医学科研课题设计和论文写作.ppt

样本大小公式计算 样本大小还能够用计算法来估量, 因为计算样本大小目是看多大样本才会达成统计学显著性, 所以计算公式起源于统计学显著性计算法。 显著性计算法 （1）依据试验条件, 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。除去假阴性把握度表示有多大把握得出差异有显著性结论。如β=0.5, 表示两次试验有1次机会出现差异显著, 把握度为50%; 如β=0.1时, 为10次试验有9次机会出现差异显著, 把握度为90%。 （3）单侧与双侧测验: 单侧指试验结果向单一方向改变, 双侧则结果向两个方向改变, 通常P值越小、把握度越大, 样本例数需要越多, 双侧所需例数也比单侧多。 在作统计学计算显著性之前, 需要预先知道一定基础数据。 如作计量资料配对比较, 要预先知道配对差数均数X和标准差S, 并用X/S作为总体均数与总体标准差之比估量值。 若作两组率比较, 要先知道两组率P1与P2, 以及以S（或d）= P1 -P2作为总体率估量值。 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。 必需备有查找表格工具。 机率（Probability） 机率也叫概率, 反应某一事件发生可能性大小量。简称P。肯定发生事件P=1; 不可能发生事件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。比如孕妇生男生女机率大约为50%（P?0.5）。 机率也有固有规律性。如显著性测验P值, 就是用作判定依据试验结果作出结论可靠性或反复性一个例子。 现在统计学依据显著性检验方法测定出来P值, 一致采取P0.05为显著, P＜0.01为非常显著。但并不等于说P0.05或P0.01就是说明试验结果肯定可靠, 万无一失了。 实际上P值不能赋与数据任何关键性, 只能说明事情发生机率。比如当用t检验法检验出H0成立可能性不大（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一样。作这么推断仍然有估量不对可能。假如P0.05, 这个推断说错概率在0.05以下; 假如P0.01, 这个推断说错概率在0.01以下。 假如试验设计不合理, 数据处理不适当, 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。 显著性检验方法, 依据不一样设计, 能够采取不一样检验方法, 常见是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, 有些人不管是否适用 t检验法来测定显著性数据, 一律用t检验法也是不对。 多个常见试验设计 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） 因为配对设计个体变异和抽样误差最小, 故其效率最高。试验结果可用部分比较作t检验。 配对设计依据同源配对异体配对能够分为本身对照设计和异体配对设计两种。 本身对照设计 同一个体前后不一样时间对照比较 如用甲药诊疗稳定时高血压病人, 能够用本身诊疗前血压作对照, 与用药后血压做比较。 本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发全身效应者为佳。 异体配对设计 把条件相近似异体看作本身一样, 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处理, 需比较其差异, 而又无条件作配对设计, 可采取完全随机分组设计。 立即观察对象完全随机标准和方法分组进行试验。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, 适适用于研究对象变异较大情况。 如观察某种疾病病人, 年纪相差很大, 病情轻重不等, 男、女之间有性别差异, 则应在分组观察时, 每组百分比应该尽可能相同, 使之各组之间保持可比性, 决不可把病重分成一组, 病轻分成一组, 进行处理比较。 4、不完全区组设计（Incomplete Block Design） 在试验研究时, 对不能一时处理完试验, 分成多个部分处理但要使各部分处理安排平衡, 使每一部分处理都有机会与另一部分处理同时比较, 且每种处理反复次数相同, 故又称平衡不完全区组设计。 医学资料整理和表示 在着手处理医学资料之前, 首先应清楚地认识所处理资料类型或者