医学科研数据的整理与分析.ppt

* 在数据分析前需要对原始的数据进行检查，发现可能存在的错误、遗漏的研究变量取值和其他问题，并采取相应的措施进行处理。 * 由于多种原因在一些调查表中经常可以见到缺项的存在，缺项的存在严重地影响到资料的完整性。 通过检查发现研究资料中的差错也是十分必要的，应对研究数据作认真的检查。 * 身高7岁儿童140 110 在该数据指标服从正态分布的前提下，可用统计方法检查个别“可疑值”是否应当舍弃。 当n＞10时，可以用“ ”作为舍弃可疑值的准则。 当n≤10时，可以采用Q检验法、Dixon检验法或Grubbs检验法，进行测量值的一致性检验，从而判断是否剔除可疑值。 在周密实验设计指导下获得的实验数据，不应随意舍弃，否则实验结果的真实性与完整性就会受到破坏。 处理方法 删除 对结果的影响 插补 均值 所有数据均值 同类数据均值 邻近数据均值 中位数 众数 线性插值 * 分类变量，可按其原有的分类进行分组； 数值变量可以按照其实际的生理、病理或临床意义进行分组。 * (三)变量间关系的研究 1.各指标之间无自变量与因变量之分 （1） 研究变量之间的相互关系有直线相关分析、典型相关分析等。 （2） 研究多个变量的内部从属关系，并寻找综合指标，降低变量的维数，其常用的方法主要有主成分分析、因子分析和对应分析。 （3） 研究多个变量内部或多个样品之间的亲疏关系有聚类分析。 （4） 研究多个变量内部的各种复杂关系有线性结构方程的协方差分析。 2.各指标之间有自变量与因变量之分 研究变量之间的依存关系有直线回归分析、曲线回归分析、多项式回归分析、多元线性回归分析、概率模型回归分析、生存资料的参数模型回归分析、COX模型回归分析和对数线性模型分析。 (四)判别分析 根据一些明确分类的总体所提供的信息，对未知个体的归属进行分类的判别分析。 * 在数据分析前需要对原始的流行病学调查研究数据进行一次审查，发现可能存在的错误、遗漏的研究变量取值和其他问题，并采取相应的措施进行处理。 * 是平均数的1/2以上,甚至接近平均数这就提示数据严重 偏离了正态分布因为,当数据不可能为负值(如日数),且 这里平均数减3个标准差已经是-211和-316 了因为日数不可能是负数,这就说明数据偏离了正态分布 规律 * * * 医学论文中率与构成比应用的主要问题之一是分母太小。分母太小时，率（构成比）的可靠性不能保证。因此，在这种情况下，宜直接用绝对数进行描述而不宜计算相对数。应用问题之二是将构成比误用为率来说明事物发生的强度。 * * 统计结果的解释主要集中在论文的”讨论”部分。 （四）假设检验结果的表达 假设检验的具体P 值； 理由: 用统计软件可自动给出精确的P值。 研究者不能年复一年、不顾具体情况的只用一个固定的界值判断问题，应该根据自己对问题的认识程度，具体问题具体分析。例如P = 0.053 与P= 0.049 都是小概率，不能一概而论P = 0.053无统计学意义P= 0.049有统计学意义。 P 值是循证医学最重要的“证据”之一，一些meta 分析方法必须根据精确的P 值对同类研究结果进行综合。因此，如果提供精确P 值实在有困难，应给出实检验统计量，以便他人在meta 分析时转换为精确的P值。 列出统计检验结果时应同时列出可信区间 可信区间与假设检验的区别和联系 可信区间用于推断总体参数所在的范围，假设检验用于推断总体参数是否不同。前者估计总体参数的大小，后者推断总体参数有无质的不同。 可信区间也可回答假设检验的问题。但可信区间不能提供确切的P值范围。只能给出在α水准上有无统计意义。 可信区间还可提示差别有无实际意义。 假设检验与可信区间的区别和联系 1 结论不能绝对化：正确理解P的意义 2 正确区分统计意义与专业意义 3 关联和因果的解释 三、统计结果的解释 正确理解P的意义 P＞0.05指的是在假定H0真实存在的条件下，组间出现这样大甚至更大差异来自误差造成的概率大于5%，因此不能拒绝H0 ，但不意味着被试因素的确一定无效。 P≤0.05，结论为拒绝H0，接受H1，这种推断隐藏着5%的假阳性错误，切不可误解为被试因素一定是100%有效。 正确区分统计意义与专业意义 具有统计意义并不一定在专业上有意义，也不能认为统计意义高低必然与组间差异大小成正比。 例如：现有两个降压实验，它们的实验结果如表12-2（C为对照组，T为试验组） 关联和因果的解