医学统计学八t检验PPT课件

医学统计学第八章。林正，福建医科大学公共卫生学院流行病学与健康统计系，2016.2。t检验。如果在总体均值假设检验中使用无效假设(这里指算术均值)，常用的方法是T检验(专门用于不超过2组的数据)和方差分析(用于3组及以上)。如果目标总体参数是中值，可以考虑秩和检验和T检验。假设检验中使用T统计量，所以称之为T检验。测试的使用是有条件的。什么样的数据可以计算出T值？利用T检验条件，数值(测量数据、数量变量)变量服从正态分布或近似正态分布的总体方差齐性(两个样本数据)在上述条件下，如果总体标准差未知，且样本含量小(n100)，考虑采用T检验；但是，如果已知总体标准偏差或样品含量较大(n100)，可以使用Z检验。1.单样本测试(实施例8.1)。一名医生在农村地区测量了40名新生儿，测量的平均体重为3.27公斤，标准偏差为0.44公斤；根据该地以往的记录，新生儿的总平均出生体重为3.36公斤。农村新生儿的出生体重是否与该地新生儿的平均出生体重不同？对于单个样本数据的T检验，从数据提供的信息来看，样本平均值3.27不等于总体平均值3.36，这可以归结为以下两个原因：对应于样本的总体平均值等于3.36，这仅仅是由于抽样误差。非抽样误差和非抽样误差有什么区别？这两种情况只有一种是正确的，而且这两种必须是第一种，这就要求我们做出推论。单样本数据的T-检验，H0:=3.36，农村地区新出生婴儿的体重与该地的平均水平相同，H1: 3.36，两者不同(可能高或低，但在任何情况下都不相等)检验水平a=0.05(两侧)，单样本数据的T-检验，单样本数据的T-检验，由于t=-1.294t0.05/2，35=-2.023 仍然可以推断，P0.05(通过计算机软件获得的结果是P=0.203)并不排斥在a=0.05的水平上的H0，并且农村新生儿的出生体重不被认为不同于该地方的平均水平。，2。配对设计的t检验，什么是配对设计？有时影响测试或研究结果的不仅仅是我们观察到的因素。例如，我们需要比较两种药物的疗效。如果两组患者在开始时的严重程度是相当不同的，那么即使两种药物的治愈最终是不同的，也不能归因于药物的不同。患者的情况在这里被称为非治疗因素或“混合”因素配对设计，这是研究者为了控制可能的非治疗因素对研究结果的影响而采用的“平衡”设计方法。配对设计的T检验是常见的配对方法之一：将受试者配对成具有相似特征的配对，然后每对中的两个受试者随机接受不同的治疗方案，例如比较两种疗法的患者的生化指标，医生将具有相似年龄、性别和状况的患者配对，然后让一个患者接受治疗A，另一个患者接受治疗B。男性40例轻度，男性42例轻度，女性45例中度，女性43例中度，女性55例重度，女性57例重度。门诊1号、门诊2号、门诊3号、门诊4号、门诊5号、门诊6号、性别、年龄和高血压程度都会影响药物的疗效。决定使用上述三个“混杂”因素作为匹配变量。门诊病人。1vs。门诊6号，门诊。2v。门诊4号，门诊。3vs。5号门诊，随机数：99343，随机数：494567，随机数：206126，测试、控制、测试、控制、控制、测试。试验组和对照组的两个观察对象按一定条件配对，同一对中的“混杂”因素在两者之间几乎相同；然而，这些“混合”因素在不同的对之间可能有很大的不同。对于配对设计的T检验，女性，55 ，重度，男性，40 ，轻度，女性，45 ，中度，第二种常见的配对方法是将同一样本分成两部分(或同一身体的不同部分)，同时随机接受两种不同的治疗方案。例如，牙医用两种方法分别塑造同一个病人的牙龈，并比较两种方法的准确性。“特殊”配对形式有“治疗前后的自我配对”。它以治疗前的变量值为控制值(相当于空白状态)，治疗后的变量值为实验值。但是，在实际应用中，由于气候、饮食、心理状态等非治疗因素。作用于受试者不能长时间保持稳定，其结果不完全是治疗因素的影响，同时它与非治疗因素的变化对结果的影响相混合。因此，这种配对设计方法主要用于急性和短期试验。配对t检验的数据形式、配对t检验的原理、检验的原理：如果两个群体之间没有差异，则每对的总体平均值为0，即md=0(H0)检验的统计值：配对t检验的原理：24名儿童接种卡介苗，根据年龄和性别准备12对，每对中有一对接种新产品，另一对接种标准产品；在同一部位注射后，72小时后观察结核菌素皮肤反应的直径。这两种疫苗的反应结果有什么不同吗？配对设计t检验(实施例8.2)，配对设计t检验，h 0:d=0，两种疫苗的反应结果相同h 1:d 0，两种疫苗的反应结果不同=0.05；双侧计算检验统计量T查表，t0.05/2，11=2.201，所以P0.1，所以结果不是拒绝H0，而且两组人口的方差还没有被认为是不同的。第四节继续。t test *，解释了在方差齐性的情况下，如何进行T检验来比较两个样本的平均数。如果方差不均匀，许多学者建议在这种情况下，T分布的概率应通过自由度修正法计算，或通过非参数检验，Satterthwaite-Aspint(Satterthwaite，1941，1946；asp1948，1949)分别提出用修正自由度的方法计算对应于t值的概率p。目前大多数统计软件采用他们提出的自由度计算方法。公式如下：假设检验与置信区间的关系、区间估计和假设检验是统计的两种基本方法两者的推断过程都使用小概率事件的原理，这使得很难保证统计推断的结论是100%正确的。两者都是利用概率分布原理推导和计算出来的，所以假设检验可以看作是置信区间的另一种表达。置信区间可以被视为一组所有可能的可接受的假设。例如：假设检验和区间估计之间的关系，虽然它们有一些共同之处，但它们仍然是不同的。两者有不同的思维方向：假设检验使用还原论(逆向思维)；然而，在计算置信区间时，我们不知道任何未知参数，但我们可以给未知参数的置信区间或其范围(积极思维)以一定的置信度。假设检验和区间估计之间的关系有其自身的特点。例如，在配对T检验中，无效的假设被拒绝，并且患者用药后的血压低于用药前。这种差异在统计学上是显著的，但是这种药物可以说是有效的吗？在临床上，有必要解释血压降低是有效的，这意味着服用后血压可降低至少5毫微克。这时，假设检验不能回答这个问题，但置信区间可以。计算差值的95%置信区间，看该区间是否大于5；也就是说，大多数假设检验只能回答置信区间中是否存在0(H0假设)的问题，而不能回答区间的具体位置，如下图所示：A3360不拒绝H0假设，前后的置信区间之差包含0，B:拒绝H0假设，血压变化，但置信区间提示的差异没有临床意义，而C3360拒绝H0假设，血压变化。差异值的CI提示可能具有临床意义。D:拒绝H0，血压变化，和CI提示的差值有临床意义。假设检验和区间估计之间的关系，如果H0在检验过程中被拒绝，比当前情况更极端的概率可以用P值作为拒绝H0的确定性来准确解释。P值越小，拒绝H0越合理。然而，置信区间只能在原始给定的置信水平下估计。如果H0