《医学统计学》完整课件

《医学统计学》完整课件汇报人：AA2024-01-25绪论描述性统计方法推断性统计方法实验设计与样本量估计回归分析及相关分析生存分析与时间序列分析多变量统计方法简介contents目录绪论01医学统计学是应用数理统计学的原理和方法，在医学领域中研究数据的收集、整理、分析和解释的一门科学。定义揭示医学领域中的数量规律，为医学研究和临床实践提供科学依据。任务医学统计学定义与任务古典统计学时期以描述性统计为主，关注数据的收集和整理。现代统计学时期引入计算机技术和复杂统计模型，推动医学统计学的快速发展。推断统计学时期以概率论为基础，发展出假设检验、参数估计等方法。医学统计学发展简史医学统计学在医学领域中的应用通过合理的试验设计，减少误差和偏倚，提高研究结果的可靠性。运用统计方法对医学数据进行处理和分析，揭示数据背后的规律和联系。利用统计模型对疾病进行预测和诊断，为临床医生提供决策支持。通过统计分析，了解人群健康状况和疾病分布，为公共卫生政策制定提供依据。临床试验设计数据分析和解释疾病预测和诊断公共卫生调查描述性统计方法02用于展示数据的分布情况，包括各组数据的频数、频率、累计频数和累计频率。用直条矩形面积代表各组频数，各矩形面积总和代表频数的总和，它主要用于表示连续变量频数分布情况。频数分布表与直方图直方图频数分布表简称均数，适用于对称分布，特别是正态分布的资料。算术均数适用于反映一组经对数转换后呈对称分布的变量在数量上的平均水平，在医学研究中常适用于免疫学的指标。几何均数适用于各种分布类型的资料，常用于偏峰资料，也适用于开口组资料，或分布两端无确切值的资料。中位数集中趋势描述指标说明变量的变动范围，最简单而粗糙的指标。极差上四分位数与下四分位数之差，反映中间50%数据的离散程度。四分位数间距方差是每个数据与全体数据平均数之差的平方值的平均数。标准差是方差的算术平方根，标准差用s表示；方差是标准差的平方，方差用s^2表示。方差与标准差离散程度描述指标正态分布的概念正态分布是一种概率分布。正态分布是具有两个参数μ和σ2的连续型随机变量的分布，第一参数μ是遵从正态分布的随机变量的均值，第二个参数σ2是此随机变量的方差，所以正态分布记作N(μ，σ2)。遵从正态分布的随机变量的概率规律为取μ邻近的值的概率大，而取离μ越远的值的概率越小；σ越小，分布越集中在μ附近，σ越大，分布越分散。正态分布在医学中的应用在医学研究中，许多生理或病理现象均表现为正态分布或近似正态分布。例如身高、体重、血压、血沉、红细胞计数、血红蛋白含量、以及实验中的随机误差等。有些指标（变量）虽服从偏态分布，但经数据变换后的新变量可服从正态或近似正态分布，可按正态分布规律处理。正态分布及其应用推断性统计方法03参数估计方法点估计用样本统计量直接估计总体参数，如样本均数估计总体均数。区间估计根据样本统计量和抽样分布，估计总体参数所在的范围，如总体均数的95%置信区间。先对总体参数提出假设，然后利用样本信息判断假设是否成立。假设检验的基本原理建立假设、确定检验水准、计算检验统计量、确定P值、作出推断结论。假设检验的步骤假设检验原理及步骤t检验用于比较两组均数是否有差别，包括单样本t检验、配对样本t检验和独立样本t检验。方差分析用于比较多组均数是否有差别，包括单因素方差分析和多因素方差分析。t检验和方差分析非参数检验的适用条件当数据不满足参数检验的条件时，如总体分布未知或数据严重偏态等，可采用非参数检验。常见的非参数检验方法包括秩和检验、卡方检验、Fisher确切概率法等。非参数检验方法实验设计与样本量估计04重复原则确保实验结果的稳定性和可靠性。随机化原则消除非处理因素对实验结果的影响，提高实验的精确性和可重复性。局部控制原则通过分组技术，减少实验误差，提高实验效率。实验类型包括完全随机设计、随机区组设计、析因设计、正交设计等。实验设计基本原则和类型03整群随机分组先将实验对象按某些自然形成的群体进行分组，然后随机抽取部分群体作为实验组和对照组。01简单随机分组按随机原则将实验对象分配到各处理组，保证各组具有相同的概率分布。02分层随机分组先将实验对象按某些重要特征进行分层，然后在各层内按随机原则进行分组。随机化分组方法根据研究目的、效应大小、显著性水平、把握度等参数，利用公式计算所需样本量。公式法通过查找预先计算好的样本量表格，确定所需样本量。查表法利用专门的样本量计算软件，输入相关参数后自动计算所需样本量。软件法根据以往类似研究的经验，估计所需样本量。需要注意的是，经验法可能存在较大的误差，因此在实际应用中需谨慎使用。经验法样本量估计方法回归分析及相关分析05线性回归模型的建立最小二乘法、极大似然法等。线性回归模型的检验拟合优度检验（R方、调整R方）、F检验、t检验等。线性回归模型的基本概念解释变量、响应变量、线性关系等。线性回归模型建立与检验123多元解释变量、多元响应变量等。多重线性回归模型的基本概念逐步回归法、主成分回归法等。多重线性回归模型的建立多重共线性检验、异方差性检验、模型整体显著性检验等。多重线性回归模型的检验多重线性回归模型建立与检验01二分类响应变量、概率预测等。Logistic回归模型的基本概念02最大似然估计法、梯度下降法等。Logistic回归模型的建立03拟合优度检验（伪R方）、似然比检验、Hosmer-Lemeshow检验等。Logistic回归模型的检验Logistic回归模型建立与检验生存分析与时间序列分析06生存数据特点数据具有时序性含有删失数据生存数据特点及常用术语03生存时间：从观察起点到事件发生的时间01通常关注事件发生的时间02常用术语生存数据特点及常用术语生存数据特点及常用术语观察过程中因各种原因未能观察到事件发生的数据删失数据观察对象在某一时间点仍存活的比例生存率生存曲线绘制Kaplan-Meier法寿命表法生存曲线绘制及比较方法02030401生存曲线绘制及比较方法生存曲线比较方法Log-rank检验Breslow检验Tarone-Ware检验时间序列数据特点及预测模型建立010203数据具有时序性数据之间存在自相关性时间序列数据特点时间序列数据特点及预测模型建立01可能存在周期性、趋势性等特征02预测模型建立移动平均法03指数平滑法ARIMA模型时间序列数据特点及预测模型建立多变量统计方法简介07VS通过正交变换将原始特征空间中的线性相关变量转换为另一组线性无关变量，即主成分，以揭示数据内在结构。应用举例在医学研究中，主成分分析可用于评估多种生物标志物的综合效应，如基因表达谱、代谢组学数据等，以简化数据结构并提取关键信息。主成分分析原理主成分分析原理及应用举例通过寻找潜在因子来解释观测变量之间的相关性，将复杂的多变量关系简化为少数几个因子的影响。在医学心理学领域，因子分析可用于探究多种心理量表之间的共同因子，如焦虑、抑郁等，以深入了解心理健康状况的内在结构。因子分析原理应用举例因子分析