医学科研设计中常见错误分析9.pptVIP

线性回归与非线性回归 数据分析中常见错误分析 结果表述不当 过于看重P值的大小而忽视Power的影响 片面夸大统计学意义的作用 错误理解P＜0.01与P＜0.05的关系 显著性检验包打天下 优效、等效和非劣效性检验少为人知 Intervention Control t p example1 21.1±2.2(10) 22.1±2.3(10) 0.99 0.05 example2 21.1±2.2(50) 22.1±2.3(50) 2.22 0.05 example3 21.1±2.2(120) 21.5±2.3(120) 1.38 0.05 example4 21.1±2.2(320) 21.5±2.3(320) 2.25 0.05 example5 21.1±2.2(3200) 21.3±2.3(3200) 3.55 0.01 多重共线性 回归模型中两个或两个以上的自变量彼此相关 多重共线性带来的问题有 可能会使回归的结果造成混乱，甚至会把分析引入歧途 可能对参数估计值的正负号产生影响，特别是各回归系数的正负号有可能同我们与其的正负号相反 多重共线性的识别 最简单的方法 计算模型中各对自变量间的相关系数，并进行显著性检验，若有一个或多个相关系数显著，就表示模型中所用的自变量之间相关，存在着多重共线性 如果出现下列情况，暗示存在多重共线性 模型中各对自变量之间显著相关。 当模型的线性关系检验(F检验)显著时，几乎所有回归系数的t检验却不显著 回归系数的正负号与其理论上的值相反。 * 医学科研设计中常见错误分析 毛广运 环境与公共卫生学院 提纲 误差 偏倚 选择偏倚及控制 信息偏倚及控制 混杂偏倚及控制 数据分析过程中的常见错误 误差 误差（error）是指对事物某一特征的测量值偏离真实值部分。 误差可归纳为两类： 随机误差 random error 系统误差 systematic error 过失误差 gross error 在流行病学研究中，误差总是伴随其中,因为： 个体、群体、样本的变异性； 大样本信息收集、测量的质量控制欠佳； 以人群为研究对象时的条件不可控； 随机误差 随机误差 随机抽样所得均值与总体参数间的差异 多次随机抽样所得不同样本统计量间的差异。 随机误差的特点： 样本的观察值在平均值上下分布,从无偏倚样本中得到的观察值均数，假如数量较大，总是趋向于接近总体值； 随机误差的范围可用可信区间估计； 随机误差不可避免； 增加样本量可减少随机误差; 随机误差 随机误差的估计： t test； ?2 test； 95% confidence interval 系统误差—偏倚 系统误差—偏倚: 偏倚是随机误差以外的可导致研究结果与真实情况差异的系统误差; 偏倚可归纳为: 选择偏倚 selection bias; 信息偏倚 information bias; 混杂偏倚 confounding bias; 增加样本量不能减少系统误差。 常见偏倚 选择性偏倚 由于选择研究对象的过程中存在的问题使研究的结果偏离真实的情况。主要发生在研究设计阶段。 信息偏倚也叫观察偏倚或测量偏倚 在收集研究人群的暴露和结局资料时所出现的系统误差，其结果是歪曲暴露与疾病之间的联系。 混杂偏倚 由于某个既与所研究的疾病有联系，又与所研究的因素有关的因素的影响，掩盖或夸大了所研究的暴露与疾病的联系强度的现象。 选择偏倚 来源: 主要产生于研究的设计阶段，是由于选择研究对象的方法不当及影响研究对象参与的因素所导致的研究结果偏离真实情况。 后果: 研究对象的背景信息与非研究对象的有差异; 研究对象的代表性不好; 常见于 病因研究和临床防治研究。 选择偏倚 入院率偏倚(berkson’s bias) 利用医院就诊或住院病人作为研究对象时，由于入院率或就诊机会不同而导致的偏倚称为入院率偏倚。 用住院病例进行研究时可能没有包括： 抢救不及时而死亡的病例， 距离医院远的病例， 无钱住院的病例， 病情轻的病例。 药物与疾病联系的OR值 药物 临床疾病 研究对象 社区人群(OR) 医院人群(OR) P 水杨酸类药 过敏 1.15 0.18 0.02 水杨酸类药 疲乏 2.09 0.72 0.02 轻泻药 运动骨骼类疾病 1.53 5.07 0.06 轻泻药 关节炎风湿病 1.48 5.00 0.01 安眠药 循环系统病 6.38 3.27 0.32 维生素类 过敏 1.78 0.00 0.01 维生素类 外伤 0.61 1.92 0.11 心脏病类药 循环系统病 30.65 19.17 0.47 心脏病类药 关节炎风湿病 3.46 49.