流行病学常用统计方法

2023流行病学常用统计方法contents目录描述性统计方法推论性统计方法高级统计方法01描述性统计方法每个类别中观察值的数量。频数频数分布频数分布图将观察值按照某个变量分组，计算每组的频数。将频数分布以图表形式表示，可以直观地观察数据的分布情况。03频数分布0201描述性统计量将观察值按照某个变量分组，计算每组描述性统计量，并进行比较和分析。集中趋势均值所有观察值的平均值。中位数将观察值按大小排序后，位于中间位置的数值。众数出现次数最多的数值。每个观察值与均值的差异的平方的平均值。方差方差的平方根，反映观察值的离散程度。标准差将观察值按大小排序后，取前25%和后25%的数值，计算其差值，可以反映数据的离散程度。四分位数间距离散程度偏度描述数据分布偏斜程度的统计量。峰度描述数据分布峰态的统计量，即观察值分布曲线的形态。分布形状描述性统计图形直方图展示连续变量的频数或频率分布情况。条形图展示类别变量的频数或频率。饼图展示一个变量在不同类别中的比例关系。箱线图展示一组数据分布的中心、散布和异常值情况。散点图展示两个变量之间的关系和趋势。02推论性统计方法参数估计用单一的样本数据估计总体参数。点估计基于样本数据和抽样分布，估计总体参数的可能范围。区间估计假设检验零假设假设总体参数等于零或没有差异。对立假设与零假设相反的假设，通常是有待验证的假设。p值用于评估样本数据是否支持对立假设的指标。010203单因素方差分析分析一个因素对因变量的影响。多因素方差分析分析多个因素对因变量的影响，同时考虑因素之间的交互作用。方差分析相关分析衡量两个变量之间的线性相关程度。皮尔逊相关系数衡量两个变量之间的等级相关程度。斯皮尔曼秩相关系数多元线性回归用多个自变量预测一个因变量的线性关系。简单线性回归用一个自变量预测一个因变量的线性关系。非线性回归用一个或多个自变量预测一个因变量的非线性关系。回归分析03高级统计方法总结和整合以往研究元分析通过对多个相关研究进行综合分析，提供更全面的、系统性的研究结论。弥补传统综述的不足传统综述容易受主观因素的影响，而元分析则通过定量方法客观地评估研究结果。提供效应估计的准确度元分析可以通过计算加权平均效应来提高效应估计的准确性和可靠性。元分析描述生存现象生存分析用于描述生存现象的分布特征，如中位生存时间、生存率等指标。探索影响因素通过生存分析可以研究影响生存时间的因素，如治疗方式、疾病分期等。评价治疗效果生存分析可以比较不同治疗方案或不同治疗阶段的生存差异，从而评价治疗效果。生存分析随机效应模型要点三克服固定效应模型的限制随机效应模型克服了固定效应模型在某些情况下的限制，如在研究异质性数据时。要点一要点二考虑个体间的变异随机效应模型考虑了个体间的变异，因此可以更准确地估计总体效应。分析数据结构随机效应模型可以更好地分析数据结构，如数据缺失、重复测量等情况。要点三检查变量间的关系多重共线性分析用于检查多个变量之间的相互关系，以确定是否存在多重共线性的问题。多重共线性分析判断变量重要性通过多重共线性分析可以判断出哪些变量对模型的贡献较大，哪些变量的影响较小。选择最佳变量在存在多重共线性的情况下，可以选择最佳变量进入模型，以提高模型的预测精度。主成分分析保留主要信息主成分分析能够保留数据中的主要信息，同时减少数据的复杂性和冗余度。揭示变量间的关系主成分分析还可以揭示变量之间的相互关系和影