医学统计学方法概述.pptxVIP

医学统计学方法概述

演讲人：

日期:

目录

CATALOGUE

02

参数检验方法

03

非参数检验方法

04

关联性分析方法

05

生存分析方法

06

高级统计技术

01

基础分析方法

01

基础分析方法

PART

描述性统计分析

定义

描述性统计分析是通过统计图表、指标等方式，对数据进行总结和描述的方法。

01

目的

通过数据的集中趋势、离散程度等统计量，初步了解数据的分布特征和规律。

02

常用指标

平均数、中位数、众数、方差、标准差等。

03

应用场景

适用于对大量数据进行初步的描述性统计，为后续分析提供基础。

04

频数分布与交叉表

频数分布

优点

交叉表

应用场景

将一组数据按照某种特征或分组进行统计，得到各组的频数，从而了解数据的分布情况。

将两个或多个变量进行交叉分组，统计各组的频数，可以分析变量之间的关联性。

能够直观地反映数据的分布情况和变量之间的关联性。

适用于分类变量和数值变量的统计描述，如性别、年龄、职业等特征的分布情况。

数据正态性检验

正态性

正态性是指数据分布的形状与正态分布相似，具有钟形对称的特点。

检验方法

正态性检验的方法有多种，如Shapiro-Wilk检验、Kolmogorov-Smirnov检验等。

重要性

正态性检验在统计学中非常重要，因为许多统计方法都是基于正态性假设的，如果数据不符合正态性假设，则这些方法的可靠性就会受到影响。

应用场景

适用于需要运用参数统计方法进行数据分析的场景，如t检验、方差分析等。

02

参数检验方法

PART

T检验（单样本/配对/独立）

用于比较一个样本均值与一个已知总体均值之间的差异，或判断一个样本均值是否显著偏离某个标准值。

单样本T检验

配对T检验

独立样本T检验

用于比较同一组样本在两个不同时间点或条件下的测量值差异，或用于配对设计的实验数据比较。

用于比较两个独立样本均值之间的差异，分析两组独立数据是否存在显著差异。

方差分析（ANOVA）

单因素ANOVA

用于研究单个因素（自变量）对响应变量（因变量）的影响，通过比较不同水平下的均值差异来推断因素是否对响应变量有显著影响。

多因素ANOVA

事后检验

用于研究多个因素（自变量）对响应变量的影响，同时考虑因素之间的交互作用，通过方差分析表来推断各因素对响应变量的影响程度。

在ANOVA结果显著时，用于进一步比较各水平之间的均值差异，以确定哪些水平之间存在显著性差异。

1

2

3

重复测量分析

指在同一组受试者身上进行多次测量，以研究不同时间点或条件下的变化情况，这种设计具有节省样本、控制个体差异等优点。

重复测量设计

用于比较不同时间点或条件下的测量值差异，需要考虑重复测量数据之间的相关性，通常采用球形假设检验等方法进行方差分析。

重复测量资料的方差分析

当重复测量数据中存在协变量时，用于调整协变量对响应变量的影响，以更准确地分析处理因素的效果。

重复测量资料的协方差分析（ANCOVA）

03

非参数检验方法

PART

卡方检验

定义

优点

适用范围

缺点

卡方检验是一种用于比较观察值与期望值之间差异的统计方法，常用于推断两个分类变量之间的关联性。

适用于样本量较大，且数据呈正态分布或近似正态分布的分类变量。

简单易行，易于理解和解释；不受总体分布的限制，适用范围广。

对于小样本量或数据分布偏离较大的情况，卡方检验的效能可能较低。

Wilcoxon符号秩检验

定义

适用范围

优点

缺点

Wilcoxon符号秩检验是一种非参数检验方法，用于比较两组相关样本的差异，特别适用于数据不满足正态分布的情况。

适用于样本量较小，数据分布未知或严重偏离正态分布的情况。

对于非正态分布的数据具有较好的适应性，且不需要对数据进行转换；能够保留数据中的原始信息，提高检验的效能。

对于大样本量的数据，计算较为繁琐；对于差异特别大的数据，其检验效能可能受到一定影响。

Mann-WhitneyU检验

定义

Mann-WhitneyU检验是一种非参数检验方法，用于比较两组独立样本的差异，特别适用于数据不满足正态分布或方差不齐的情况。

01

适用范围

适用于样本量较小，数据分布未知或严重偏离正态分布，以及方差不齐的情况。

02

优点

对于非正态分布和方差不齐的数据具有较好的适应性；能够比较两组样本的总体分布是否存在差异，且不受极端值的影响。

03

缺点

对于大样本量的数据，计算量较大；对于样本量非常接近的两组数据，其检验效能可能较低。

04

04

关联性分析方法

PART

用于度量两个连续变量之间的线性相关程度，取值范围为-1到1，取绝对值越大表示相关性越强。

Pearson/Spearman相关分析

Pearson相关系数

用于评估两个变量的秩次之间的相关性，适用于不服从正态分布的数据，取值范围同样为-1到1。