医学统计学复习.docx

医学统计学复习.docx

《医学统计学复习.docx》由会员分享，可在线阅读，更多相关《医学统计学复习.docx（8页珍藏版）》请在冰点文库上搜索。

医学统计学复习

医学统计学复习

医学统计学学习的内容；正态性检验，t检验，方差分析，卡方检验，非参数检验，pearson相关，spearman相关，双变量回归，多元变量的线性回归，主成分分析等。

其中t检验包括单个样本的t检验,两个独立样本的t检验,两个配对样本的t检验。

非参数检验主要用的是wilcoxon配对样本的wilcoxon符号秩检验，两个独立样本wilcoxon秩和检验和K-W检验（用来代替方差分析）

得到一批数据首先对其进行正态性检如果符合正太性，可以考虑使用t检验，卡方检验；如果不满足正态性，则考虑使用非参数检验

T检验与方差分析的区别是t检验用于两组数据的比较，而方差分析用于三组或者更多数据的比较。

1、正态性检验：

分析—>描述统计—>探索—>将数据放入因变量列表—>绘图中选择带检验的正态图—>读取结果：

样本数>100读K-S一栏，若sig值（显著性）>0.05说明数据分布呈正态性，反之则不成正态分布；样本数>100读S-W一栏，若sig值（显著性）>0.05说明数据分布呈正态性，反之则不成正态分布。

2、当数据满足正态分布时，单个样本的t检验：

分析—>比较均值—>单个样本的t检验—>将数据放入检验变量，同时将整体均数放入检验值中—>结果读取：

读t值和显著性值，若sig值>0.05说明该样本均数与总体均数无差异，反之说明有差异。

3、当数据满足正态分布时，两个配对样本的t检验：

分析—>比较均值—>配对样本的t检验—>将两组数据分别放入variable中—>读取结果：

读t值和sig值，若sig>0.05说明两组数据均值无差异，反之说明有差异。

4、当数据满足正态分布时，两个独立样本的t检验：

分析—>比较均值—>独立样本的t检验—>把数据放入检验变量，把group放入分组变量，并定义组—>读取结果：

先看方差齐性检验，若sig值>0.05说明方差齐，看第一行的t值和sig值，若sig>0.05说明两组均数无差异，反之有差异。

当方差不齐时看第二行的t值（即t’值）和sig值，若sig>0.05说明两组均数无差异，反之有差异。

5、当数据满足正态分布时，方差分析：

分析—>比较均值—>单因素方差分析—>将数据放入因变量列表，将group放入因子列表，同时在选项中选择方差同质性检验—>读取结果，先看levene检验的结果，若sig值>0.05说明方差齐，然后读F值和sig值，若sig值>0.05说明所选几组数据间无差异；反之，说明这几组数据有差异，接着：

分析—>比较均值—>单因素方差分析—>将数据放入因变量列表，将group放入因子列表，同时选取事后多重比较中的LSD-t检验—>读取结果，从sig>0.05与否判断哪些组之间有差异。

若方差不齐，则无法用单因素方差分析。

6、当数据满足不正态分布时，wilcoxon带符号秩检验：

分析—>非参数检验—>旧对话框：

2个相关样本检验—>将数据分别放入variable中—>读取结果：

读Z值和sig值，若sig值>0.05说明两组数据无差异，反之则有差异。

7、当数据满足不正态分布时，wilcoxon秩和检验：

分析—>非参数检验—>旧对话框，2个独立样本t检验—>将数据放入检验变量，将group放入分组变量，并定义组—>结果读取Z值和sig值，若sig>0.05说明有无差异，反之则有差异。

8、当数据满足不正态分布时，K-WH检验：

分析—>非参数检验—>旧对话框，k个独立样本—>将数据放入检验量列表，将group放到分组变量，并定义组—>读取卡方和sig值，若sig值>0.05说明无差异，反之则有差异。

9、卡方检验用于配对计数资料的比较：

（1）数据—>加权个案—>选择加权个案，将频数放入频率变量；

（2）分析—>描述统计—>交叉表格—>依次将数据放入行列中（行为重点）—>在统计量中选择卡方—>结果读取，读pearson卡方和sig值，若sig>0.05说明无差异，反之有差异。

10、pearson相关（适用于计量资料）：

分析—>相关—>双变量—>把数据放入变量—>读取结果：

看pearson相关性和sig值，若sig>0.05说明两者不相关，反之则说明相关。

11、sperman秩相关（适用于构成比、死亡率、group变量）：

分析—>相关—>双变量—>将数据放入变量，同时选取sperman相关—>读取结果，看sperman相关系数和sig值，若sig值>0.05说明两组数据不相关，反之说明相关。

12、二元线性回归：

分析—>回归—>线性—>将y放入因变量列表，将x放入自变量列表—>读取结果（从后往前读）：

先得到回归方程；ANOVA的sig值必须小于0.05，说明回归成的存在，ANOVA值反映出回归方程的稳定性，模型汇总R2反应了回归方程的准确性，R2反应回归贡献度的相对程度，也就是在总变异中回归系数所能解释的百分比

