医学科研课题设计与论文写作ppt参考课件.ppt

样本大小的公式计算 样本大小还可以用计算法来估计，由于计算样本大小的目的是看多大样本才会达到统计学显著性，因此计算公式来源于统计学的显著性计算法。 * 显著性计算法 （1）根据实验条件，确定显著性P值，也就是假阳性机率α。通常以P0.05为显著，P0.01为非常显著； （2）确定把握度（1-β），β为假阴性机率。除去假阴性的把握度表示有多大把握得出差异有显著性的结论。如β=0.5，表示两次实验有1次机会出现差异显著，把握度为50%；如β=0.1时，为10次实验有9次机会出现差异显著，把握度为90%。 （3）单侧与双侧测验：单侧指实验结果向单一方向变化，双侧则结果向两个方向变化，一般P值越小、把握度越大，样本的例数需要越多，双侧所需的例数也比单侧多。 * 在作统计学计算显著性之前，需要预先知道一定的基本数据。 如作计量资料配对比较，要预先知道配对差数的均数X和标准差S，并用X/S作为总体均数与总体标准差之比的估计值。 若作两组率的比较，要先知道两组率P1与P2，以及以S（或d）= P1 -P2作为总体率的估计值。 若以两组均数比较，则要先知道X1与X2，及两组合并标准差S。 必须备有查找的表格工具。 * 机率（Probability） 机率也叫概率，反映某一事件发生可能性大小的量。简称P。必然发生的事件P=1；不可能发生的事件P=0；在一定条件下，可能发生，也可能不发生P在0与1之间，即0≦P≦1。例如孕妇生男生女的机率大约为50%（P?0.5）。 机率也有固有的规律性。如显著性测验的P值，就是用作判断根据实验结果作出结论的可靠性或重复性的一个例子。 * 现在统计学根据显著性检验方法测定出来的P值，一致采用P0.05为显著，P＜0.01为非常显著。但并不等于说P0.05或P0.01就是说明实验结果必然可靠，万无一失了。 实际上P值不能赋与数据任何重要性，只能说明事情发生的机率。例如当用t检验法检验出H0成立的可能性不大（譬如说P0.05＝而被否定时，差异均数才与零有显著性差异。这个统计学处理在效应上才算显著性地与对照组不同。作这样的推断仍然有估计不对的可能。如果P0.05，这个推断的说错概率在0.05以下；如果P0.01，这个推断的说错概率在0.01以下。 * 如果实验设计不合理，数据处理不得当，甚至患有系统误差，则P值即使P0.001也无价值。所以把P值看得高过一切是不对的。 * 显著性检验方法，根据不同的设计，可以采用不同的检验方法，常用的是t检验法、卡方检验法和F检验法等。 t检验法也不能套用一个公式，有人不管是否适用 t检验法来测定显著性的数据，一律用t检验法也是不对的。 * 几种常用的实验设计 配对设计 完全随机设计 随机区组设计 不完全区组设计 * 1、配对设计（Paired Design） 由于配对设计的个体变异和抽样误差最小，故其效率最高。实验结果可用个别比较作t检验。 配对设计根据同源配对异体配对可以分为自身对照设计和异体配对设计两种。 * 自身对照设计 同一个体前后不同时间对照比较 如用甲药治疗稳定期高血压病人，可以用自身治疗前的血压作对照，与用药后的血压做比较。 自身左右对照比较设计 如对慢性对称性、皮肤病损害，试验外用药是否有效，可左、右肢一侧用药膏，另一侧用赋形药作对照比较。但应注意外用药应以不易吸收引起全身效应者为佳。 * 异体配对设计 把条件相近似的异体看作自身一样，要求按可比性配对，把个体差异和抽样误差减到最低程度。 * 2、完全随机设计(Complete Randomized Design) 如有两项或两项以上的处理，需比较其差异，而又无条件作配对设计，可采用完全随机分组设计。 即将观察对象完全随机原则和方法分组进行实验。将结果进行组间对照，计量资料用t检验，在两组以上时作F检验。 * 3、随机区组设计（Randomized Block Design） 又名分层（Stratification）随机设计或分层平衡设计，适用于研究对象变异较大的情况。 如观察某种疾病的病人，年龄相差很大，病情轻重不等，男、女之间有性别差异，则应在分组观察时，每组的比例应该尽可能相同，使之各组之间保持可比性，决不可把病重的分成一组，病轻的分成一组，进行处理比较。 * 4、不完全区组设计（Incomplete Block Design） 在实验研究时，对不能一时处理完的实验，分成几个部分处理但要使各部分的处理安排平衡，使每一部分的处理都有机会与另一部分处理同时比较，且每种处理的重复次数相同，故又称平衡不完全区组设计。 * 医学资料的整理和表达 在着手处理医学资料之前，首先应清楚地认识所处理资料的类型或者资料将被整理成的类型。 一般医学资料可粗分为三大类： （1）计