大家好，本期跟大家分享的是目前在护理领域比较新颖的研究方法，希望可以帮助到一些有需要的老师或同学，如果你觉得有用，不妨给此文点点赞，谢谢。另外，我们会持续更新医学、护理领域的前沿方法和技术，如果你感兴趣，不妨关注我们的公众号以及同名的各大新媒体平台，设置为星标可以帮助你及时收看我们的更新。
一、什么是离散选择实验？
个人认为，在一个人还没有了解相关内容之前，任何教学都是苍白无力的。因此，如果你还没有对此方法有任何了解的话，强烈推荐先阅读相关文献。笔者花心思整理了一些个人认为不错的入门级学习文献，已经打包好了，如果你需要的话，可以在后台回复关键词“离散选择实验”（注意：如果打错字是没有反应的）。
这里单独推荐下两篇发在护理期刊上的离散选择实验文章，第一篇是护理TOP期刊（IJNS）发表的，第二篇是《护理研究》杂志发表的。笔者个人比较喜欢阅读护理研究杂志发表的文献，这是为数不多的被北核收录的护理核心期刊，他们每次发布新文章，笔者都是第一时间去学习看的，这种习惯让笔者get到了一些不错的方法，推荐！
回到本小节的标题：什么是离散选择实验？
先提出一个问题：当大家想要了解患者或护理人员一些体验或对某些事情的偏好时，你会第一时间想到什么研究设计？显然，你可能会第一时间想起质性研究，当然也可能会想到一些量性方法（比如做一项调查研究）。
没错，偏好信息可以通过定性、定量方法或混合方法来获取。但是，有没有更科学、更高效的方法呢？
离散选择实验（Discrete Choice Experiment, DCE）就是这样一项研究方法，更严谨的说（引用自文献，见文末），它是一种结合了随机效用理论、消费者行为理论、计量经济学分析和联合测量理论等，多学科交叉、多研究发展而来的定量方法。
DCE常用于经济学、市场营销和健康科学等领域，但是越来越多的研究者将其应用于卫生健康决策领域，在护理科研中，它可以帮助研究者了解患者或护理人员对不同护理服务或干预措施的偏好（比如前面介绍的，失能老人对居家医疗护理服务的偏好）。说白了， 护理领域的DCE可以为相关决策给出科学的参考依据。
二、DCE的理论基础
从上面对离散选择实验的介绍，可以知道它的理论基础是随机效用理论和消费者行为理论（如果你以此为毕业论文指导，不妨深入了解下这两个理论）。
带入到具体的护理领域研究场景，DCE首先假设患者（举例）对某些护理服务的偏好可以通过一些属性（例如，护理服务的质量、成本、等待时间等）和水平（如高、中、低质量）来评估。所谓属性，也可以理解为量表研究中的影响因素，水平就是属性的取值范围。DCE假设患者对这些属性和水平的选择可以反映他们的偏好。
然后，DCE还假设受访者是理性的，即基于最大效用原则选择给他们带来最大效用的场景（引用自文献，见文末）。
三、设计DCE的具体步骤
设计DCE一般需要遵循一些特定的步骤，如下是对部分步骤的展示（引用自文献，见文末）：
离散选择实验一个关键点在于是否正确设计与实施，因为离散选择实验是一项与我们平时所采用的研究设计（RCT、队列等）不同的方法。
对于刚刚提到的一些步骤，比如选择过程的概念化，比较依赖个人的具体情形，大家可以自行学习。下面给出笔者对DCE部分关键步骤的个人理解。
①确定属性和水平。属性和水平的含义之前介绍过了， 那么如何获得这些信息呢？答：类似于我们做构建方案（也比较像我们编制量表时的条目池），一般要基于文献回顾、问卷调查、访谈、小组讨论、专家咨询等方法获取。下面是一个例子：
②DCE试验设计：确定属性（研究因素）和水平之后，确定了属性和相应的水平后，各个属性和水平将被整合成不同选项方案。试验设计关注的内容就是如何以统计学有效的方式将各个因素的水平组合成不同的选项，并最终形成选择集。选择集的规范定义这里就不介绍了，说下笔者个人的理解，选择集类似于我们做问卷的一个个问题，每个问题下面包含了不同属性和水平，会让患者去勾选。比如下面这样的：
上述选择集包含3个备选项，每个备选项由一组属性描述,每个属性用了1个水平级别。水平级别描述选择项之间属性变化的范围。
那么问题来了，上面的选择集包含我们前面制作好的所有属性和水平吗？肯定是没有的。所以这里有个很关键的问题：如何设计选择集。
