nie rozróżnią tych światów. Obliczenia: R (dane symulowane, po 200 000 osób).

Nie znaczy to, że sondaż niczego nie mówi o przyczynach. Savitz i Wellenius (2023) przekonują, że odwrócona przyczynowość, ograniczenie do rozpowszechnienia czy pomiar tylko bieżącej ekspozycji nie dotyczą każdego badania przekrojowego i trzeba je oceniać w konkretnym przypadku. Sprawdź więc w swojej pracy trzy rzeczy:

  • Czy ekspozycja mogła zależeć od wyniku? Wiek czy wzrost nie zależą od objawów, ale aktywność, sen i dieta mogą.
  • Czy masz informację o kolejności? Pytanie, od kiedy trwa stan, pomaga, ale wnosi błąd pamięci. Opisz to jako dane retrospektywne.
  • Czy badasz rozpowszechnienie, a nie nowe przypadki? W sondażu nadreprezentowane są stany długotrwałe, co wyjaśnia hasło o chorobowości i zapadalności. Pomiar kolejności zapewnia dopiero badanie kohortowe.

Co wolno napisać we wnioskach

Sformułowania we wnioskach z sondażu przekrojowego: niedopuszczalne i bezpieczne
Nie piszPiszDlaczego
„Mała aktywność powoduje objawy depresyjne.”„Mała aktywność współwystępowała z częstszym wynikiem PHQ-9 ≥ 10.”Jeden pomiar nie ustala kierunku.
„Aktywność chroni przed depresją.”„Związek utrzymał się po uwzględnieniu mierzonych zmiennych, ale nie wyklucza to wpływu niezmierzonych.”Zakłócanie kontrolujesz tylko w zakresie tego, co zmierzono.
„20.8% Polaków ma depresję.”„Wynik przesiewowy PHQ-9 ≥ 10 miało 20.8% pacjentów czterech przychodni.”Nie ta populacja i nie rozpoznanie.
„Czynnik ryzyka depresji.”„Czynnik związany z objawami” albo „korelat”.„Ryzyko” sugeruje przyszłe zdarzenia.
„Należy wdrożyć program aktywności.”„Warto sprawdzić tę zależność w badaniu podłużnym lub interwencyjnym.”Sondaż nie ocenia skuteczności działań.
W badanej grupie pacjentów POZ co piąta osoba miała wynik przesiewowy wskazujący na nasilone objawy depresyjne, a mała aktywność fizyczna współwystępowała z częstszym występowaniem takiego wyniku także po uwzględnieniu mierzonych zmiennych. Przekrojowy schemat badania nie pozwala ustalić kierunku tej zależności: objawy mogły ograniczać aktywność, a mała aktywność nasilać objawy. Ponieważ osoby z nasilonymi objawami mogły rzadziej brać udział w badaniu, uzyskany odsetek może być zaniżony. Wyniki odnoszą się do pacjentów podobnych placówek.

Sposób opisu tych zastrzeżeń rozwija wpis o ograniczeniach badania.

Na co zwrócić uwagę w różnych dziedzinach

To częste konwencje i nasze obserwacje, a nie reguły.

Na co zwrócić uwagę w opisie sondażu przekrojowego w czterech dziedzinach
DziedzinaGłówny akcentTypowy błąd
PsychologiaKonstrukty, właściwości skal, korelacje; zob. badanie korelacyjneMediacja na jednym pomiarze bez zastrzeżeń
Nauki o zdrowiuRozpowszechnienie z CI, STROBE, PR; zob. pracę z dietetyki i zdrowia publicznego i z pielęgniarstwa„Depresja” zamiast wyniku przesiewowego
FizjoterapiaDefinicja dolegliwości, okres pytania, funkcjonalność w samoopisieWnioski o skuteczności terapii z porównania osób ćwiczących i niećwiczących
ZarządzanieWspólna metoda, organizacja jako klaster„Wpływ” przywództwa na zaangażowanie z jednego pomiaru

Najczęstsze błędy

  • Brak mianownika. Podajesz liczbę respondentów, ale nie liczbę zaproszonych ani uprawnionych.
  • Różne n bez wyjaśnienia. 472 w opisie, 439 w modelu i ani słowa dlaczego.
  • Nazywanie wyniku przesiewowego rozpoznaniem.
  • OR czytany jak „razy częściej” przy częstym wyniku.
  • Zmienne korygujące wybrane po analizie według istotności w modelu surowym.
  • Testy istotności w tabeli charakterystyki próby.
  • Pominięcie okresu pytania („ostatnie 2 tygodnie”), który określa, co naprawdę zmierzono.
  • Słowa „wpływ”, „skutek”, „czynnik ryzyka” we wnioskach.

