第5章循证医学实践中常用的统计学方法.ppt

循证医学实践中常用的统计学方法 Contents 二、资料类型 1. 计量资料 2. 计数资料 3. 等级资料 4. 三类资料间关系 1. 计量资料 2. 计数资料 3. 等级资料 Rank data 实例数据1 实例数据2 4. 三类资料间关系 注意事项 资料的划分根据研究目的确定的，可互相转换 资料的类型不同，选用的统计分析方法也不同 应要从三个层次去把握三类资料 三、设计方法 在众多的临床科研设计方法中，每一种设计方法都有与之相适应的统计方法。因此，在统计方法的评价时，必须要根据不同的临床科研设计方法来选择相应的统计分析方法。如果统计方法的评价与设计方法不一致，统计分析得到的任何结论都是错误的。 在常用的统计方法中，如成组设计(完全随机设计)的t检验、配对t检验等，都是设计与统计方法有关的佐证。 四、数理统计条件 第二节 描述指标及可信区间 从两方面考虑 1、临床意义 2、统计学意义 临床疗效的统计学评价 各种显著性检验及相关分析 可信限(CⅠ) 临床疗效的临床意义评价 相对危险度降低(relative risk reduction, RRR) 绝对危险度降低(absolute risk reduction, ARR) 需要治疗的人数(Number needed to treat, NNT) 国内医师很少使用CI、RRR、ARR和NNT P值 某个特定结果由偶然因素引起的概率大小 P＜0.05 相当于20次机会中的1次 P＜0.01 相当于100次机会中的1次 P值在显著性范围内(P＜0.05，或 P＜0.01) 提示作者应拒绝无效假设：两组间确无差异的假设 P值在非显著性范围内，意味着下列两种可能： (1)两组间确无差异 (2)两组间即便有差异，但研究对象太少不足以显示这 种差异存在 但P值并未告诉我们到底“两者中那个”的结论 95%可信限(95%C1) 根据样本的点估计值，通过统计公式可计算出来一个区间，总体的真正效果有95%的可能位于这一区间。这个区间就是95%CI 95%CI范围越小，结果越可信，意义越大 当我们只有一个研究的结果时，如何才能知道真实值是什么呢？一种常用的方法是利用样本的资料，计算出真实值可能存在的区间，这个区间叫可信区间。 95%C1和P值 P值告诉我们α=0.05水平上能否接受无效假设 95%CI告诉我们有关治疗结果的论证强度 降血脂治疗组与安慰剂对照组冠心病发生危险的比值比及95%可信区间(资料来源：Bandolier，1995；5：4) 前图提供了一个实际的例子。降血脂治疗能否降低心脏病危险曾是一个颇有争议的问题，相关临床试验结果彼此相互矛盾，有些显示有效，有些显示无效，有些显示可能有害。相关研究的Meta分析对该问题做了较为满意的解答。该Meta分析发现，降血脂的作用与病人危险因素的多少有关，危险因素越多，降血脂治疗降低冠心病危险的作用越大。 由于抽样误差的存在，我们永远无法得到确切的真实值，真实值在研究给予的可信区间之内，可以是其间的任何值。可信区间越窄，观察的结果就越靠近真实值。可信区间的宽窄与样本量成反比，样本量越大，可信区间就越窄，观察值就越靠近真实值。可信区间的一个重要方面是它的可信度，就是我们有多大把握或信心真实值会在这个区间之内。当样本量不变时，我们希望的把握度越高，可信区间就必须给的越宽。关于可信区间的特点和应用。 可信区间的特点和解释 样本量越大，可信区间越窄 要求可信度越高，可信区间越宽 给定可信度时，可信区间越窄，研究结果离真实值越近 如果可信区间的两端都显示治疗优于安慰剂对照，现有证据足以说明治疗有效 如果可信区间的一端显示治疗优于安慰对照，另一端显示治疗劣于安慰对照，则说明样本量可能太小，现有证据不足以证明是否有效 如果可信区间的两端都显示安慰对照优于治疗，现有证据足以说明该治疗有害 （一）EER、CER及可信区间 EER：试验组中某事件的发生率（experimental event rate） ?如对某病采用某些防治措施后不良事件的发生率 CER：对照组中某事件的发生率（control event rate） 率的可信区间：用于估计总体率 EER、CER的计算 EER=a/n1=15/125=12% CER=c/n2=30/120=25% CER的95％可信区间为: p±uαSE=（p-uαSE,p+uαSE） =（0.25-1.96×0.0395,0.25+1.96×0.0395）=(17.25%,32.75%) （二）率差及可信区间 率差：在疾病的病因、治疗及预后研究中，常用发生率来表示某事件的发生