假设我们确定了7个因素（属性），其中3个4水平因素，4个2水平因素，如果要完全组合一遍，就需要1024 个可能的组合，若将这些组合两两配对成一个选择集，则将产生( 1024 ×1023) /2 = 523776 个选择集，这是完全不现实的。其实试验设计的方法可以分为完全因子设计和部分因子设计，为了提高效率，一般是建议采用部分因子设计（比如正交设计和 D-optimal 设计）。
回到刚刚的例子，如果用D-optimal 设计，也许我们只会得到16个选择集，然后就可以使用这些选择集组合成一份问卷了。当然了，选择集的设计一般是借助一些统计软件实现的，比如SPSS\stata\SAS\R，也有用JMP的。
这里面可能还有个版本问题，比如说我们设计了36个选择集，对于一些老年人可能负担有些重，那么一些研究者可能会通过设计多个版本来规避这个问题，比如说可以把这些选择集平均分配到 3 个版本的问卷中。正式调查时可以随机去抽一份问卷来做。
③样本量的计算：DCE的样本量确定方法有些特别，所以单独介绍一种常用的方法：Orme拇指法则（具体可见相关文献），下面是个示例：
④DCE质量控制：建议采用一些措施来控制无效问卷，比较常用的是在设计问卷时多设计一个选择集，比如一份问卷有9个选择集，编号1-9，那么可以随机抽取一个（比如选择集5）放在后面，填完问卷后，如果额外抽取出来的选择集的回答前后不一致，那么就做无效问卷处理。当然还有其他控制方法，这里不多介绍，建议自行学习。
⑤统计分析：DCE相关数据需要用不同的统计分析方法来分析，有学者对常用的4种方法进行了汇总和剖析（见参考文献），在护理领域则常用混合LOGIT模型、潜在类别模型或层次贝叶斯模型（hierarchical Bayes estimation）。比如本期最开始分享的两篇文献就分别采用了层次贝叶斯模型和混合logit模型。具体原理就不介绍了，这些可以用stata、R等专业软件实现。此外，混合logit模型一般会得到各类属性的具体参数及标准差，层次贝叶斯模型则与经典频率统计解读很不同，它得到的是参数的范围，这点需要注意。还有一些文献会涉及支付意愿的计算，但各研究的计算方式并不统一，这点需要大家多看文献，多去总结。
四、小结
总之，想要做一项DCE研究并撰写论文，可能需要注意这么几个关键点：1. 属性和水平。2.实验设计。3.选择任务。4.数据收集。5. 偏好分析。6. 效用评估。7. 政策制定和资源分配。DCE的优势在于能够模拟现实世界的选择情境，并且可以灵活地评估多个属性的相对重要性，然而它的局限性包括可能存在的选择偏差、参与者的策略性回答以及实验设计的复杂性，这点需要注意。
ok，作为一项暂时未被护理研究领域充分使用和重视的方法，离散选择实验有其独特的优势，也有其存在的局限性，将其应用于护理领域，或许能为大家开展相关研究提供不同的视角。但，想要在较短的篇幅内完全介绍清楚这项方法是有些困难的，很多内容也是笔者自行总结自相关文献，因此本文仅作入门科普，并不是权威的答案，仅供参考。后续笔者可能会出一期相关视频，权当为大家入门这项方法提供点帮助。
觉得您觉得此文有帮助的话，可以帮忙点个赞吗？谢谢
主要参考来源：
[1]Rheindorf J, Hagist C, Schlereth C, Petry H. Getting midwives back to hospitals: A discrete choice experiment. Int J Nurs Stud. 2024 Sep;157:104813. doi: 10.1016/j.ijnurstu.2024.104813.
[2]聂冲,贾生华.离散选择模型的基本原理及其发展演进评介[J].数量经济技术经济研究,2005,(11):151-159.
[3]刘兴振,郑慧娴,张京,等.基于离散选择实验的北京市失能老年人居家医疗护理服务偏好研究[J].护理研究,2024,38(11):1887-1894.
[4]李文姣,宁允,程侣,等.离散选择实验在护理领域的应用与展望[J].护理学杂志,2020,35(04):97-100.
[5]刘仲琦,郝春,顾菁,等.离散选择试验中试验设计步骤的实现——基于SAS宏程序的应用[J].中国卫生统计,2018,35(06):949-952.
免责声明：仅供科研学习和分享，不做商业用途，如有侵权，请联系我们删除，谢谢。
