医学统计学重点简答题和名词解释

医学统计学重点简答题和名词解释一、名词解释医学统计学是运用概率论与数理统计的原理及方法，研究医学领域中数据的收集、整理、分析与推断的一门学科，其目的是揭示医学现象的客观规律，为医学科研和实践提供科学依据。总体：根据研究目的确定的同质观察单位的全体。更确切地说，是同质的所有观察单位某种观察值（变量值）的集合。总体可分为有限总体和无限总体。样本：从总体中随机抽取的部分观察单位，其实测值的集合。样本应具有代表性，能较好地反映总体的特征。变量：观察对象的特征或属性，其观察结果具有不确定性。在医学研究中，常见的变量如年龄、身高、体重、血压、血型等。概率：描述随机事件发生可能性大小的数值，常用符号P表示，取值范围在0到1之间。P=0表示事件不可能发生，P=1表示事件必然发生。频率：在n次重复试验中，事件A发生了m次，则事件A发生的频率为m/n。当试验次数足够大时，频率可作为概率的估计值。计量资料：又称定量资料或数值变量资料，是指通过度量衡的方法，测量每个观察单位的某项研究指标的量的大小，得到的数据资料。其特点是有度量衡单位，表现为数值大小，可进行加减运算。计数资料：又称定性资料或分类变量资料，是将观察单位按某种属性或类别分组计数，得到各组的观察单位数。其特点是没有度量衡单位，各组之间具有质的区别。等级资料：又称半定量资料，是将观察单位按某种属性的不同程度分成等级，然后计数各组的观察单位数。这类资料具有计数资料的特点，但各组之间还存在等级顺序关系。均数：即算术均数，是描述一组同质计量资料集中趋势的最常用指标。它等于所有观察值的总和除以观察值的个数。中位数：将一组观察值按大小顺序排列后，位次居中的那个观察值。它适用于描述偏态分布资料、分布不明资料或有极端值资料的集中趋势。标准差：描述一组同质计量资料离散趋势的常用指标，是方差的算术平方根。它反映了各观察值与均数的平均离散程度。四分位数间距：上四分位数（Q3）与下四分位数（Q1）之差，即Q3-Q1。它是描述偏态分布资料或分布不明资料离散趋势的较好指标，比极差更稳定。率：表示某现象发生的频率或强度，常以百分率（%）、千分率（‰）、万分率（1/万）等表示。计算公式为：（某时期内发生某现象的观察单位数/同时期可能发生某现象的观察单位总数）×K。构成比：表示事物内部某一组成部分观察单位数与该事物各组成部分观察单位总数之比，用以说明事物内部各组成部分所占的比重或分布。常以百分数表示，计算公式为：（某一组成部分的观察单位数/同一事物各组成部分的观察单位总数）×100%。相对比：是两个有关指标之比，用以说明一个指标是另一个指标的几倍或几分之几。两个指标可以是同类指标，也可以是不同类指标。抽样误差：由于个体变异的存在，从同一总体中随机抽取若干个含量相等的样本，样本指标与总体指标之间或样本指标之间总会存在差异，这种差异称为抽样误差。标准误：即均数的标准误，是描述均数抽样误差大小的指标。它是样本均数的标准差，反映了样本均数与总体均数之间的离散程度。可信区间：按一定的概率或可信度（1-α）估计总体参数所在的范围，该范围称为总体参数的可信区间。它用于估计总体参数，常表示为95%可信区间或99%可信区间。P值：在假设检验中，P值是指在无效假设H0成立的条件下，出现当前检验统计量或更极端情况的概率。P值越小，越有理由拒绝H0。假设检验：又称显著性检验，是利用样本信息判断总体参数之间是否存在统计学差异的一种统计分析方法。它首先对总体参数或分布做出某种假设，然后根据样本数据计算相应的检验统计量，最后根据检验统计量的概率分布确定P值，并据此做出是否拒绝原假设的结论。第一类错误：当无效假设H0实际上成立时，检验结果却拒绝了H0，接受了备择假设H1，这种错误称为第一类错误，其概率大小用α表示，通常取α=0.05。第二类错误：当无效假设H0实际上不成立时，检验结果却不拒绝H0，这种错误称为第二类错误，其概率大小用β表示。β值的大小与样本含量、α水平、两总体参数的实际差异等有关。检验效能：又称把握度，即当两总体确有差异时，按规定的检验水准α能够发现该差异的概率，检验效能等于1-β。方差分析：简称ANOVA，是用于比较两个或多个总体均数是否有差异的假设检验方法。其基本思想是将总变异分解为组间变异和组内变异，通过比较组间变异与组内变异的大小来判断总体均数是否存在差异。