常用醫學統計方法演講人：日期:目錄CATALOGUE02假設檢驗方法03相關性與回歸分析04生存分析方法05診斷試驗評價06統計軟件實現01描述性統計分析01描述性統計分析PART數據類型常見的類型包括連續變量和分類變量，分別對應數值和類別。分布檢驗用于檢驗樣本數據的分布情況，如正態性檢驗、偏態檢驗等，以確定合適的統計方法。數據類型與分布檢驗用于描述數據的中心位置，如平均數、中位數、眾數等。集中趨勢指標用于描述數據的分散程度，如標準差、極差、四分位數間距等。離散程度指標集中趨勢與離散程度指標頻數表用于整理和展示分類變量的數據分布，便于觀察和分析。統計圖表如條形圖、折線圖、餅圖、散點圖等，直觀展示數據的特征和趨勢。頻數表與統計圖表應用02假設檢驗方法PARTt檢驗與方差分析（ANOVA）t檢驗用于比較兩組數據的均值是否存在顯著差異，其中數據要求正態分布且方差相等。02040301適用范圍t檢驗適用于小樣本數據，ANOVA適用于大樣本數據和復雜設計的數據。方差分析（ANOVA）用于比較多組數據的均值是否存在顯著差異，同時可以進行兩兩比較和多重比較。結果解釋t檢驗和ANOVA均會產生P值，P值小于顯著性水平（如0.05）時，認為差異有統計學意義。卡方檢驗用于比較實際觀測頻數與期望頻數之間的差異，常用于分類變量數據的比較。適用范圍卡方檢驗適用于大樣本數據，Fisher精確檢驗適用于小樣本數據或特殊數據。結果解釋卡方檢驗和Fisher精確檢驗均會產生P值，P值小于顯著性水平（如0.05）時，認為差異有統計學意義。Fisher精確檢驗當樣本量較小或期望頻數較小時，卡方檢驗可能不準確，此時可采用Fisher精確檢驗。卡方檢驗與Fisher精確檢驗01020304非參數檢驗適用場景秩和檢驗用于比較兩組非正態分布數據的差異，如等級資料或偏態分布數據。符號檢驗用于比較兩組配對數據的差異，如實驗前后的數據變化。游程檢驗用于檢驗隨機序列是否呈現某種趨勢或規律。適用范圍非參數檢驗適用于數據不滿足參數檢驗條件的情況，如數據分布類型未知、方差不齊等。結果解釋非參數檢驗產生的P值同樣用于判斷差異是否具有統計學意義，但需注意其適用范圍和條件。010203040503相關性與回歸分析PART線性回歸模型構建最小二乘法通過最小化殘差平方和來估計線性回歸模型的參數，得到最優的擬合直線。變量選擇與共線性診斷選擇合適的自變量，避免自變量之間存在高度共線性，以提高模型的穩定性和解釋性。殘差分析通過對殘差進行正態性、獨立性、方差齊性等檢驗，評估模型的擬合效果。置信區間與預測區間給出回歸系數的置信區間和因變量的預測區間，以評估模型的精度和可靠性。Logistic回歸與OR值解讀Logistic回歸模型適用于因變量為二分類或多分類的情況，通過最大似然估計法來估計模型的參數。02040301模型的擬合優度通過計算模型的擬合優度，評估模型對數據的擬合程度，以及模型的有效性。OR值及其95%CIOR值表示自變量對因變量的影響程度，95%CI用于評估OR值的穩定性和可信度。ROC曲線與AUC值通過ROC曲線和AUC值來評估Logistic模型的分類效果和預測能力。向前選擇法從沒有任何自變量的模型開始，逐步添加對因變量有顯著影響的自變量，直到無法再提高模型的擬合效果。從包含所有可能自變量的模型開始，逐步刪除對因變量沒有顯著影響的自變量，直到無法再降低模型的擬合效果。結合向前選擇法和向后剔除法，通過反復添加和刪除自變量，選擇最優的變量組合，以提高模型的穩定性和預測能力。將數據集分為訓練集和驗證集，先在訓練集上進行變量篩選和模型構建，然后在驗證集上評估模型的預測效果，以選擇最優的變量組合和模型。