Jeśli chcesz, żeby ktoś sprawdził opis metody i obliczenia, zobacz pomoc w analizie dla studentów.

Przykład reprodukowalny

Sondaż przekrojowy w R

Trzy przepisy liczą wszystkie liczby z tekstu. Pierwszy tworzy rejestr rekrutacji i dane respondentów i zapisuje je w folderze nadrzędnym (../). Drugi liczy wynik PHQ-9, tabelę i modele, trzeci porównuje trzy mechanizmy. Przepisy uruchamiaj po kolei z jednego folderu. Dane możesz pobrać: sondaz-przekrojowy-poz-respondenci.csv (482 fikcyjne osoby: przychodnia, wiek, płeć, wykształcenie, choroba przewlekła, mała aktywność, dziewięć pozycji PHQ-9).

Rekrutacja, dane i odsetek odpowiedzi

Dane wejściowe: symulowane 730 osób z czterech przychodni; udział zależny od objawów, wieku i płci; set.seed(4721); tylko bazowy R.

Co odczytać: liczby do diagramu przepływu, odsetek odpowiedzi, porównanie osób odmawiających z respondentami i wartości prawdziwe znane tylko w symulacji.

R
# B472 – sondaż przekrojowy wśród pacjentów czterech przychodni POZ: rejestr rekrutacji i dane
# Dane symulowane. Scenariusz fikcyjny: objawy depresyjne (PHQ-9) a mała aktywność fizyczna.
set.seed(4721)

# 1. Kolejne osoby zaproszone w rejestracji: 730 osób, 30 niekwalifikujących się
N <- 730
przychodnie <- sample(c("A", "B", "C", "D"), N, TRUE, prob = c(.35, .30, .20, .15))
wiek <- pmin(pmax(round(rnorm(N, 52, 16)), 18), 85)
plec <- ifelse(runif(N) < .60, "K", "M")
wyk_p <- plogis(-0.2 - 0.025 * (wiek - 50))               # szansa na wykształcenie wyższe
wyksztalcenie <- ifelse(runif(N) < wyk_p, "wyższe",
                        ifelse(runif(N) < .6, "średnie", "podstawowe/zawodowe"))
choroba <- rbinom(N, 1, plogis(-0.4 + 0.05 * (wiek - 50)))
aktyw_mala <- rbinom(N, 1, plogis(-0.55 + 0.018 * (wiek - 50) + 0.6 * choroba -
                                    0.45 * (wyksztalcenie == "wyższe")))

# 2. Dziewięć pozycji PHQ-9 (0–3) z jednej cechy ukrytej
theta <- -0.95 + 0.62 * aktyw_mala + 0.55 * choroba + 0.28 * (plec == "K") -
  0.008 * (wiek - 50) + rnorm(N)
phq <- sapply(1:9, function(i) {
  x <- 0.80 * theta + rnorm(N, 0, 0.72)
  as.integer(cut(x, c(-Inf, -0.05, 0.85, 1.65, Inf))) - 1L
})
colnames(phq) <- paste0("phq", 1:9)
prawdziwy_wynik <- rowSums(phq)

# 3. Kto trafia do badania: kwalifikacja, udział, kompletność
powod_niekw <- rep(NA_character_, N)
niekw <- sample(N, 30)
powod_niekw[niekw] <- sample(c("niewystarczająca znajomość języka polskiego",
                               "stan uniemożliwiający samodzielne wypełnienie"),
                             30, TRUE, prob = c(.45, .55))
uprawniony <- is.na(powod_niekw)
p_udzial <- plogis(0.95 - 0.70 * (prawdziwy_wynik >= 10) + 0.012 * (wiek - 50) +
                     0.15 * (plec == "K"))
udzial <- uprawniony & runif(N) < p_udzial

status <- ifelse(!uprawniony, "niekwalifikowany", ifelse(udzial, "wypełnił", "odmowa"))
rejestr <- data.frame(przychodnia = przychodnie, wiek, plec, status, powod_niekw)

