首页 > 文献资料
-
关于计量资料中的t检验
有单样本t检验,配对t检验和两样本t检验.单样本t检验是用样本均数代表的未知总体均数和已知总体均数进行比较,来观察此组样本与总体的差异性.配对t检验是采用配对设计方法观察以下几种情形;1.两个同质受试对象分别接受两种不同的处理;2.同一受试对象接受两种不同的处理;3.同一受试对象处理前后.从两研究总体中随机抽取样本,要对这两个样本进行比较的时候,首先要判断两总体方差是否相同,即方差齐性.若两总体方差相等,则直接用t检验,若不等,可采用t'检验或变量变换或秩和检验等方法。
-
logistic回归应用中容易忽视的几个问题
logistic 回归在流行病学研究中应用十分广泛,在病例对照研究和队列研究中, logistic 回归是经常用到的多变量统计分析方法,在随访研究和横断面调查中,logistic 回归的应用也较为普遍[1-5].与多元线性回归相比,logistic回归具有许多独特的优点,如对正态性和方差齐性不做要求,对自变量类型不做要求、系数的可解释性等.正是这些优点,使得logistic 回归成为流行病学研究中广受欢迎的分析工具.
-
回归树的建模与应用
近年来,大量研究致力于建立新的回归技术解决经典回归中假设过于严格的问题,包括预测变量与反应变量的线性关系、反应变量的正态性及方差齐性等.当线性关系不成立时选用线性模型明显不适宜,此时一种方案是在模型中加入交互作用项或采用变量变换,但这种方式容易导致解释时的困难,并且可能仍然不能解决非线性的问题.另一种解决方案则是选用非参数回归技术,包括Friedman和Stuetzle[1]提出的光滑技术和Yarnlod等[2]及Breiman等[3]提出的分类与回归树.其中分类与回归树的区分关键在于反应变量为连续性变量或为分类变量,若为连续性变量则建立回归树,反之则建立分类树.现就回归树的建模与应用进行探讨.
-
第六讲医学科学研究论文中统计方法的正确应用
一、统计方法正确应用的重要性医学统计方法很多,各适用于不同的数据.临床试验中所用统计方法必须根据数据情况认真选用.这是因为,数理统计是根据一定的数据分布推导出一定的统计方法,它仅适用于一定的数据.例如,t检验及方差分析是由正态分布数据以及各组方差相同推导出来的,因而要求数据为正态分布(至少接近正态分布)且方差齐性.但是,在论文的统计方法部分常有如下阐述:一般资料进行χ2检验,其余资料进行t检验,这种不管数据分布是否很偏态, 就一概使用某种统计方法不正确.此外,分类数据与计量数据的统计方法也不同,分类数据中对于名义变量和顺序变量的统计方法也不同.统计方法应用的错误会使整个精心进行的研究得出错误的结论.在这一讲中我们将结合目前文献中常见的一些统计方法的错误应用,对如何根据数据的情况来正确地选择统计方法进行讨论.
-
定量资料统计分析错误辨析与释疑
通过揭示大量定量资料统计分析方面的错误案例,说明重视判定设计类型和检查资料前提条件,对于合理选用定量资料统计分析方法是至关重要的.由于不少科研人员缺乏多因素实验设计类型方面的知识,现行很多统计学教科书在这方面又十分薄弱,因此,广大实际工作者加强这方面知识的学习,是十分必要的.
