这个链接提供了一个体面的讨论：https ://www.ctspedia.org/do/view/CTSpedia/SampleIncidence

你的答案是肯定的，有条件的。如果您使用有效匹配病例和控制风险时间的发病率密度抽样（即每次诊断病例时从风险集中抽样控制），您确实在估计发病率比率。这篇文章可能也很有趣。

是的，如果你能做到这一点，逻辑回归将是合适的。

我不确定您的方法是否会给出有效的$IRR$近似。首先，您将“展望未来”以确定通过这种方法面临风险的人员时间，因为您知道案例/控制。一般来说，这样展望未来会带来各种各样的问题。其次，罕见病假设有一个规定，即每一层都是罕见的（一般定义为10%）。这意味着月/年的每个层次（以及您分层的任何其他变量）都需要满足该假设。第三，如果满足罕见病假设，那么$RR$将近似于$IRR$从以下$RR \le IRR \le OR$什么时候$RR \ge 1$.

代替上述方法，我建议修改对照选择程序，因为您有一个嵌套的病例对照研究。根据选择控件的方式，案例对照$OR$（缩写$ccOR$此后）可以近似不同的队列测量。我将简要介绍三种方法；病例队列、密度和累积控制抽样。（注意：病例队列和密度抽样需要仔细确定开始时间）

对于病例队列抽样，无论后来的病例状态如何，对照都是从队列研究的基线中抽取的。在这种情况下$ccOR$是队列$RR$

对于密度采样（这是您将要使用的），在案例发生的每个时间点都会选择控件，而不管以后的案例状态如何。例如，考虑 case-1 发生在$t=0.5$. 来自所有不是病例的个人$t \le 5$，您从该组中随机选择一个控件。通过这种方式，控制选择模仿了队列研究中的人时，并且$ccOR$近似于$IRR$

最后，是累积抽样，其中控制是在最后的随访时间选择的，控制不能是案例。在这种情况下，$ccOR$近似队列$OR$，在罕见病假设下，队列$OR$近似队列$RR$

最后，根据匹配过程，您需要使用条件逻辑回归。但是，我会放弃匹配，因为它不一定会提高效率，尽管匹配，您仍然需要在回归模型中包含匹配标准。我会跳过匹配并直接在条件逻辑模型中包含输入的月份/年份

来源/进一步阅读

病例对照选择： 现代流行病学第 3 版 pg 121-126

病例对照匹配： Pearce 2016 , Mansournia 2018