# 4. Braki w odpowiedziach respondentów
resp_i <- which(udzial)
n <- length(resp_i)
dane <- data.frame(id = seq_len(n), przychodnia = przychodnie[resp_i], wiek = wiek[resp_i],
                   plec = plec[resp_i], wyksztalcenie = wyksztalcenie[resp_i],
                   choroba_przewlekla = choroba[resp_i], mala_aktywnosc = aktyw_mala[resp_i],
                   phq[resp_i, ])
kol <- paste0("phq", 1:9)
ile_brakow <- sample(0:3, n, TRUE, prob = c(.885, .08, .02, .015))
for (i in which(ile_brakow > 0)) dane[i, sample(kol, ile_brakow[i])] <- NA
dane$wyksztalcenie[runif(n) < plogis(-3.3 + 0.04 * (dane$wiek - 50))] <- NA
dane$mala_aktywnosc[runif(n) < .03] <- NA
dane$choroba_przewlekla[runif(n) < .015] <- NA
write.csv(dane, "../sondaz-przekrojowy-poz-respondenci.csv", row.names = FALSE,
          fileEncoding = "UTF-8", na = "")
write.csv(rejestr[, c("przychodnia", "wiek", "plec", "status", "powod_niekw")],
          "b472-rejestr-rekrutacji.csv", row.names = FALSE, fileEncoding = "UTF-8", na = "")

# 5. Przepływ i odsetek odpowiedzi
ile <- table(status)
cat("Zaproszeni:", N, "\n")
print(table(powod_niekw))
cat("Uprawnieni:", sum(uprawniony), "\n")
cat("Odmowy:", ile[["odmowa"]], "\n")
cat("Wypełnili:", n, "\n")
cat(sprintf("Odsetek odpowiedzi (wypełnili / uprawnieni): %.1f%%\n", 100 * n / sum(uprawniony)))
cat("Odsetek odpowiedzi w przychodniach:\n")
print(round(100 * prop.table(table(przychodnie[uprawniony], udzial[uprawniony]), 1)[, "TRUE"], 1))

# 6. Respondenci a osoby, które odmówiły (rejestr: tylko wiek, płeć, przychodnia)
upr <- rejestr[uprawniony, ]
por <- aggregate(wiek ~ status, upr, function(x) c(M = mean(x), SD = sd(x)))
print(do.call(data.frame, por), digits = 4)
cat("Kobiety (%):\n"); print(round(100 * tapply(upr$plec == "K", upr$status, mean), 1))

# 7. Tylko w symulacji: prawdziwe rozpowszechnienie wśród wszystkich uprawnionych
cat(sprintf("Odsetek PHQ-9 >= 10 wśród wszystkich uprawnionych (prawdziwy): %.1f%%\n",
            100 * mean(prawdziwy_wynik[uprawniony] >= 10)))
cat(sprintf("Odsetek PHQ-9 >= 10 wśród osób, które wypełniły (przed brakami): %.1f%%\n",
            100 * mean(prawdziwy_wynik[udzial] >= 10)))
cat(sprintf("Udział wśród uprawnionych z PHQ-9 >= 10: %.1f%%; pozostałych: %.1f%%\n",
            100 * mean(udzial[uprawniony & prawdziwy_wynik >= 10]),
            100 * mean(udzial[uprawniony & prawdziwy_wynik < 10])))
Wynik w R
Zaproszeni: 730 
powod_niekw
  niewystarczająca znajomość języka polskiego 
                                           11 
stan uniemożliwiający samodzielne wypełnienie 
                                           19 
Uprawnieni: 700 
Odmowy: 218 
Wypełnili: 482 
Odsetek odpowiedzi (wypełnili / uprawnieni): 68.9%
Odsetek odpowiedzi w przychodniach:
   A    B    C    D 
73.4 64.1 71.4 64.3 
    status wiek.M wiek.SD
1   odmowa  49.68   15.23
2 wypełnił  52.75   15.40
Kobiety (%):
  odmowa wypełnił 
    61.0     63.7 
Odsetek PHQ-9 >= 10 wśród wszystkich uprawnionych (prawdziwy): 24.0%
Odsetek PHQ-9 >= 10 wśród osób, które wypełniły (przed brakami): 20.5%
Udział wśród uprawnionych z PHQ-9 >= 10: 58.9%; pozostałych: 72.0%

Wynik PHQ-9, braki, tabela i modele

Dane wejściowe: plik CSV z pierwszego przepisu; pakiet sandwich (odporne błędy standardowe).