13、多元线性回归：

主要是比较向前与向后的差别

分析—>回归—>线性—>将y放入因变量列表，将x1、x2、x3……放入自变量列表—>结果读取：

从后向前读，首先写出回归方程，接着看ANOVA的值，看模型汇总的值，看自变量的个数。

决定选择向前还是向后方法主要考虑的内容为：

自变量的个数、稳定性ANOVA、准确性R2、回归方程中单个变量。

14、主成分分析：

分析—>降维—>因子分析—>将x1、x2、x3……放入变量列表，选择得分中的保存变量—>读取结果：

看在数据中新增加的变量，按升序或降序排列即可知道那个因子的影响比较大

15、非条件的logistic分析：

一、两组或多组计量资料的比较

1.两组资料：

1）大样本资料或服从正态分布的小样本资料

（1）若方差齐性，则作成组t检验

（2）若方差不齐，则作t’检验或用成组的Wilcoxon秩和检验

2）小样本偏态分布资料，则用成组的Wilcoxon秩和检验

2.多组资料：

1）若大样本资料或服从正态分布，并且方差齐性，则作完全随机的方差分析。

如果方差分析的统计检验为有统计学意义，则进一步作统计分析：

选择合适的方法（如：

LSD检验，Bonferroni检验等）进行两两比较。

2）如果小样本的偏态分布资料或方差不齐，则作KruskalWallis的统计检验。

如果KruskalWallis的统计检验为有统计学意义，则进一步作统计分析：

选择合适的方法（如：

用成组的Wilcoxon秩和检验，但用Bonferroni方法校正P值等）进行两两比较。

二、分类资料的统计分析

1.单样本资料与总体比较

1）二分类资料：

（1）小样本时：

用二项分布进行确切概率法检验；

（2）大样本时：

用U检验。

2）多分类资料：

用Pearsonc2检验（又称拟合优度检验）。

2.四格表资料

1）n>40并且所以理论数大于5，则用Pearsonc2

2）n>40并且所以理论数大于1并且至少存在一个理论数<5，则用校正c2或用Fisher’s确切概率法检验

3）n￡40或存在理论数<1，则用Fisher’s检验

3.2×C表资料的统计分析

1）列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则行评分的CMHc2或成组的Wilcoxon秩和检验

2）列变量为效应指标并且为二分类，列变量为有序多分类变量，则用趋势c2检验

3）行变量和列变量均为无序分类变量

（1）n>40并且理论数小于5的格子数<行列表中格子总数的25%，则用Pearsonc2

（2）n￡40或理论数小于5的格子数>行列表中格子总数的25%，则用Fisher’s确切概率法检验

4.R×C表资料的统计分析

1）列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则CMHc2或KruskalWallis的秩和检验

2）列变量为效应指标，并且为无序多分类变量，行变量为有序多分类变量，作nonezerocorrelationanalysis的CMHc2

3）列变量和行变量均为有序多分类变量，可以作Spearman相关分析

4）列变量和行变量均为无序多分类变量，

（1）n>40并且理论数小于5的格子数<行列表中格子总数的25%，则用Pearsonc2

（2）n￡40或理论数小于5的格子数>行列表中格子总数的25%，则用Fisher’s确切概率法检验

三、Poisson分布资料

1.单样本资料与总体比较：

1）观察值较小时：

用确切概率法进行检验。

2）观察值较大时：

用正态近似的U检验。

2.两个样本比较：

用正态近似的U检验。

配对设计或随机区组设计四、两组或多组计量资料的比较

1.两组资料：

1）大样本资料或配对差值服从正态分布的小样本资料，作配对t检验

2）小样本并且差值呈偏态分布资料，则用Wilcoxon的符号配对秩检验

2.多组资料：

1）若大样本资料或残差服从正态分布，并且方差齐性，则作随机区组的方差分析。

如果方差分析的统计检验为有统计学意义，则进一步作统计分析：

选择合适的方法（如：

LSD检验，Bonferroni检验等）进行两两比较。

2）如果小样本时，差值呈偏态分布资料或方差不齐，则作Fredman的统计检验。

如果Fredman的统计检验为有统计学意义，则进一步作统计分析：

选择合适的方法（如：

用Wilcoxon的符号配对秩检验，但用Bonferroni方法校正P值等）进行两两比较。

五、分类资料的统计分析

1.四格表资料

1）b+c>40，则用McNemar配对c2检验或配对边际c2检验

2）b+c￡40，则用二项分布确切概率法检验

2.C×C表资料：

1）配对比较：

用McNemar配对c2检验或配对边际c2检验

2）一致性问题（Agreement）：

用Kap检验

变量之间的关联性分析六、两个变量之间的关联性分析

1.两个变量均为连续型变量

1）小样本并且两个变量服从双正态分布，则用Pearson相关系数做统计分析

2）大样本或两个变量不服从双正态分布，则用Spearman相关系数进行统计分析

2.两个变量均为有序分类变量，可以用Spearman相关系数进行统计分析

3.一个变量为有序分类变量，另一个变量为连续型变量，可以用Spearman相关系数进行统计分析

七、回归分析

1.直线回归：

如果回归分析中的残差服从正态分布（大样本时无需正态性），残差与自变量无趋势变化，则直线回归（单个自变量的线性回归，称为简单回归），否则应作适当的变换，使其满足上述条件。

2.多重线性回归：

应变量（Y）为连续型变量（即计量资料），自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。

如果回归分析中的残差服从正态分布（大样本时无需正态性），残差与自变量无趋势变化，可以作多重线性回归。

1）观察性研究：

可以用逐步线性回归寻找（拟）主要的影响因素

2）实验性研究：

在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用

3.二分类的Logistic回归：

应变量为二分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。

1）非配对的情况：

用非条件Logistic回归

（1）观察性研究：

可以用逐步线性回归寻找（拟）主要的影响因素

（2）实验性研究：

在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用

2）配对的情况：

用条件Logistic回归

（1）观察性研究：

可以用逐步线性回归寻找（拟）主要的影响因素

（2）实验性研究：

在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用

4.有序多分类有序的Logistic回归：

应变量为有序多分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。

1）观察性研究：

可以用逐步线性回归寻找（拟）主要的影响因素

2）实验性研究：

在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用

5.无序多分类有序的Logistic回归：

应变量为无序多分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。

1）观察性研究：

可以用逐步线性回归寻找（拟）主要的影响因素

2）实验性研究：

在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用