我正在对包含数千个人的特定研究组进行生存分析。我正在寻找从总人口（数百万个人）中获得参考人口的最佳方法。

参考人群的年龄必须匹配，例如与研究人群具有相同的年龄分布。由于总人口远大于研究人口，匹配的参考人口也可能大得多。

最简单的方法是简单地从与研究人群（年龄匹配）相同大小的总人群中抽取一个子样本。这样做意味着永远不会使用总人口中的绝大多数，这可能会引入偏差并肯定会扩大参考人口的置信区间。

为了避免这个问题，我目前正在考虑两种重采样方法。我对幸存者函数使用 Kaplan-Meier 估计器$\hat{S}(t)$.

第一种方法

1. 引导总人口以绘制大量（匹配的）子样本（假设$n_{boot}$样品$n_{study}$个人，与年龄相匹配），

2. 将子样本聚合成一个大群体$\mathcal{P}_{aggr}$其中包含重复项（$| \mathcal{P}_{aggr}| = n_{boot} \times n_{study}$非独特个体），

3. 计算参考幸存者函数$\mathcal{P}_{aggr}$,

4. 使用指数格林伍德置信区间（对数对数变换）。

第二种方法

1. 引导总人口以绘制大量（匹配的）子样本（假设$n_{boot}$样品$n_{study}$个人，与年龄相匹配），

2. 计算每个子样本的幸存者函数：$\hat{S}_i(t), i=1..n_{boot}$,

3. 聚合幸存者函数估计，全局幸存者估计为$\hat{S}(t)=\frac{\sum_{i=1}^{n_{boot}} \hat{S}_i(t)}{n_{boot}}$,

4. 置信区间可以直接从一组幸存者函数估计中获得。

我必须考虑支持/反对这两种方法的任何强有力的统计因素吗？有没有更好的方法来获得匹配的参考人群？我目前倾向于使用第一种方法，因为它更容易实现，并且置信区间有一个常用的封闭形式。