Co odczytać: liczbę braków, α, rozpowszechnienie z przedziałem Wilsona, tabelę charakterystyki, oszacowania OR i PR surowe i skorygowane, liczebność z precyzji.

R
# B472 – liczenie wyników: wynik PHQ-9, braki, rozpowszechnienie, tabela, modele
# Uruchom po b472-1-dane-i-przeplyw.R (korzysta z zapisanego pliku CSV).
library(sandwich)
d <- read.csv("../sondaz-przekrojowy-poz-respondenci.csv", fileEncoding = "UTF-8",
              na.strings = "", stringsAsFactors = FALSE)
kol <- paste0("phq", 1:9)

# 1. Wynik PHQ-9: przy jednym braku wynik proporcjonalny, przy dwóch i więcej – brak wyniku
b <- rowSums(is.na(d[, kol]))
d$phq_suma <- ifelse(b <= 1, rowMeans(d[, kol], na.rm = TRUE) * 9, NA)
cat("Wypełnili:", nrow(d), "| brak 1 pozycji:", sum(b == 1), "| brak >= 2 pozycji:", sum(b >= 2), "\n")
a <- d[b <= 1, ]
cat("Analizowani:", nrow(a), "\n")
a$phq10 <- as.integer(a$phq_suma >= 10)

# 2. Braki w pozostałych zmiennych
zm <- c("wiek", "plec", "wyksztalcenie", "choroba_przewlekla", "mala_aktywnosc")
print(sapply(a[zm], function(x) sum(is.na(x))))

# 3. Rzetelność: alfa Cronbacha na kompletnych odpowiedziach
x <- na.omit(a[, kol]); k <- ncol(x)
cat(sprintf("Alfa Cronbacha (n = %d): %.2f\n", nrow(x),
            k / (k - 1) * (1 - sum(apply(x, 2, var)) / var(rowSums(x)))))

# 4. Rozpowszechnienie z przedziałem Wilsona (95%)
w <- prop.test(sum(a$phq10), nrow(a), correct = FALSE)
cat(sprintf("PHQ-9 >= 10: %d z %d = %.1f%%, 95%% CI [%.1f, %.1f]\n", sum(a$phq10), nrow(a),
            100 * mean(a$phq10), 100 * w$conf.int[1], 100 * w$conf.int[2]))
cat(sprintf("M PHQ-9 = %.2f, SD = %.2f, Me = %.1f\n", mean(a$phq_suma), sd(a$phq_suma), median(a$phq_suma)))

# 5. Tabela charakterystyki próby (bez testów istotności)
wiersz_nproc <- function(v, g) {
  nn <- sum(!is.na(v) & g); sprintf("%d (%.1f)", sum(v[g], na.rm = TRUE), 100 * sum(v[g], na.rm = TRUE) / nn)
}
kolumny <- list(Wszyscy = rep(TRUE, nrow(a)), `PHQ<10` = a$phq10 == 0, `PHQ>=10` = a$phq10 == 1)
tab <- sapply(kolumny, function(g) c(
  n = as.character(sum(g)),
  `Wiek, M (SD)` = sprintf("%.1f (%.1f)", mean(a$wiek[g]), sd(a$wiek[g])),
  `Kobiety, n (%)` = wiersz_nproc(a$plec == "K", g),
  `Podst./zawodowe, n (%)` = wiersz_nproc(a$wyksztalcenie == "podstawowe/zawodowe", g),
  `Średnie, n (%)` = wiersz_nproc(a$wyksztalcenie == "średnie", g),
  `Wyższe, n (%)` = wiersz_nproc(a$wyksztalcenie == "wyższe", g),
  `Choroba przewlekła, n (%)` = wiersz_nproc(a$choroba_przewlekla == 1, g),
  `Mała aktywność, n (%)` = wiersz_nproc(a$mala_aktywnosc == 1, g)))
print(noquote(tab))
cat("Odsetek PHQ-9 >= 10 według aktywności:\n")
print(with(a, addmargins(table(mala_aktywnosc, phq10))))
print(round(100 * tapply(a$phq10, a$mala_aktywnosc, mean), 1))