卡方检验：是一种用途广泛的假设检验方法，常用于推断两个或多个总体率（或构成比）之间有无差异，也可用于检验配对设计资料的差异以及检验实际频数与理论频数的拟合优度等。相关系数：用于描述两个变量之间线性关系的密切程度和方向的统计指标，常用Pearson积矩相关系数r表示，取值范围在-1到1之间。回归系数：在直线回归方程Y=a+bX中，b称为回归系数，表示当自变量X每变化一个单位时，应变量Y平均变化的单位数。二、简答题1.简述医学统计学的基本步骤。医学统计学的基本步骤通常包括以下几个方面：首先是研究设计，这是整个统计工作的基础，包括明确研究目的、确定研究对象、选择研究方法、制定观察指标和样本量估计等，良好的设计是保证研究结果科学性和可靠性的前提。其次是数据收集，按照研究设计的要求，准确、完整地收集研究数据，要注意数据的真实性和客观性，避免遗漏和错误。然后是数据整理，对收集到的原始数据进行核查、纠错、编码、录入和清洗，使其系统化、条理化，以便于后续的统计分析。接下来是统计分析，包括统计描述和统计推断。统计描述是用适当的统计指标和统计图（表）对数据的特征进行概括和展示；统计推断则是利用样本信息推断总体特征，包括参数估计和假设检验。最后是结果解释与报告，根据统计分析的结果，结合专业知识进行科学合理的解释，并以规范的形式撰写研究报告或论文，清晰、准确地呈现研究结果。2.简述计量资料集中趋势和离散趋势的主要描述指标及其适用条件。计量资料集中趋势的主要描述指标包括：均数，适用于对称分布，特别是正态分布或近似正态分布的资料，它能反映数据的平均水平。中位数，适用于偏态分布资料、分布不明资料或有极端值的资料，不受极端值的影响，可反映数据的位置中心。几何均数，适用于等比级数资料或对数正态分布资料，如抗体滴度、细菌计数等。离散趋势的主要描述指标包括：极差，简单但不稳定，易受极端值影响，适用于任何分布类型的资料，但主要用于初步了解数据的变异范围。方差和标准差，适用于正态分布或近似正态分布资料，标准差是方差的平方根，与均数结合能较好地反映数据的离散程度。四分位数间距，适用于偏态分布资料、分布不明资料或有极端值的资料，它是上四分位数与下四分位数之差，比极差更稳定。变异系数，适用于比较计量单位不同或均数相差悬殊的两组或多组资料的离散程度，是标准差与均数之比。3.简述假设检验的基本思想和一般步骤。假设检验的基本思想是基于小概率反证法思想。首先对所研究的总体提出一个无效假设H0和备择假设H1，然后在H0成立的前提下，计算当前样本统计量或更极端情况出现的概率P值。如果P值很小，小于或等于预先设定的检验水准α（通常为0.05），则认为在H0成立的条件下，出现这样的样本结果是一个小概率事件，根据小概率事件在一次试验中几乎不可能发生的原理，我们有理由怀疑H0的真实性，从而拒绝H0，接受H1；反之，如果P值大于α，则没有充分理由拒绝H0。假设检验的一般步骤如下：建立检验假设，确定检验水准。即提出H0和H1，并设定检验水准α。选择适当的检验方法，计算检验统计量。根据研究设计类型、资料类型、样本量大小及分析目的等选择合适的检验方法，并计算相应的检验统计量。确定P值，做出统计推断。根据检验统计量的概率分布，查相应的界值表或通过统计软件计算得到P值。将P值与检验水准α进行比较，若P≤α，则拒绝H0，接受H1，认为差异有统计学意义；若P>α，则不拒绝H0，认为差异无统计学意义。最后，结合专业知识对统计推断结果进行解释。4.什么是P值？P值与α的关系是什么？如何正确理解P值？P值是在假设检验中，当无效假设H0成立时，出现当前所观察到的样本检验统计量值以及更极端情况的概率。P值与α（检验水准）都是用于判断是否拒绝H0的界值，但两者含义不同。α是预先设定的一个小概率水平，是研究者愿意承担的犯第一类错误的最大概率，通常取0.05。P值则是根据实际样本数据计算得到的概率。正确理解P值需要注意：P值越小，表明拒绝H0的证据越充分，但P值的大小并不直接表示总体参数差异的大小，也不表示研究结果的临床意义大小。P≤α只能说明差异具有统计学意义，而不能说明差异一定具有实际临床价值；反之，P>α也不能完全排除总体间存在差异的可能性，可能是由于样本量不足或差异较小等原因。此外，P值是基于H0成立的假设计算的，不能证明H0或H1是否真正成立，其结论是概率性的，而非确定性的。