常用统计方法介绍.pdf

《常用统计方法介绍.pdf》由会员分享，可在线阅读，更多相关《常用统计方法介绍.pdf（30页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 上海丰核SCI 2014.All Rights Reserved.常用统计方法的介绍常用统计方法的介绍 主要内容主要内容 统计描述 假设检验 相关分析 回归分析 生存分析 一、统计描述一、统计描述 数值变量 数值变量的描述：反映一组数据的平均水平 和变异大小 符合正态分布和近似正态分布：meanSD 例：一组糖尿病患者的血糖浓度(12.0 1.4 mmol/l）。非正态分布：Median（Range OR Interquartile range）例：年龄，40(32-50)连续变量（身高，体重），数值是连续不断的,相邻两个数值可作无限分割。离散变量（个体数，次数），只能用自然数或整数单位计算

2、。一、统计描述一、统计描述 分类变量 分类变量的描述：绝对数：将观察单位按照某种属性或类别分组计数，分类 汇总得 到的各组观察单位数，不可比，一般不用此法展示数据。相对数 无序分类变量（性别）有序分来变量（疗效按治愈、显效、好转、无效分类）率：速率（与时间有关，如某年某病发病率、死亡率），比率（与时间无关，如某病治愈率）比：构成比（部分与全部之比），相对比（两指标之比）二、假设性检验二、假设性检验 假设性检验也称为显著性检验：用样本信息去检验对总体参数的某种假设是否成立。假设性检验 T检验 F检验 X2 检验 2.1 T检验检验 T检验（Students t test）目的：推论差异发生的概率

3、，从而比较两个平均数（连续变量）的差异是否显著。对于样本量的要求较小(N60)。分类 单个样本的T检验：用样本均数代表的未知总体均数和已知总体均数进行比较，来观察此组样本与总体的差异性。两独立样本的T检验：利用来自两个总体的两个独立样本的均值，来推断两个独立总体是否有显著差异 配对样本的T检验：利用来自两配对总体的两配对样本的均值，来推断两个配对总体是否有统计学差异 2.1 T检验检验 T检验（Students t test）目的：推论差异发生的概率，从而比较两个平均数（连续变量）的差异是否显著。对于样本量的要求较小(N60)。分类 单个样本的T检验：用样本均数代表的未知总体均数和已知总体均数

4、进行比较，来观察此组样本与总体的差异性。两独立样本的T检验：利用来自两个总体的两个独立样本的均值，来推断两个独立总体是否有显著差异 配对样本的T检验：利用来自两配对总体的两配对样本的均值，来推断两个配对总体是否有统计学差异 2.1 T检验检验 单个样本的T检验应用举例：根据大量调查，已知健康成年男子脉搏的均数为根据大量调查，已知健康成年男子脉搏的均数为72次次分钟。某医生在某山区随机调查了分钟。某医生在某山区随机调查了25名健康成年男子，求得名健康成年男子，求得其脉搏均数其脉搏均数74.2次分钟，标准差为次分钟，标准差为6.5次分钟，我们就可次分钟，我们就可以用单个样本以用单个样本T检验的方式

5、来推断该山区成年男子的脉搏数是检验的方式来推断该山区成年男子的脉搏数是否高于一般地区。否高于一般地区。2.1 T检验检验 两独立样本T检验应用举例：某新药进入了临床试验阶段，为考察新降压药的疗效是否某新药进入了临床试验阶段，为考察新降压药的疗效是否高于传统药物。某医生随机抽取了高于传统药物。某医生随机抽取了30名病例，随机分为两组名病例，随机分为两组，分别给予新药和传统药物治疗，随后检测治疗后的两组病例，分别给予新药和传统药物治疗，随后检测治疗后的两组病例的血压水平，并计算平均值以及标准差。这里我们就可以用两的血压水平，并计算平均值以及标准差。这里我们就可以用两独立样本独立样本T检验的方法来推

6、断两组间治疗后血压水平是否有显检验的方法来推断两组间治疗后血压水平是否有显著差异，从而来判断新降压药的疗效是否高于传统药物。著差异，从而来判断新降压药的疗效是否高于传统药物。2.1 T检验检验 配对样本T检验应用举例：将将20名女性分成名女性分成10对，每对中随机抽取一人服用新药，对，每对中随机抽取一人服用新药，另一人服用安慰剂，测量血清胆固醇含量，问新药是否影响血另一人服用安慰剂，测量血清胆固醇含量，问新药是否影响血清胆固醇含量。这里我们就要用配对样本清胆固醇含量。这里我们就要用配对样本T检验的方法来推断检验的方法来推断两组间治疗后血清胆固醇含量是否有显著差异。两组间治疗后血清胆固醇含量是否

7、有显著差异。2.2 F检验检验 多个均数进行比较不能用T检验，这里我们要用的是F检验（即方差分析）.F值=组间方差/组内方差 主要目的是通过对方差的比较来同时检验多个均值之间差异的显著性 分类：单因素方差分析（one-Way ANOVA)，多因素方差分析 2.2 F检验检验 单因素方差分析（one-Way ANOVA)举例 在在肾缺血再灌注过程的研究中，将肾缺血再灌注过程的研究中，将36只雄性大鼠随机只雄性大鼠随机等分成三组，分别为正常对照组、肾缺血等分成三组，分别为正常对照组、肾缺血60分组和肾缺血分组和肾缺血60分再灌注组，测得各个体的分再灌注组，测得各个体的NO水平，试问水平，试问各组的