# 6. Modele na kompletnych danych (te same osoby w modelu surowym i skorygowanym)
m <- na.omit(a[, c("phq10", "mala_aktywnosc", "wiek", "plec", "wyksztalcenie",
                   "choroba_przewlekla", "przychodnia")])
m$wyksztalcenie <- relevel(factor(m$wyksztalcenie), ref = "wyższe")
cat("Modele: n =", nrow(m), "| PHQ-9 >= 10:", sum(m$phq10), "\n")
po <- function(fit, skala) {
  V <- if (skala == "PR") vcovHC(fit, type = "HC0") else vcov(fit)
  b <- coef(fit)["mala_aktywnosc"]; se <- sqrt(V["mala_aktywnosc", "mala_aktywnosc"])
  z <- b / se
  sprintf("%s = %.2f, 95%% CI [%.2f, %.2f], p %s", skala, exp(b), exp(b - 1.96 * se), exp(b + 1.96 * se),
          ifelse(2 * pnorm(-abs(z)) < .001, "< .001", sprintf("= %s", sub("^0", "", sprintf("%.3f", 2 * pnorm(-abs(z)))))))
}
f0 <- phq10 ~ mala_aktywnosc
f1 <- phq10 ~ mala_aktywnosc + wiek + plec + wyksztalcenie + choroba_przewlekla + przychodnia
cat("Surowe:      ", po(glm(f0, binomial, m), "OR"), "\n")
cat("Skorygowane: ", po(glm(f1, binomial, m), "OR"), "\n")
cat("Surowe:      ", po(glm(f0, poisson, m), "PR"), "\n")
cat("Skorygowane: ", po(glm(f1, poisson, m), "PR"), "\n")

# 7. Liczebność z precyzji: rozpowszechnienie 25%, margines ±4 pp, spodziewany udział 65%
n_pot <- ceiling(1.96^2 * .25 * .75 / .04^2)
cat("Potrzebne n:", n_pot, "| uprawnionych do zaproszenia:", ceiling(n_pot / .65), "\n")
Wynik w R
Wypełnili: 482 | brak 1 pozycji: 42 | brak >= 2 pozycji: 10 
Analizowani: 472 
              wiek               plec      wyksztalcenie choroba_przewlekla 
                 0                  0                 17                  4 
    mala_aktywnosc 
                13 
Alfa Cronbacha (n = 430): 0.88
PHQ-9 >= 10: 98 z 472 = 20.8%, 95% CI [17.3, 24.7]
M PHQ-9 = 5.54, SD = 5.36, Me = 4.0
                          Wszyscy     PHQ<10      PHQ>=10    
n                         472         374         98         
Wiek, M (SD)              52.7 (15.3) 52.0 (15.3) 55.6 (15.2)
Kobiety, n (%)            301 (63.8)  231 (61.8)  70 (71.4)  
Podst./zawodowe, n (%)    95 (20.9)   72 (20.1)   23 (24.0)  
Średnie, n (%)            161 (35.4)  128 (35.7)  33 (34.4)  
Wyższe, n (%)             199 (43.7)  159 (44.3)  40 (41.7)  
Choroba przewlekła, n (%) 200 (42.7)  135 (36.5)  65 (66.3)  
Mała aktywność, n (%)     173 (37.7)  118 (32.4)  55 (57.9)  
Odsetek PHQ-9 >= 10 według aktywności:
              phq10
mala_aktywnosc   0   1 Sum
           0   246  40 286
           1   118  55 173
           Sum 364  95 459
   0    1 
14.0 31.8 
Modele: n = 439 | PHQ-9 >= 10: 93 
Surowe:       OR = 2.88, 95% CI [1.80, 4.60], p < .001 
Skorygowane:  OR = 2.52, 95% CI [1.54, 4.12], p < .001 
Surowe:       PR = 2.27, 95% CI [1.58, 3.25], p < .001 
Skorygowane:  PR = 1.96, 95% CI [1.36, 2.83], p < .001 
Potrzebne n: 451 | uprawnionych do zaproszenia: 694 

Trzy mechanizmy, ta sama tabela

Dane wejściowe: po 200 000 symulowanych osób w trzech światach o tych samych odsetkach; set.seed(4723); tylko bazowy R.

