医药-临床-护理统计分析的原则ppt课件

1、欢迎进入学习 课堂统计分析的原则Principles of statistical analysisA distinctive function of statistics is this: it enables the scientist to make a numerical evaluation of the uncertainty of his conclusion. - Snedecor (1950)引言统计分析的目的把从样本中得到的结论推广到（同质）总体中去。Sample Population利用均数、标准差；百分构成率；图表等进行描述。不同处理组间的比较。样本结论（统计量）能否代

2、表总体（参数）？统计分析的两个基本工具估计Estimation和假设检验Hypothesis Test统计学的一个重要思想如何表明从样本中得出的结果是对总体的最好的估计（Estimate）？例1：服用A药的病人63%得到缓解，而服用B药的病人只有53%。A药的疗效比B药好10%。（P=0.15）例2：服用A药的病人56%得到完全缓解，而服用B药的病人只有36%。A药的疗效比B药好18%。（P5时，二项分布的百分构成p近似地服从均数为p，标准差为 的正态分布。即样本百分构成p的标准误为：例：观察到80名妇女中有13名患有哮喘，则哮喘的百分构成p为13/80=0.16，其标准误为：两个样本百分构成

3、的差的标准误与两个样本均数的差的标准误一样，因为两个样本的百分构成之差的方差等于两个样本各自的百分构成的方差的和，所以两个样本百分构成的差的标准误的计算为：可信区间Confidence Interval（CI）可信区间Confidence Interval（CI）理解可信区间假设检验Hypothesis Testing假设检验的反证思想两种说法非A即B。要证明B真，只要证明A伪即可。无效假设Null hypothesis（H0）意在推翻的假设（说法A）。备择假设Alternative hypothesis（H1）意在接受的假设（说法B）。从无效假设出发，找出不支持这一假设的证据，从而推翻它。小

4、概率事件事件A发生的概率是如此之小，以至于在一次试验（抽样）时，我们往往认为它（事件A）不会发生。统计学中，小概率事件一般是指发生概率1.645则拒绝。结论：由于1.331.645，不拒绝无效假设。尚无足够证据 证明该药有提高成年男性碱性磷酸酶的作用。血清白蛋白的例子原发性胆石症患者的血清白蛋白总体均数为33.5g/l。现有216名患者的血清白蛋白均数为34.46g/l，标准差为5.84g/l，问此样本是否来自于上面的总体？无效假设H0：此样本来自于上面的总体或者说此样本代表的总体与上面的总体相同。10备择假设H1：此样本不来自于上面的总体或者说此样本代表的总体与上面的总体不同。1 0检验水准

5、：双侧0.05理解检验统计量观察到的量可以是一个样本的均数、两个样本均数的差、一个样本的百分构成、两个样本百分构成的差检验统计量所服从的分布不一定是正态分布。但只要是已知的理论分布，都可以通过该分布求得P值。理解P值P值是指在无效假设的前提下，得到观察到的量（或更极端的量）的概率。P值越小说明无效假设越不可靠。或者说，P值越小我们就越有理由推翻无效假设。至于P值是否属于“小”，一般的，我们是根据事先确定的检验水准来判断的。当P时非小概率事件在无效假设的前提下，得到观察到的量（或更极端的量）的可能性还是相当大的，我们尚不能拒绝无效假设或者说拒绝无效假设的证据不足。具体问题，专业判断P=0.70与

6、P=0.07“差别有显著性”与“差别显著”类似地，还有“差别有高度显著性”与“差别极为显著”二者之间不存在必然的联系。“差别显著”不一定导致“差别有显著性”，“差别不显著”倒是有很大可能导致“差别有显著性”。即使“差别有显著性”，临床上也不一定有意义。I型错误与II型错误Type I and Type II errors尽管是小概率事件，它还是有可能发生的。I型错误：虽然无效假设为真，但由于抽到了较大（检验统计量）的样本，使得P值小于检验水准而导致被拒绝。是否为小概率事件是由检验水准而定，所以犯错误的概率也由检验水准而定。II型错误：虽然无效假设为假，但由于抽到了较小（检验统计量）的样本，使得

7、P值大于检验水准而导致不被拒绝。犯II型错误的概率由另一水准而定。单侧检验还是双侧检验?One-sided or two-sided test?双侧检验永远是正确的单侧检验只有在少数情况下才是合适的即使要做单侧检验，也必须事先确定非参数方法Non-parametric methods估计和假设检验都是基于某种分布来进行的，它们之间有着很密切的联系。由于分布都可以用某些参数来描述（特别是均数和标准差），所以基于分布的统计分析方法又被称为参数方法。与此不同的是，统计学中还存在着另外一类不基于分布的分析方法，这类方法称为非参数方法。广义的，非参数方法是用来分析那些不适合用参数方法分析的数据（常见的是

8、严重偏态的数据、等级数据）。最常见的非参数方法是利用数据的顺位（而非数据本身）来进行。统计建模Statistical Modelling在估计和假设检验的思想背后有一个统计分析的一般策略称为建模。一个统计模型是一个可以近似描述两个或多个变量之间关系的数学式。这种方法可以简化数据的分析。大多数参数方法都可以归为一个被称为“线性模型”的统一框架，其中线性的意思为“可加的”。其基本思想在于所关心指标的变异可以由许多影响因子的相加的效果来进行解释。例如：血压值的大小是由年龄、性别、是否吸烟的效果相加而来。关于统计建模的两个基本思想统计建模一般基于某些假设，所以在建模之前对这些假设的验证是非常重要的。在建好模型之后，我们也要从两个方面对模型的好坏进行评价。第一是对模型的拟合度进行评价。看看由模型拟合的数据是否接近样本数据，拟合数据与样本数据之间的差是否呈随机分布。第二是评价模型在用于预测更广范围的数据时，其可靠性如何。区间估计还是假设检验？假设检验尽管有用，但只能反映数据信息的一部分。区间估计反映（对总体特征）估计的不确定程度，能更全面地把握数据。可信区间与假设检验的互通性如果95%可信区间不包含总体均数，则假设检验中P值一定小于0.05反之，如果95%可信区间包含总体均数，则P值一定大于0.05。99%可信区间同理。小结理解统计分析的基本思想至关重要