8、各组的NO平平均水平是否相同均水平是否相同？（单因素三水平）？（单因素三水平）2.2 F检验检验 多因素方差分析举例 比较比较三种抗癌药物对小白鼠肉瘤抑瘤效果，先将三种抗癌药物对小白鼠肉瘤抑瘤效果，先将15只只染有肉瘤小白鼠按体重大小配成染有肉瘤小白鼠按体重大小配成5个区组，每个区组内个区组，每个区组内3只只小白鼠随机接受三种抗癌药物，以肉瘤的重量为指标。问小白鼠随机接受三种抗癌药物，以肉瘤的重量为指标。问三种不同药物的抑瘤效果有无差别三种不同药物的抑瘤效果有无差别？2.3 2检验检验 F检验和T检验针对的资料均为连续变量，卡方（2）检验的应用资料则为分类变量。应用目的 RC 列联表资料：推断

9、两个或多个样本率及构成比之间差别有无统计学意义。RR配对 列联表资料：对同一观察对象分别用两种方法处理，观察两种方法取得R(R2)种可能的结果的差异有无统计学意义，或者观察结果是否吻合。2.3 2检验检验 RC 列联表资料应用举例 比较某新药A（试验组）和传统药物B（对照组）降低高血压的疗效。将200例高血压患者随机分为两组分别接受药物A和药物B治疗，结果见下表。问两种药物的疗效有无差别？2.3 2检验检验 RR配对列联表资料应用举例 比较检测方法A和检测方法B对口腔幽门螺杆菌的感染的诊断性能，200名可疑的患者进行了测定，结果见表1-2。问两种检测方法的诊断结果有无差异？三、相关性分析三、相

10、关性分析 相关性分析：对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。相关系数r,-1r1，|r|越接近1，代表关系越紧密。Pearson相关系数：连续变量，符合正态分布。探讨线性相关 Spearman相关系数：至少一个变量为等级资料（有序分类变量）。秩相关 卡方检验Pearson列联系数：无序分类变量，关联性分析 三、相关性分析三、相关性分析 Pearson相关系数的应用举例：探讨头发中硒的含量是否与血液中硒的含量相关。Spearman相关系数的应用举例：例如肿瘤分期与某蛋白表达水平的相关性。收集数据要求是一一对应的，例如 三、相关性分析三、相关性分析 卡方检验

11、相依系数的应用举例：测某地ABO血型和MN血型结果，问两种血型系统之间是否有关联 四四、回归分析、回归分析 相关反映两变量的相互关系，而回归是反映两个变量的依存关系，是单向的，有确定的自变量与因变量关系。研究目的：研究两个变量的依存关系，已知一个变量值可以预测出另一个变量值，可以得到定量结果。分类 线性回归 非线性回归 4.1 线性回归线性回归 线性回归应用条件 直线性：X与Y必须成直线趋势 正态性：变量符合正态分布。举例：对14名40-60岁的女性健康妇女的体重（Y）与基础代谢（X）进行回归分析。4.2 非线性回归非线性回归 在医学有医学研究中常研究某因素存在条件下某结果是否发生？以及之间的

12、关系如何？多元线性回归结果不能回答“发生与否”logistic回归分析：概率型非线性回归模型，目的是研究分类观察结果(y)与一些影响因素(x)之间关系。应用：预后分析，危险因素分析 4.2 非线性回归非线性回归 Logistic回归应用举例 术前检查了53例前列腺癌患者，拟用年龄(AGE)、酸性磷酸酯酶(ACID)两个连续型的变量，X射线(X_RAY)、术前探针活检病理分级(GRADE)、直肠指检肿瘤的大小与位置(STAGE)三个分类变量与手术探查结果变量淋巴结转移情况（1、0分别表示癌症的淋巴结转移与未转移）建立淋巴结转移的预测模型。4.2 非线性回归非线性回归 Logistic回归应用举例

13、 术前检查了53例前列腺癌患者，拟用年龄(AGE)、酸性磷酸酯酶(ACID)两个连续型的变量，X射线(X_RAY)、术前探针活检病理分级(GRADE)、直肠指检肿瘤的大小与位置(STAGE)三个分类变量与手术探查结果变量淋巴结转移情况（1、0分别表示癌症的淋巴结转移与未转移）建立淋巴结转移的预测模型。五、生存分析五、生存分析 生存分析是将事件的结果（终点事件）和出现结果经历的时间结合起来分析的一种统计分析方法。分类 描述分析：估计不同时间的总体生存率，绘制生存曲线（Kaplan-Meier，寿命表）生存率比较：对数秩(log-rank)检验 Cox回归分析：危险因素分析，预后分析。与logis

14、tic回归的区别在于其结果变量为时间，是连续变量 五、生存分析五、生存分析 生存分析主要应用于临床随访数据 生存曲线应用举例：例为了比较不同手术方法治疗肾上腺肿瘤的疗效，某研究者随机将43例病人分成两组，甲组23例、乙组20例的生存时间（月）如下所示：五、生存分析五、生存分析 五、生存分析五、生存分析 Cox 回归应用举例 某研究者收集了63例患者的生存时间、生存结局及影响因素。影响因素包括病人年龄、性别、组织学类型、治疗方式、淋巴结转移、肿瘤浸润程度，生存时间以月计算。试用Cox回归模型进行分析。五、生存分析五、生存分析 总结总结 统计描述是对于所有文章的基本要求 假设检验和相关分析既可以用在基础类研究中又可以用在临床研究。相对来说，这两种统计形式比较简单普通，是不足以用于显示文章的质量的。对于临床数据，logistic回归以及生存分析相对于以上统计方法来说，较复杂一些，能够体现文章的质量。