Co odczytać: niemal identyczne odsetki i OR oraz różny skutek hipotetycznej zmiany aktywności.

R
# B472 – trzy różne mechanizmy, ta sama tabela przekrojowa (dane symulowane)
# E = mała aktywność, D = PHQ-9 >= 10, U = wspólna przyczyna (np. przewlekły ból)
set.seed(4723)
n <- 200000

# Świat A: E -> D
A <- within(data.frame(E = rbinom(n, 1, .45)), D <- rbinom(n, 1, ifelse(E == 1, .30, .16)))
# Świat B: D -> E (te same rozkłady brzegowe i ten sam związek, odwrócony kierunek)
pD <- .45 * .30 + .55 * .16
B <- within(data.frame(D = rbinom(n, 1, pD)),
            E <- rbinom(n, 1, ifelse(D == 1, .45 * .30 / pD, .45 * .70 / (1 - pD))))
# Świat C: U -> E i U -> D, bez związku przyczynowego między E i D
U <- rbinom(n, 1, .5)
C <- data.frame(U = U, E = rbinom(n, 1, ifelse(U == 1, .70, .20)),
                D = rbinom(n, 1, ifelse(U == 1, .3616, .0844)))

opis <- function(x, nazwa, po_zmianie) {
  t <- table(x$E, x$D)
  t <- matrix(as.numeric(t), 2)
  or <- (t[2, 2] * t[1, 1]) / (t[2, 1] * t[1, 2])
  data.frame(swiat = nazwa, proc_E = round(100 * mean(x$E), 1),
             proc_D_gdy_E = round(100 * mean(x$D[x$E == 1]), 1),
             proc_D_gdy_nieE = round(100 * mean(x$D[x$E == 0]), 1), OR = round(or, 2),
             proc_D_teraz = round(100 * mean(x$D), 1),
             proc_D_gdyby_wszyscy_aktywni = round(100 * po_zmianie, 1))
}
# Co by się stało, gdyby u wszystkich zmienić E na „aktywny” (E = 0)
wyn <- rbind(opis(A, "A: E -> D", mean(rbinom(n, 1, .16))),
             opis(B, "B: D -> E", mean(B$D)),                # D nie zależy od E
             opis(C, "C: U -> E, U -> D", mean(C$D)))        # D zależy tylko od U
print(wyn, row.names = FALSE)
Wynik w R
             swiat proc_E proc_D_gdy_E proc_D_gdy_nieE   OR proc_D_teraz
         A: E -> D   45.1         30.3            16.2 2.25         22.6
         B: D -> E   44.8         30.0            16.1 2.24         22.3
 C: U -> E, U -> D   45.0         30.1            16.0 2.27         22.3
 proc_D_gdyby_wszyscy_aktywni
                         16.0
                         22.3
                         22.3

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem sandwich; rysunki przygotowano w pakietach ggplot2 i svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. sandwich (wersja 3.1.1): Zeileis, A., Köll, S., & Graham, N. (2020). Various versatile variances: An object-oriented implementation of clustered covariances in R. Journal of Statistical Software, 95(1), 1–36. https://doi.org/10.18637/jss.v095.i01
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An ‘SVG’ graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Przed oddaniem rozdziału sprawdź…

  • Czy populacja docelowa, miejsca i sposób doboru są opisane osobno?
  • Czy podano daty rekrutacji i liczby osób na każdym etapie, z powodami odpadania?
  • Czy odsetek odpowiedzi ma jawny mianownik?
  • Czy porównano osoby odmawiające z respondentami, jeśli było to możliwe?
  • Czy każde narzędzie ma źródło, okres pytania, sposób liczenia i próg?
  • Czy podano liczbę braków dla każdej zmiennej i regułę ich obsługi?
  • Czy uzasadniono liczebność i wybór zmiennych korygujących?
  • Czy wyniki surowe i skorygowane mają przedziały ufności?
  • Czy we wnioskach nie ma języka przyczynowego ani uogólnień poza badaną grupę?
  • Czy w załączniku jest wypełniona lista STROBE, jeśli wymaga jej promotor?