5.简述Ⅰ型错误和Ⅱ型错误的概念及其关系，如何控制？Ⅰ型错误，即第一类错误，是指当无效假设H0实际上成立时，检验结果却错误地拒绝了H0，接受了备择假设H1，犯这类错误的概率用α表示，故又称α错误。Ⅱ型错误，即第二类错误，是指当无效假设H0实际上不成立时，检验结果却错误地不拒绝H0，犯这类错误的概率用β表示，故又称β错误。Ⅰ型错误和Ⅱ型错误的关系：在样本含量固定的情况下，α和β之间存在此消彼长的关系，即减小α会增大β，反之亦然。若要同时减小α和β，唯一的方法是增加样本含量。控制方法：α值是预先设定的，通常取0.05或0.01，研究者可根据研究目的和实际情况选择合适的α水平来控制Ⅰ型错误的概率。对于Ⅱ型错误，通常通过增加样本含量、提高检验效能（1-β）来控制，在研究设计阶段进行样本量估计是控制Ⅱ型错误的重要措施。此外，选择合适的检验方法、严格控制研究条件等也有助于减少Ⅱ型错误。6.简述可信区间和参考值范围的区别。可信区间和参考值范围是两个不同的概念，主要区别如下：含义不同，可信区间是按一定的可信度（1-α）估计的总体参数（如总体均数、总体率）所在的范围，用于估计总体参数；参考值范围则是指同质总体中大多数个体某指标值的波动范围，用于判断观察对象的某项指标是否在正常范围内。计算方法不同，可信区间的计算通常基于样本统计量（如均数、率）和标准误，如总体均数的可信区间为X̄±tα/2,νSX̄或X̄±uα/2σX̄；参考值范围的计算则根据资料类型（计量资料常用），正态分布资料用X̄±uα/2S，偏态分布资料用百分位数法（如P2.5~P97.5）。用途不同，可信区间用于参数估计，反映了总体参数的可能范围，如通过样本均数估计总体均数；参考值范围用于判断个体某项指标是否正常，如临床诊断中判断患者的检验结果是否在正常参考范围内。7.简述t检验、u检验、方差分析、卡方检验分别适用于哪些情况？t检验适用于：样本均数与总体均数的比较（单样本t检验）；两个独立样本均数的比较（成组t检验），要求两样本来自正态分布总体且方差齐；配对设计资料均数的比较（配对t检验）。u检验（即Z检验）适用于：当样本含量较大（如n>30）时，样本均数与总体均数的比较，或两个独立大样本均数的比较，此时t分布近似正态分布，可用u检验代替t检验。此外，率的u检验适用于样本率与总体率的比较，或两个独立样本率的比较（当np和n(1-p)均大于5时）。方差分析适用于：比较两个或多个独立样本均数是否有差异，其基本条件是各样本来自正态分布总体、各总体方差齐同、观察值独立。根据研究设计不同，可分为完全随机设计的方差分析、随机区组设计的方差分析、析因设计的方差分析等。卡方检验适用于：推断两个或多个总体率（或构成比）之间有无差异；检验配对设计资料的两种处理方法的结果是否有差异（配对卡方检验）；检验某个样本的实际频数分布是否符合某种理论分布（拟合优度检验）；以及用于分类资料的关联性分析等。8.简述如何减少和控制抽样误差？抽样误差是由于个体变异和抽样造成的，是客观存在的，但可以通过以下方法减少和控制：首先，增加样本含量是减少抽样误差最有效的方法。在其他条件不变的情况下，样本含量越大，抽样误差越小，样本对总体的代表性越好。其次，选择适当的抽样方法。不同的抽样方法抽样误差大小不同，如分层抽样的抽样误差通常小于单纯随机抽样，系统抽样的抽样误差与总体的分布有关。应根据研究目的和总体特征选择合适的抽样方法，以提高样本的代表性，减少抽样误差。另外，严格控制研究条件，尽量使观察对象同质，减少非处理因素的干扰，也有助于降低抽样误差。最后，在抽样过程中确保随机化原则的严格执行，避免主观选择研究对象，以保证样本的随机性和代表性，从而减少抽样误差。9.简述线性相关与线性回归的区别与联系。线性相关与线性回归的区别：资料要求不同，相关分析要求两个变量都是随机变量，且服从双变量正态分布；回归分析中，自变量X可以是随机变量（Ⅱ型回归）也可以是给定的非随机变量（Ⅰ型回归），应变量Y是随机变量且服从正态分布。应用目的不同，相关分析主要用于描述两个变量之间线性关系的密切程度和方向；回归分析主要用于揭示自变量X对因变量Y的影响大小，建立回归方程，用于预测和控制。指标意义不同，相关系数r反映的是两个变量之间相关的方向和密切程度，没有单位；