SAS软件应用之典型相关分析PPT.pptVIP

诊断试验 诊 断 结 果(T) 金标准(D) 合计 病例(D+) 对照(D-) 阳 性(T+) TP(真阳性) FP(假阳性) TP+FP 阴 性(T-) FN(假阴性) TN(真阴性) FN+TN 合计 TP+FN FP+TN N 诊断试验评价指标 评价诊断试验的常用指标有一致百分率、灵敏度、特异度、Youden指数、阳性似然比、阴性似然比、阳性预报值和阴性预报值。 一致百分率 一致百分率是病例正确诊断为阳性与对照正确诊断为阴性的例数之和占总例数的百分率。计算公式为： 其标准误为 一致百分率 一致百分率很大程度上依赖于患病率，如某病的患病率为5%，即使不采用诊断试验，且将所有研究个体划归为阴性，也可得到一致百分率为95%；其次，它没有利用假阴性和假阳性的信息，相同的一致百分率可能有十分不同的假阴性和假阳性；第三，它还受诊断界点的限制。因此，诊断试验评价只用该指标粗略地表达诊断试验的一致性，更常用的诊断试验评价指标是灵敏度、特异度等。 灵敏度 实际患病且被诊断为阳性的概率就是灵敏度，也称为真阳性率，即： 其标准误为： 该指标只与病例组有关，反映了诊断试验检出病例的能力。 特异度 实际未患病且被诊断为阴性的概率就是特异度，即： 其标准误为： ?该指标只与对照组有关，反映了诊断试验排除非病例的能力。 灵敏度与特异度 灵敏度与特异度具有不受患病率影响的优点，其取值范围均在(0，1)之间，其值越接近于1，说明其诊断试验的价值越好。 当比较两个诊断试验时，单独使用灵敏度或特异度，可能出现一个诊断试验的灵敏度高、特异度低，而另一个诊断试验的灵敏度低、特异度高，无法判断哪一个诊断试验更好。由此，有人提出了将灵敏度和特异度结合的诊断试验评价指标，如Youden指数、阳性似然比、阴性似然比等。 Youden指数 真阳性率与假阳性率之差就是Youden指数，即： 其标准误为 Youden指数的取值范围在(-1, +1)之间，其值越接近于+1，诊断准确性越好。 阳性似然比 真阳性率与假阳性率之比，即灵敏度与误诊率之比就是阳性似然比?（LR+）， 的取值范围为(0, ∞)，其值越大，检测方法证实疾病的能力越强。 的标准误涉及到对数变换，这里不予给出；以下几个指标的标准误计算也较复杂，也不予给出。 * * 第20章 典型相关分析 学习目标 了解典型相关分析的数学表达方式，假定条件； 熟悉典型相关系数的数学含义； 掌握典型变量系数的数学含义； 掌握简单相关，复相关和典型相关的意义； 掌握典型相关分析的SAS过程步：CANCORR过程步。 概述 对于两个变量，是用它们的相关系数来衡量它们之间的线性相关关系的。当考虑一个变量与一组变量的线性相关关系时，是用它们的多重相关系数来衡量。但是，许多医学实际问题中，常常会碰到两组变量之间的线性相关性研究问题。例如，教育研究者想了解3个学术能力指标与5个在校成绩表现之间的相关性；对于这类问题的研究引进了典型相关系数的概念，从而找到了揭示两组变量之间线性相关关系的一种统计分析方法——典型相关分析。 典型相关 典型关系分析是分析两组变量之间相关性的一种统计分析方法，它包含了简单的Pearson相关分析（两个组均含一个变量）和复相关分析（一个组含有一个变量，而另一组含有多个变量）这两种特殊情况。典型相关分析的基本思想和主成分分析的基本思想相似，它将一组变量与另一组变量之间单变量的多重线性相关性研究转化为对少数几对综合变量之间的简单线性相关性的研究，并且这少数几对变量所包含的线性相关性的信息几乎覆盖了原变量组所包含的全部相应信息。 典型相关 典型相关分析方法的基本原理是：所有研究的两组变量为x组和y组，x 组有p个变量 ， y 组有q个变量 ，则分别对这两组变量各做线性组合后，再计算此两加权和的简单相关系数，然后以这个简单相关系数当做这两组变数之间相关性的衡量指标。即 典型相关 有两个问题需要解决： 给定不同组合比例 以及 ，都可以算出不一样的简单相关系数，这使得这个方法非常的不科学，每个人都可以依照自己的喜好来决定组合比例，并且在衡量两组变量之间相关性的问题上，也没有一个统一的标准。 各组内变量之间的尺度不太相同，例如身高的尺度跟脚掌长度的尺度就不相同，显然前者的变异数会大于后者，这种情况是不合理的。 典型相关 针对第一个问题，“在所有的组合中，寻找一个组合使得简单相关系数为最大”，可能是个好想法；另外，寻找一个组合使得简单相关系数为最小，此简单相关系数就是典型相关系数，而典型相关系数的平方称为典型根。 典型相关 对于第二个问题，解决的方法就是对资料