Najczęstsze pytania

Czy sondaż przekrojowy to to samo co badanie ankietowe?

Nie do końca. „Ankieta” to technika zbierania danych, a „przekrojowy” mówi o czasie: każdą osobę mierzysz raz. Ankieta może być też częścią badania podłużnego, a dane przekrojowe mogą pochodzić z dokumentacji. W metodzie napisz oba elementy: „sondaż przekrojowy z użyciem kwestionariusza do samodzielnego wypełnienia”.

Czy w pracy z badaniem przekrojowym mogę pisać o czynnikach ryzyka?

Lepiej nie. „Ryzyko” odnosi się do przyszłych zdarzeń, a w sondażu widzisz stan w jednym momencie. Pisz o czynnikach związanych z wynikiem albo o korelatach, a kierunek zależności wskaż jako hipotezę do sprawdzenia w badaniu podłużnym.

Jaki odsetek odpowiedzi w ankiecie wśród pacjentów jest wystarczający?

Nie ma progu, który gwarantuje brak obciążenia. Sam odsetek nie przesądza o tym, czy wyniki są zniekształcone (Groves, 2006). Podaj licznik i mianownik, porównaj respondentów z osobami, które odmówiły, i napisz, w którą stronę mógł działać brak odpowiedzi.

Co podać w badaniu przekrojowym: iloraz szans czy iloraz chorobowości?

Przy częstym wyniku podawaj iloraz chorobowości (PR), bo gdy PR > 1, iloraz szans jest zawsze większy od PR (Thompson i in., 1998). PR można oszacować regresją Poissona z odpornym estymatorem wariancji (Barros i Hirakata, 2003). Jeśli promotor wymaga regresji logistycznej, podaj OR i czytaj go jako iloraz szans, a nie „razy częściej”.

Czy do pracy magisterskiej muszę dołączyć listę STROBE?

Zależy to od wymagań uczelni i promotora; często nie jest obowiązkowa. Warto jednak użyć jej jako listy kontrolnej przy pisaniu, bo pokazuje, co powinno znaleźć się w opisie metody. Jeśli ją dołączysz, użyj wersji dla badań przekrojowych.

Powiązane hasła

Przeczytaj też

Opisujesz sondaż przekrojowy w swojej pracy?

Pomożemy opisać rekrutację i odsetek odpowiedzi, dobrać modele, policzyć iloraz chorobowości w R lub SPSS i sformułować wnioski tak, żebyś umiał(a) je samodzielnie obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Barros, A. J. D., & Hirakata, V. N. (2003). Alternatives for logistic regression in cross-sectional studies: An empirical comparison of models that directly estimate the prevalence ratio. BMC Medical Research Methodology, 3(1), Article 21. https://doi.org/10.1186/1471-2288-3-21 ● Otwarty dostęp
  2. Groves, R. M. (2006). Nonresponse rates and nonresponse bias in household surveys. Public Opinion Quarterly, 70(5), 646–675. https://doi.org/10.1093/poq/nfl033
  3. Kroenke, K., Spitzer, R. L., & Williams, J. B. W. (2001). The PHQ-9: Validity of a brief depression severity measure. Journal of General Internal Medicine, 16(9), 606–613. https://doi.org/10.1046/j.1525-1497.2001.016009606.x ● Otwarty dostęp: pełny tekst
  4. Savitz, D. A., & Wellenius, G. A. (2023). Can cross-sectional studies contribute to causal inference? It depends. American Journal of Epidemiology, 192(4), 514–516. https://doi.org/10.1093/aje/kwac037
  5. Setia, M. S. (2016). Methodology series module 3: Cross-sectional studies. Indian Journal of Dermatology, 61(3), 261–264. https://doi.org/10.4103/0019-5154.182410 ● Otwarty dostęp
  6. Thompson, M. L., Myers, J. E., & Kriebel, D. (1998). Prevalence odds ratio or prevalence ratio in the analysis of cross sectional data: What is to be done? Occupational and Environmental Medicine, 55(4), 272–277. https://doi.org/10.1136/oem.55.4.272 ● Otwarty dostęp
  7. Vandenbroucke, J. P., von Elm, E., Altman, D. G., Gøtzsche, P. C., Mulrow, C. D., Pocock, S. J., Poole, C., Schlesselman, J. J., Egger, M., & STROBE Initiative. (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and elaboration. PLOS Medicine, 4(10), Article e297. https://doi.org/10.1371/journal.pmed.0040297 ● Otwarty dostęp
  8. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., Vandenbroucke, J. P., & STROBE Initiative. (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: Guidelines for reporting observational studies. PLOS Medicine, 4(10), Article e296. https://doi.org/10.1371/journal.pmed.0040296 ● Otwarty dostęp
  9. Wang, X., & Cheng, Z. (2020). Cross-sectional studies: Strengths, weaknesses, and recommendations. Chest, 158(1), S65–S71. https://doi.org/10.1016/j.chest.2020.03.012 ● Otwarty dostęp