-
中华病理学杂志统计学应用情况简析(Ⅳ)
第三讲计量数据的表达和处理及其他问题病理学杂志中计量数据相对于计数数据来说,应用比例少一些,所以问题的暴露亦少一些.所谓计量数据是指带度量衡单位的测量数据,如某脏器重量(g)、心室收缩压(mm Hg)等.一般情况下计算算术平均数()和标准差(s),在近似正态分布及方差齐性的条件下,两组间比较采用t检验,多组间比较采用方差分析(F检验);分析两变量和多变量关系时,采用相应的相关和回归分析. 一、计量数据表达和处理方面
-
样本含量与检验效能估计(四)——拟作成组设计定量与定性资料差异性检验时的样本含量估计特殊试验的样本含量估计
在2011年第4期和第5期的讲座中,我们介绍了成组设计三种特殊检验的样本含量估计问题,本期讲座中将为读者介绍成组设计定量资料和定性资料差异性检验的样本含量估计.所谓差异性检验,研究目的是分析两组样本所代表的两个总体均数(或总体率)是否相等.对于定量资料,若资料满足参数检验的前提条件(独立性、正态性和方差齐性),可采用成组设计定量资料检验进行分析;否则,需要采用秩和检验.对于定性资料,可采用卡方检验或Fisher精确检验进行分析.
-
关于计量资料中的t检验
有单样本t检验,配对t检验和两样本t检验。单样本t检验院是用样本均数代表的未知总体均数和已知总体均数进行比较,来观察此组样本与总体的差异性。配对t检验院是采用配对设计方法观察以下几种情形,1.两个同质受试对象分别接受两种不同的处理;2.同一受试对象接受两种不同的处理;3,同一受试对象处理前后。从两研究总体中随机抽取样本,要对这两个样本进行比较的时候,首先要判断两总体方差是否相同,即方差齐性。若两总体方差相等,则直接用t检验,若不等,可采用t'检验或变量变换或秩和检验等方法。
-
医生小词典--两组或多组计量资料的比较
两组资料:(1)大样本资料或服从正态分布的小样本资料;(2)若方差齐性,则做成组 t 检验;(3)若方差不齐,则做 t'检验或用成组的Wilcoxon 秩和检验;(4)小样本偏态分布资料,则用成组的 Wilcoxon 秩和检验。
-
实际应用中方差分析与秩和检验结果比较
在医学研究中,常常碰到单因素(完全随机设计)多个样本的比较.常用的比较分析方法是方差分析.但作这些分析时要求资料满足正态分布且各组方差齐性,否则需要进行变量转换或运用非参数统计方法.
-
在大样本条件下对Ansari- Bradley检验法的扩充
若总体的分布为位置刻度参数族则称μ为总体的位置参数,σ>0称为总体的刻度参数,μ是描述总体分布的位置,而σ是刻画总体分布的离散程度.通常对总体离散情况的检验,实际上就是对σ的检验.在检验两总体离散或波动的情况时,若总体的分布服从正态分布,则可用方差齐性的F检验,若总体的分布未知或不服从正态分布,此时宜用非参数的方法,如Amsari-Bradley检验法(以下简称A-B法),但此方法要求两总体的位置参数相等,因而应用受到限制,为此本文试图在大样本条件下,对A-B法进行扩充,使其应用不受约束,提高检验功效.
-
引入指示变量进行两样本均数的比较
两样本均数的比较,在资料具有正态性与方差齐性的条件下,一直使用t检验(或F检验)处理,这两种方法均属于单变量分析。目前,由于多变量分析理论的快速发展和广泛应用,将上述单变量资料引入指示变量,转化为双变量资料后,再进行直线回归分析,其结论与t检验的结论是完全一致的。 一、方法及意义 将符合t检验的两样本变量值合并,总样本例数为n=n1+n2,把原始变量值看作Y,再引入一个指示变量值X值。Y值作为应变量,引入的X值看作事先选定的自变量。两样本合并引入相反的指示变量的数据如下:Y: Y11 Y12 Y13 …… Y1n1 Y21 Y22 Y23……Y2n2X: 0 0 01 1 1 …… 0 1 1 11 0 0 0 …… 1
-
非线性混合效应模型和广义线性模型拟合随机效应logistic回归的应用比较
在临床药物试验中药物疗效的评价经常遇到二分类资料,即反应变量有两个水平如有效、无效;成功、失败等.二分类变量服从二项分布,可采用logistic回归模型.运用logistic回归模型对分类资料进行分析,能给实际研究带来很多便利.与多元线性回归相比,logistic回归具有许多独特的优点,如对正态性和方差齐性不做要求,系数的可解释性等.
