《医学统计学》教学课件-总体均数的估计与假设检验 (2).pptVIP

可信区间与假设检验既有区别，又有联系。假设检验用于推断质的不同，即用于推断总体均数是否不等；可信区间用于说明量的大小，即推断总体均数的范围，但两者又是一致的。 可信区间可回答假设检验问题，可信区间若包含了H0 ，按?水准，不拒绝H0；若不包含H0 ，按?水准，拒绝H0，接受H1。 可信区间不但能回答差别有无统计学意义，还能提示差别有无实际专业意义。 可信区间不能完全代替假设检验。可信区间只能在预先规定概率?的前提下进行计算，假设检验能获得一较为确切的P值。 六、可信区间与假设检验区别和联系 可信区间比假设检验提供更多信息 (1) (2) (3) (4) (5) 有统计意义 无统计意义 有实际 意义 可能有实 际意义 无实际 意义 样本 太小 可接受H0 有实际意义的值 H0 附图 可信区间在统计推断上提供的信息 可信区间 第五节 正态性检验及变量转换 　　　很多统计分析方法只适用于正态分布或近似正态分布资料，如使用均数和标准差描述计量资料的集中或离散趋势，使用正态分布法计算医学参考值范围，以及t 检验和方差分析等假设检验方法。因此在使用这些方法前，需考虑资料是否服从正态分布，必要时还需对资料进行数据转换，以使资料满足统计方法的应用条件。 总体是否服从正态分布，可通过经验或正态性检验（normality Test）来判断。 一、经验 　　　在医学研究的资料中，许多变量资料总体上服从正态分布，如成年人的身高、体重、脉搏、血压、红细胞和白细胞计数等。呈倍数关系的资料，如细胞增长、正常人血清抗体滴度，一般呈对数正态分布。以经验来决定资料是否服从正态分布，尤其对小样本资料（n8）有着重要的作用。 正态性检验很多方法是建立在大样本资料基础上的，如果用小样本资料作正态性检验，易犯第二类错误，即易得出所要检验的资料总体服从正态分布，而实际上该资料总体不服从正态分布。 正态分布的特征是对称和正态峰。描述对称的统计量常用偏度系数（coefficient of skewness），描述正态峰的统计量常用峰度系数（coefficient of kurtosis），公式为： 二、正态性检验（normality test） 图3-5　正态分布的偏度和峰度 二、正态性检验（normality test） 二、正态性检验（normality test） 1．图示法： 概率图（Probability-probability Polt，P-P图）与去势的正态P-P图 分位数图（Quantile-quantile Polt，Q-Q图）与去势的正态Q-Q图 直方图（Histogram）、箱图（Box Plot）和茎叶图（Stem-and-Leaf Polt）等。 P-P图 P-P图是以样本的累计频率为横坐标，以按照正态分布计算的相应累计概率为纵坐标，把样本数值表现为直角坐标系中的散点； 去势的正态P-P 图，即累计概率的残差图。 如果资料服从正态分布，则P-P图呈现样本点围绕第一象限的对角线分布，去势的正态P-P图呈现残差基本在上下均匀分布。 图4-4 100个样本均数的P-P图 Q-Q图 Q-Q图则是以样本的分位数（Px）为横坐标，以按照正态分布计算的相应分位数为纵坐标，把样本数值表现为直角坐标系中的散点； 去势的正态Q-Q图，即分位数的残差图。 如果资料服从正态分布，则Q-Q图样呈现样本点围绕第一象限的对角线分布，去势的正态Q-Q图呈现残差基本在上下均匀分布。 以Q-Q图法的效率较高。 图4-5 100个样本均数的Q-Q图 2．计算法 距法：利用数学上的三阶矩和四阶距原理来检验偏度和峰度。 偏度指分布不对称的程度和方向，用偏度系数(coefficient of skewness)衡量，样本偏度系数用g1表示，总体偏度系数用?1 表示； 峰度指分布与正态曲线相比的冒尖程度或扁平程度，用峰度系数(coefficient of kurtosis)衡量，样本峰度系数用g2 表示，总体峰度系数用?2 表示。 距法 理论上： 总体偏度系数?1=0为对称，?10为正偏态，?10为负偏态； 总体峰度系数?2=0为正态峰，?20为尖峭峰，?20为平阔峰。 只有同时满足对称和正态峰两个条件时，才能认为资料服从正态分布。 正态性检验涉及的公式和计算复杂，一般通过统计软件来实现，本节主要介绍W法和D法。 （1）Shapiro-Wilk检验：所用检验统计量为样本次序统计量线性组合的平方与方差估计量的比值，记为W，故又称为W检验，此法宜用于小样本资料的正态性检验，尤其是8≤n50时。 （2）Kolmogorov-Smirnov检验：研究由样本资料算得的第i个点和第i-1个点上的经验累计分布函数与正态