统计学方法的分类与选择-重点知识

.统计方法的分类和选择，根据研究设计类型选择分析方法，(a)，组比较设计需要将t检查或X2检查应用于组比较设计中两个组的比较。多组比较应用方差分析、行列表X2检查或等级分析方法。(b)，配对(在自我实验前后)此类型的设计需要根据比例t检查、X2检查和匹配案例-对照研究方法进行数据分析。(3)，迭代测量的设计方法是在给定一个处理元素后，在其他时间重复测量效果变量的变化。要评价生物产品接种后的免疫学效果，请在接种后2周、4周、6周、8周内测定抗体滴液，分别测定这种设计类型。此设计类型的数据采用迭代测量的方差分析方法进行数据分析。(4)，如果多元素设计研究设计具有多个参数，则可以根据变量的特性选择适当的多元素分析方法。如果参数是数值变量，可以考虑应用多元回归分析方法、协方差分析方法。如果是分类变量，则可以选择logistic回归分析方法、判别分析方法和聚类分析方法等。根据变量类型选择分析方法，具有区分和明确研究的因素变量和参数以及重要的力学和生物统计学意义。首先，它有助于选择正在研究的变量，在调查表设计中起到指导作用。第二，数据分析阶段指导您选择数据分析方法和构建模型。如果变量是分类变量，则经常考虑应用分类变量的分析方法，例如卡方检查、逻辑回归分析等。如果原因变量是数值变量，请考虑应用数值变量的分析方法，例如t检验、方差分析、协方差分析、多元回归等。可以明确参数和原因变量，建立准确的统计分析模型。变量必须位于模型的左侧，参数必须位于模型的右侧。例如，要评估不同治疗方法(口服药物、胰岛素注射和饮食控制)对糖尿病患者的疗效(血糖水平)，分析时必须调整患者的性别、年龄和随时间变化的影响。本例的处理需要协方差分析，分析SAS时，血糖数值(由于变量)放在模型的左侧，治疗方法或其他协方差(covariate)将性别、年龄和经过放在模型的右侧。分析脂蛋白(a)与冠心病的关系，冠心病的发生与否是变量，脂蛋白(a)是参数，这种关系是不可逆转的。选择各种变量类型的数据分析方法，选择各种研究设计和数据类型的数据分析方法，数据的分析程序，数据转换、1)非正则数据的变量转换大多数统计分析方法基于数据的正态分布，如果数据不满足正态分布，则基于不能应用参数测试的方法。只能应用非参数检查方法，非参数方法不是对原始数据的检查(如排名和检查)，而是通过非参数检查方法之一检查原始数据的排名(rank)，从而导致数据信息丢失，检查效率下降，分析数值变量时，首先要分析统计分析方法/统计分析公式许多统计软件都具有方便的常规检查、分布式同质检查功能(例如SAS软件等)。如果检查数据不符合使用条件，则需要进行数据的变量转换；如果转换后符合条件，则可以应用参数检查方法。否则，仅适用非参数检验方法。转换数据变量的方法有多种，可以根据数据的分布特征选择适当的数据转换方法。典型的方法包括代数转换、平方根转换或倒数转换。，2)将分类变量转换为哑变量如果分类变量是2分类和顺序尺度，则可以直接应用原始量化数值，但对于名义尺度，在执行多个分析、逻辑回归、Cox回归等不同的分析时，不能使用原始计算机输入值，必须进行变量转换。此变量转换为(水平-1)个哑变量，新转换的变量放置在多元素模型中。t测试应用条件，两个数据集比较1示例比小于(n50)2示例规则全部3如果两个示例全部分布中相同的两个示例分布不匹配，则可以使用t 测试、变量转换或排名和测试。方差分析的应用条件，两组以上的数据比较是相互独立的随机样本；两个本来自正规群体。3各样品的总体方差必须相同。多个示例之间的两个比较，称为Newman-keuls检查，也称为student-Newman-keuls (snk)检查，还称为q检查。最小显著性差距(LSD)t测试。协方差分析、定量分析中两个样品或多个样品的平均比较时，不仅要确定差异在统计上是否不同，还要考虑其间是否存在混合因素(协方差)。如果有协方差变量，则必须通过协方差分析进行校正。协方差分析是定量变量分析中控制混合因素的重要手段，影响观察指标的其他非研究因素(混合因素)在统计分析中也称为协方差变量。协方差分析是协方差分析。协方差分析是解决上述问题的分析方法，将线性回归和方差分析相结合，测试两个或多个修正平均数之间没有差异的假设测试方法。一般来说，使用线性回归分析确定各组的原因变量和协变量之间的数量关系，求出假设协变变量相等时的修正系数，然后使用方差分析比较修正平均数的差异。协方差分析的条件，1角样本具有相同方差的正规全局2角组的整体线性回归系数相同，且均不为零。协方差分析的判别阶段：1正则和方差同质性测试；2判断共变和原因变量之间的线性关系。3确定每个组的回归线是否平行。直线回归及其相关差异和连接，多重线性回归的基本概念，事物之间的相互连接往往是多方面的，在很多情况下，对应变量y影响的参数不止一个。多重线性回归的目的是用多重线性回归方程表示多重引数和一个复本变数之间的关系。标准部分回归系数表示如果其他参数固定，Xi将更改一个单位，y将更改平均bi单位。