向后剔除法逐步回歸法交叉驗證法多元回歸的變量篩選策略0102030404生存分析方法PART利用樣本數據估計患者生存時間和生存率，以時間為橫軸，生存率為縱軸繪制生存曲線。適用于大樣本數據，尤其是截尾數據較多的情況。簡單易懂，能夠直觀展示患者的生存情況。無法考慮混雜因素對生存時間的影響，不能比較不同治療組之間的差異。Kaplan-Meier生存曲線原理適用范圍優點缺點原理通過回歸分析方法，探討多個自變量對生存時間的影響，以風險比（HR）的形式表示各因素對生存時間的相對影響。可以同時考慮多個因素對生存時間的影響，能夠控制混雜因素，提高分析的準確性。適用于大樣本數據，要求樣本具有代表性，并且自變量與生存時間之間存在線性關系。模型較為復雜，需要一定的統計學基礎，且對數據的處理要求較高。Cox比例風險回歸模型適用范圍優點缺點中位生存時間指累積生存率為50%時所對應的生存時間，即一半患者在此時間內死亡，另一半患者存活。風險比（HR）表示兩組患者之間生存風險的比較，HR>1表示試驗組患者的風險高于對照組，HR<1表示試驗組患者的風險低于對照組。適用范圍適用于比較兩個或多個治療組之間的差異，特別是在隨機對照試驗中。優點可以直接反映治療組之間的生存差異，易于理解和解釋。缺點無法提供具體的生存時間預測，且當數據存在嚴重偏倚或異質性時，結果可能不準確。中位生存時間與風險比計算010203040505診斷試驗評價PART靈敏度與特異度分析靈敏度反映金標準確診病例中，待評價試驗也判斷為陽性者所占的百分比，又稱真陽性率。特異度靈敏度與特異度的權衡反映金標準非病例中，待評價試驗判斷為陰性者所占的百分比，又稱真陰性率。提高靈敏度會增加假陽性率，提高特異度會增加假陰性率，需根據臨床實際情況權衡。123ROC曲線與AUC值應用受試者工作特征曲線，以真陽性率（靈敏度）為縱坐標，假陽性率（1-特異度）為橫坐標，反映診斷試驗的準確性。ROC曲線ROC曲線下面積，AUC值越大，診斷試驗準確性越高，通常AUC>0.9時認為診斷價值較高。AUC值通過比較不同診斷試驗的ROC曲線和AUC值，選擇最佳診斷方法和診斷界點。ROC曲線與AUC值的應用陽性/陰性預測值計算陽性預測值待評價試驗陽性者中，真正患病者所占的比例。陰性預測值待評價試驗陰性者中，真正非患病者所占的比例。陽性/陰性預測值的計算陽性預測值=靈敏度×患病率/（靈敏度×患病率+特異度×（1-患病率）），陰性預測值=特異度×（1-患病率）/（靈敏度×患病率+特異度×（1-患病率））。陽性/陰性預測值的應用結合臨床實際情況，綜合判斷待評價試驗的陽性或陰性結果對疾病診斷的參考價值。06統計軟件實現PARTSPSS基礎操作流程通過SPSS界面進行數據錄入，包括變量名、數據類型、數據值等。數據錄入處理缺失數據、異常值、重復數據等問題，確保數據質量。根據統計方法，對數據進行處理，并輸出結果，如t檢驗、方差分析、回歸分析等。數據清洗通過描述性統計方法，對數據的基本特征進行描述，如均值、標準差、最大值、最小值等。數據描述01020403數據分析與結果輸出R語言擁有強大的數據處理能力，包括數據清洗、數據轉換、數據合并等操作。R語言提供了豐富的統計方法和建模工具，如回歸分析、分類分析、聚類分析等。R語言具有強大的繪圖功能，可以繪制各種統計圖表，如散點圖、直方圖、折線圖等。R語言擁有豐富的擴展包，可以擴展其功能和應用范圍，如ggplot2、dplyr等。R語言統計包應用數據處理統計分析與建模數據可視化擴展包支持GraphPad數據可視化技巧圖表類型選擇根據數據類