卫生统计学7假设检验

卫生统计学7假设检验汇报人：AA2024-01-26目录contents假设检验基本概念参数假设检验方法非参数假设检验方法假设检验在医学研究中应用假设检验中常见问题及解决方法实例分析与操作演示假设检验基本概念01假设检验定义与原理假设检验是一种统计推断方法，用于判断总体参数或总体分布是否与某个特定值或某种特定分布有显著差异。假设检验的原理是基于小概率事件原理，即在一次试验中，小概率事件几乎不可能发生。如果小概率事件发生了，则有理由拒绝原假设。假设检验步骤及流程确定显著性水平通常选择0.05或0.01作为显著性水平，表示当P值小于该水平时，拒绝原假设。选择检验统计量根据研究设计和数据类型选择合适的检验统计量，如t检验、F检验、卡方检验等。建立假设包括原假设（H0）和备择假设（H1），原假设通常是研究者想要推翻的假设，备择假设则是研究者希望证实的假设。计算检验统计量和P值根据样本数据计算检验统计量的值和对应的P值。作出推断结论根据P值与显著性水平的比较，作出接受或拒绝原假设的推断结论。第四类错误多重比较谬误，即在进行多次假设检验时，由于每次检验都存在犯第一类错误的可能性，因此总体犯错误的概率会随着检验次数的增加而增加。第一类错误拒真错误，即原假设为真时错误地拒绝了原假设，也称为α错误或显著性错误。第二类错误纳伪错误，即原假设为假时未能拒绝原假设，也称为β错误或漏报错误。第三类错误检验效能不足，即当备择假设为真时，未能以足够的把握拒绝原假设。这通常是由于样本量不足或效应量过小导致的。假设检验中常见错误类型参数假设检验方法02确定研究总体均数μ0，建立假设H0:μ=μ0，即样本均数与假设总体均数相等。假设建立选用t统计量，计算公式为t=(x̄-μ0)/(s/√n)，其中x̄为样本均数，s为样本标准差，n为样本含量。检验统计量根据自由度df=n-1及显著性水平α，查t分布表得临界值tα/2,df，确定拒绝域并计算P值。若P≤α，则拒绝H0，认为样本均数与假设总体均数有统计学差异。拒绝域与P值单样本t检验假设建立设两总体均数分别为μ1和μ2，建立假设H0:μ1=μ2，即两总体均数相等。选用t统计量，计算公式为t=(x̄1-x̄2)/(sp√(1/n1+1/n2))，其中x̄1和x̄2分别为两样本均数，sp为合并标准差，n1和n2分别为两样本含量。根据自由度df=(s1^2/n1+s2^2/n2)^2/(s1^4/(n1^2(n1-1))+s2^4/(n2^2(n2-1)))及显著性水平α，查t分布表得临界值tα/2,df，确定拒绝域并计算P值。若P≤α，则拒绝H0，认为两总体均数有统计学差异。检验统计量拒绝域与P值两独立样本t检验假设建立选用t统计量，计算公式为t=d̄/(sd/√n)，其中d̄为差值样本均数，sd为差值样本标准差，n为配对样本数。检验统计量拒绝域与P值根据自由度df=n-1及显著性水平α，查t分布表得临界值tα/2,df，确定拒绝域并计算P值。若P≤α，则拒绝H0，认为差值总体均数与0有统计学差异。设差值总体均数为μd，建立假设H0:μd=0，即差值总体均数为0。配对样本t检验非参数假设检验方法03应用场景适用于分类数据的独立性检验和拟合优度检验，如医学研究中不同治疗方法的有效率比较、疾病的季节性分析等。原理通过比较实际观测频数与理论期望频数之间的差异，推断两个或多个总体分布是否存在显著差异。优缺点优点在于简单易行，对数据分布无严格要求；缺点在于对样本量要求较高，且只能判断总体分布是否存在差异，无法确定差异的具体形式。卡方检验原理将原始数据转化为秩次后进行统计分析，通过比较两组或多组数据的秩和差异来推断总体分布是否存在显著差异。应用场景适用于两独立样本或配对样本的比较，尤其适用于等级资料或不满足参数检验条件的数据。优缺点优点在于对数据分布无严格要求，适用范围广；缺点在于对异常值敏感，且检验效率相对较低。秩和检验通过比较样本数据正负符号的个数来判断总体分布是否存在显著差异。符号检验原理在符号检验的基础上，进一步考虑数据的秩次信息，以提高检验效率。符号秩和检验原理适用于配对样本的比较，尤其适用于等级资料或不满足参数检验条件的数据。应用场景优点在于对数据分布无严格要求，且对异常值不敏感；缺点在于检验效率相对较低，且对样本量要求较高。优缺点符号检验与符号秩和检验假设检验在医学研究中应用04比较不同治疗方法的疗效差异分析治疗方法的安全性和有效性评估新药物或新疗法的临床效果临床试验效果评价诊断试验评价010203比较不同诊断试验的准确性分析诊断试验的可靠性和稳定性确定诊断试验的敏感性和特异性分析影响疾病预后的危险因素预测患者疾病的发展趋势和预后情况评估不同因素对疾病预后的影响程度疾病预后因素分析等假设检验中常见问题及解决方法05要点三第一类错误拒绝实际上成立的原假设，即“弃真”错误。其概率通常用α表示，也称为显著性水平。要点一要点二第二类错误接受实际上不成立的原假设，即“取伪”错误。其概率通常用β表示。权衡方法通过调整显著性水平α的大小来权衡第一类错误和第二类错误。α越小，犯第一类错误的概率越小，但同时犯第二类错误的概率可能会增加。因此，在实际应用中需要根据具体情况选择合适的α值。要点三第一类错误与第二类错误权衡问题多重比较问题在同一数据集上进行多次假设检验时，每次检验都有犯第一类错误的风险。随着检验次数的增加，犯第一类错误的总概率也会增加。将原始的显著性水平α除以检验次数n，得到新的显著性水平α'，以确保总体犯第一类错误的概率不超过原始的α。对原始显著性水平α进行更为精细的调整，考虑了检验之间的相关性。类似于Bonferroni校正，但考虑了检验之间的独立性。Bonferroni校正Holm校正Sidak校正多重比较问题及其控制方法010203删除缺失数据简单地将含有缺失数据的观测值从分析中删除。这种方法可能导致样本量减少，从而影响结果的稳定性。插补缺失数据使用某种方法估计缺失值，并将其填充到数据集中。常见的方法包括均值插补、中位数插补、回归插补等。插补后的数据集可以保持原有的样本量，但需要注意插补方法可能引入的偏误。使用缺失数据模型针对缺失数据的特点建立专门的模型进行分析。例如，使用多重插补方法生成多个完整的数据集，并对每个数据集进行分析，最后综合各个结果得出结论。这种方法可以充分利用现有信息，但需要更多的计算资源和专业知识。缺失数据处理策略实例分析与操作演示06某医院想要比较两种不同治疗方法（方法A和方法B）对患者康复效果的影响。实例背景收集两种方法治疗的患者康复效果数据，包括康复时间、康复率等指标。数据准备实例背景介绍及数据准备选择合适假设检验方法进行实例分析假设检验方法选择根据数据类型和研究目的，选择合适的假设检验方法，如t检验、卡方检验等。实例分析对收集的数据进行整理和分析，比较两种方法治疗的患者康复效果的差异，并给出统计学结论。将收集的数据导入SPSS软件。