Cytowania BibTeX

@article{barros2003alternatives, author={Barros, Aluísio J. D. and Hirakata, Vânia N.}, title={{Alternatives for logistic regression in cross-sectional studies: An empirical comparison of models that directly estimate the prevalence ratio}}, journal={BMC Medical Research Methodology}, year={2003}, volume={3}, number={1}, eid={21}, doi={10.1186/1471-2288-3-21}}
@article{groves2006nonresponse, author={Groves, Robert M.}, title={{Nonresponse rates and nonresponse bias in household surveys}}, journal={Public Opinion Quarterly}, year={2006}, volume={70}, number={5}, pages={646--675}, doi={10.1093/poq/nfl033}}
@article{kroenke2001phq9, author={Kroenke, Kurt and Spitzer, Robert L. and Williams, Janet B. W.}, title={{The PHQ-9: Validity of a brief depression severity measure}}, journal={Journal of General Internal Medicine}, year={2001}, volume={16}, number={9}, pages={606--613}, doi={10.1046/j.1525-1497.2001.016009606.x}}
@article{savitz2023can, author={Savitz, David A. and Wellenius, Gregory A.}, title={{Can cross-sectional studies contribute to causal inference? It depends}}, journal={American Journal of Epidemiology}, year={2023}, volume={192}, number={4}, pages={514--516}, doi={10.1093/aje/kwac037}}
@article{setia2016methodology, author={Setia, Maninder Singh}, title={{Methodology series module 3: Cross-sectional studies}}, journal={Indian Journal of Dermatology}, year={2016}, volume={61}, number={3}, pages={261--264}, doi={10.4103/0019-5154.182410}}
@article{thompson1998prevalence, author={Thompson, M. L. and Myers, J. E. and Kriebel, D.}, title={{Prevalence odds ratio or prevalence ratio in the analysis of cross sectional data: What is to be done?}}, journal={Occupational and Environmental Medicine}, year={1998}, volume={55}, number={4}, pages={272--277}, doi={10.1136/oem.55.4.272}}
@article{vandenbroucke2007strengthening, author={Vandenbroucke, Jan P. and von Elm, Erik and Altman, Douglas G. and Gøtzsche, Peter C. and Mulrow, Cynthia D. and Pocock, Stuart J. and Poole, Charles and Schlesselman, James J. and Egger, Matthias and {STROBE Initiative}}, title={{Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and elaboration}}, journal={PLOS Medicine}, year={2007}, volume={4}, number={10}, eid={e297}, doi={10.1371/journal.pmed.0040297}}
@article{vonelm2007strengthening, author={von Elm, Erik and Altman, Douglas G. and Egger, Matthias and Pocock, Stuart J. and Gøtzsche, Peter C. and Vandenbroucke, Jan P. and {STROBE Initiative}}, title={{The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: Guidelines for reporting observational studies}}, journal={PLOS Medicine}, year={2007}, volume={4}, number={10}, eid={e296}, doi={10.1371/journal.pmed.0040296}}
@article{wang2020cross, author={Wang, Xiaofeng and Cheng, Zhenshun}, title={{Cross-sectional studies: Strengths, weaknesses, and recommendations}}, journal={Chest}, year={2020}, volume={158}, number={1}, pages={S65--S71}, doi={10.1016/j.chest.2020.03.012}}
R