多重定线回归的套用条件：1。独立性：观察对象之间相互独立。2.定线：引数与其变数之间的关系是线性的。3.正态：当参数获取不同的值时，变量分布为正态。4.方差同质性：当引数汇入不同的值时，变数的整体方差必须相同。5.如果不满足条件，则可以转换参数。在、等情况下，不能使用部分回归系数，因为部分回归系数的单位不同，所以要比较每个参数对变量起作用的大小。部分回归系数应标准化为无单位标准部分回归系数。消除其他单位的影响后，标准部分回归系数的绝对值越大，对变量的自变量作用就越大，但也要确认差异在统计上是否有意义。(2)每个部分回归系数的显著性测试：f检验和t检验，1。截距和每个部分回归系数的计算。2.多元回归方程的显著性检验：(1)整个方程的显著性检验：利用方差进行分析。STEPWISEREGRESSION，I .逐步回归分析的基本概念逐步回归分析的目的是建立“最佳”回归方程。“最佳”回归方程是包含对y起重要作用的所有参数的方程，包含对y不重要的参数。，逐步回归分析计算方法，选取的引数Xi到y的相应大小，从大引数到小引数依次为一个引数，每次引数的引入都经过大幅测试，只有在重要的情况下才能引入，新引数进入方程式时，原始方程式内的一些引数也将被检查，并依次作为较不重要的引数而变质的引数经过方程式。因此，在逐步回归的每个阶段(引入一个变量或剔除一个变量称为阶段)之前和之后，在引入新变量之前，必须进行重要的测试以确保公式中仅包含重要的参数。方程式中包含的引数逐步进行，直到没有重要且效果重要的新引数为止。逐步回归分析在医学研究中的应用及需要注意的几个问题，1方程“最佳”问题，选择自变量获取实际最佳拟和效应多元回归方程。最佳子集回归选择使回归方程最合适的参数之一，而逐步回归选择因变量而有意义的参数。要根据研究目的选择合适的方法。第二阶段回归主要用于医学中的原因探索、临床疗效分析和控制等。3线性回归模型必须注意正则性、方差同质性和独立性。因为变量必须是随机变量等。4如果与所选变量实际问题的专业理论不明显，首先要将数据是否有异常、参数之间是否有共同性、数据输入是否错误等与专业知识相结合，进行合理的解释。5逐步回归在分析许多因素时，可以先进行聚类分析，然后进行逐步回归。通常，观测单位取变量值的5 10倍是适当的。逻辑回归分析的基本思路，回顾：线性回归分析是变量的要求，变量y，连续服从正态分布，胆固醇含量，自变量x，数字和y是线性关系，年龄，舒张压，在医学研究中经常遇到以下子类型变量：2分类变量：生存和死亡疾病及无病活性和无病感染及无感染多分类顺序变量：疾病水平(轻、中度、重度)治疗效果(治疗、疗效、改善、无效)多分类无序变量：手术方法(a、b、c)，这种回归分析问题不能使用线性回归模型，因为变量的假设条件被破坏了。能否找到描述分类变量y和x之间相关性的其他形式的模型y=f(x)？因为x取任意值，而y只取1和0两个值的函数在数学上不存在。y转换为值的概率变量p和x的关系，变量y和x的关系，Logistic回归模型，Logistic回归分析的分类不能直接分析。数据特定类型：无条件逻辑回归分析(数据组)条件逻辑回归分析(案例-比较数据对)变量特定值数：双值逻辑回归分析多值逻辑回归分析参数数：单因素逻辑回归分析多逻辑回归分析、逻辑回归分析的数学模型，1，1元逻辑回归模型，y是1，0变量，x是危险因素。P=p(y=1|x)，变量x的二进制变量y的一元逻辑回归模型为。其中和是未知或估计的回归系数。此模型是y获取值(其中y=1)的概率p和自变量x之间的关系，2，描述多个逻辑回归模型，y表示变量1，0，x1，x2，xk是k的风险因素。P=p (y=1 | x1，x2，xk)，变量y信息变量x1，x2，xk的k元素逻辑回归模型是逻辑回归模型的另一种形式，它提供了x的变量z=logit(p)的线性函数。参数估计阶段，1数据结构包括p个风险x1、x2、xn和结果分析变量y，观测案例数为n。在逻辑回归过程中，原始数据采用普通格式，2在参数的估计Logsitc回归的参数估计中，通常需要使用最大似然估计方法进行整理。基本想法是，首先，当似然函数和代数似然函数、似然函数或代数似然函数达到最大值时，设置参数的值。这是参数的最大似然估计值。可以得到alpha beta值。3假设测试获取每个参数的估计值后，每个元素并不与原因变量相关联，模型中必须仅保留影响因素，因此，您必须逐个测试方程中的每个变量，删除不影响变量的因素，然后检查求和模型。采用似然比测试方法，通过逐步回归滤波变元，得到统计上重要的逻辑回归方程。这个过程很复杂，是由计算机完成的。医学往往需要匹配案例-对照研究。配对患者-对照组研究，在患者-对照组研究中，分别比较性别、年龄或其他条件相似的1人(1:1)或多个(1:M)的对照组，然后分析对照组和以前暴露在致病因素中的病例。分析对案例比较研究数据的统计分析方法通常采用条件逻辑回归分析。条件逻辑回归分析的数学模型和分析原理方法与无条件逻辑回归分析类似。参数的估计公式包含条件概率理