-
方差齐性的平方秩检验
符合正态分布的计量资料,可以使用F检验或Bartlett检验来判断两样本或多样本所代表的总体方差是否齐性。对于非正态分布的资料或尚不能确定其分布类型的资料,可以使用本检验来判断所比较的总体方差是否有差异。应用条件要求所比较的样本为相互独立的计量资料的随机样本,总体均数可以相等或不等。
-
样本量估计及其在nQuery和SAS软件上的实现——均数比较(三)
1.2两样本均数的比较1.2.1差异性检验1.2.1.1 两样本t检验(方差齐性)方法:O'Brien和Muller(1983) [2-3]等给出两样本t检验的样本量估计是建立在自由度为2(n-1),非中心参数为(√n)(μ1-μ2/σ·(√2))的非中心t分布上.其检验效能的计算公式为:1-β=1 - Probt(tr-α/s,2(n-1),2(n-1),√n(μ1-μ2/σ·(√2))(1-8)式中,μ1,μ2分别为两样本均数,σ为样本标准差.在计算样本量时,一般先设定样本量初始值,然后迭代样本量直到所得的检验效能满足条件为止.此时的样本量,即研究所需的样本量.
-
基于BP神经网络模型的住院费用影响因素研究
近年来医疗费用急剧上涨,高额的医疗费用特别是住院费用给老百姓带来了严重的经济负担,如何有效控制住院费用的上涨也成为了研究者关心的问题.控制住院费用应该从分析其影响因素着手,目前常用的为多重线性回归模型,但它对资料有一定的要求,如独立性、正态性、方差齐性、线性等,而住院费用及其影响因素之间可能存在非线性关系,各影响因素之间也可能存在多重共线性,因此应考虑另一种适合住院费用数据特征的分析方法[1~2].
-
Logistic回归模型中自变量相对重要性评价方法的研究进展
在流行病学研究中,经常会遇到结果变量是非连续的分类资料,这时常选用Logistic回归模型来分析各影响因素和结果变量之间的关系.研究者除了通过回归方程来预测外更关心的是哪些因素对结果有影响并解释其影响程度如何,同时把评估各因素的重要性大小作为主要目的之一.多年来研究者一直关注于寻找合适的评价多重回归中自变量相对重要性的方法,在线性模型中已经发展了多种可行的方法[1].但Logistic回归模型违反了多元线性回归的分布假设(线性、正态性和方差齐性),部分学者已将评价多重线性回归中自变量相对重要性的方法拓展应用于Logistic回归模型.本文对Logistic回归模型中自变量相对重要性评价方法作一综述,以期为多数研究者提供参考.
-
医学研究中Logistic回归与其他方法的结合应用
Logistic回归(logistic regression)属于概率型非线性回归,是分析反应变量为独立分类资料的常用统计分析方法,由于对资料的正态性和方差齐性不做要求、对自变量类型也不做要求等,使得近年来Logistic回归模型在医学研究各个领域被广泛用,如流行病学、病因学的队列研究、病例对照研究,临床诊断的判别模型,治疗效果评价等.
-
医药统计中的方差齐性变换
从方差非齐性数据处理中的变换的必要性入手,根据数据均值与方差之间的关系研究了总体分布已知时的方差齐性变换的一般方法,并利用Mathematica软件分析相应变换中参数与方差之间的图形规律,后介绍了总体分布未知时的Box-Cox变换的一般原理.
-
利用Excel宏实现医学统计中方差齐性检验自动化
随着计算机在医学领导的普及使用,医学统计中的数据分析,也开始转向自动化.办公软体-Office 家族中的数据处理专家-Excel,是非常好的统计工具之一,其内置函数,可以完成常见的医学统计分析计算[14],大大简化了统计工作量.