臨床研究統(tǒng)計(jì)分析病因?qū)W案例

王安國家神經(jīng)系統(tǒng)疾病臨床 對(duì)收集的數(shù)據(jù)概括、整理，選擇恰當(dāng)?shù)挠?jì)圖表和統(tǒng)計(jì)量來表達(dá)資料的特征規(guī)律。通過統(tǒng)計(jì)描述不僅可以對(duì)數(shù)據(jù)的概貌、分布、特征及變量間的關(guān)系有大致的了解，而且可發(fā)現(xiàn)數(shù)

量離散 多分舉例 、血壓、是否發(fā)病、血型（A\B\AB\0）治療效果（痊愈、顯效、有效、無效均幾均中數(shù)極間方標(biāo)差變系計(jì)計(jì)數(shù)資頻數(shù)（頻率、百分比、構(gòu)成比等等級(jí)資頻數(shù)（頻率、百分比、構(gòu)成比中位（四分位數(shù)頻數(shù)（頻率均數(shù)±標(biāo)準(zhǔn)中位（四分位數(shù)頻數(shù)（頻率 首先

述（交叉表，四格表，列聯(lián)表血壓：130±20血壓：132±21樣本血壓：130±20樣本血壓：132±21

樣本量影響統(tǒng)計(jì)效力N=100,P>0.05N=1000,P<0.05為何所有檢驗(yàn)都要通過P為何所有檢驗(yàn)都要通過P多次檢驗(yàn)，需要校正差異比 關(guān)聯(lián)性分分析變量之間是否存在某種聯(lián)相關(guān)關(guān)系分析：相關(guān)系依存關(guān)系分析：回歸分差異比 關(guān)聯(lián)性分分析變量之間是否存在某種聯(lián)相關(guān)關(guān)系分析：相關(guān)系依存關(guān)系分析：回歸分獨(dú)否

t’檢成組設(shè)計(jì)t檢t’檢成組設(shè)計(jì)t檢否Wilcoxon秩和Wilcoxon秩和檢配對(duì)t配對(duì)t檢為 均數(shù)差值正是 正獨(dú)

否單因素方差分析Wilcoxon符號(hào)秩和單因素方差分析Wilcoxon符號(hào)秩和檢兩因素或其他方差分析單因素兩因素或其他方差分析否Kruskal-Wails秩和Kruskal-Wails秩和檢重復(fù)測(cè)量的方差分析 重復(fù)測(cè)量的方差分析Friedman秩和檢Friedman秩和檢否四格表量McNemar配對(duì)卡方檢驗(yàn)四格表量McNemar配對(duì)卡方檢驗(yàn)卡方檢驗(yàn)、精確概率法是R*CMcNemar-Bowker配對(duì)卡方卡方檢驗(yàn)、精確概率法是R*CMcNemar-Bowker配對(duì)卡方卡方檢驗(yàn)、精確概率法是 確定分組變量確定檢驗(yàn)變量 確定分組變量確定檢驗(yàn)變量確定分組變量確定統(tǒng)計(jì)方法進(jìn)行分析：?jiǎn)我蛩胤讲畲_定分組變量確定統(tǒng)計(jì)方法進(jìn)行分析：Kruskal-Wallis 確定分組變量確定檢驗(yàn)變量確定統(tǒng)計(jì)方法進(jìn)行分析：卡方檢驗(yàn)、Fisher差異比 關(guān)聯(lián)性分分析變量之間是否存在某種聯(lián)相關(guān)關(guān)系分析：相關(guān)系依存關(guān)系分析：回歸分正相正相關(guān)分Pearson相關(guān)分Spearman相Spearman相關(guān)分確定統(tǒng)計(jì)方法進(jìn)行分析：Pearson生存分析 完全數(shù)據(jù)（complete 截尾數(shù)據(jù)（刪失數(shù)據(jù)，censoreddata） KaplanMeier法（小樣本回歸分析（regressionysis)是確定Logistic回歸Logistic回歸COX比例風(fēng)險(xiǎn)多重線性回二分類因變量二分類因變量二分類Logistic回?zé)o序多類因無序多類因變無序多分類Logistic回分類型因變量有序多分類因變量有序多分類分類型因變量有序多分類因變量有序多分類Logistic回Cox比例風(fēng)險(xiǎn)Cox比例風(fēng)險(xiǎn)模多變量資料數(shù)據(jù)12┆n┆┆……………┆Y┆YY為二項(xiàng)分類變量——BinaryLogisticY為多項(xiàng)分類變量——MultinomialLogisticRegressionY為有序分類變量——OrdinalLogisticRegressionY為生存時(shí)間與生存結(jié)局——CoxY為定量變量——Linear多變量資料數(shù)據(jù)…Y1X2┆┆X┆ Y為二項(xiàng)分類變量——BinaryLogisticY為多項(xiàng)分類變量——MultinomialLogisticRegressionY為有序分類變量——OrdinalLogisticRegressionY為生存時(shí)間與生存結(jié)局——CoxY為定量變量——Linear多變量資料數(shù)據(jù)

Y為二項(xiàng)分類變量——BinaryLogisticY為多項(xiàng)分類變量——MultinomialLogisticRegressionY為有序分類變量——OrdinalLogisticRegressionY為生存時(shí)間與生存結(jié)局——CoxY為定量變量——Linear多變量資料數(shù)據(jù)

mRS: BinaryLogisticY為多項(xiàng)分類變量——MultinomialLogisticRegressionY為有序分類變量——OrdinalLogisticRegressionY為生存時(shí)間與生存結(jié)局——CoxY為定量變量——Linear多變量資料數(shù)據(jù)

：是否+時(shí)復(fù)發(fā)：是否+時(shí)

inaryLogisticY為多項(xiàng)分類變量—MultinomialLogisticRegressionY為有序分類變量——OrdinalLogisticRegressionY為生存時(shí)間與生存結(jié)局——CoxY為定量變量——Linear多變量資料數(shù)據(jù)

MMSE量NIHSS

naryLogisticY為多項(xiàng)分類變量——MultinomialLogisticRegressionY為有序分類變量——OrdinalLogisticRegressionY為生存時(shí)間與生存結(jié)局——CoxY為定量變量——Linear多變量資料數(shù)據(jù)12┆n┆┆……………┆Y┆YY為二項(xiàng)分類變量——BinaryLogisticY為多項(xiàng)分類變量——MultinomialLogisticRegressionY為有序分類變量——OrdinalLogisticRegressionY為生存時(shí)間與生存結(jié)局——CoxY為定量變量——LinearLogisticCox多重線性回?cái)?shù)據(jù)類型分類變分類變量+定量LogisticCox多重線性回?cái)?shù)據(jù)類型分類變分類變量+定量變數(shù)據(jù)類型變量篩選方Enter,forward,backward,參數(shù)估計(jì)方最大似然部分似然最小二乘參數(shù)解偏回歸系數(shù)樣本含至少變量數(shù)20至少變量數(shù)10應(yīng)篩、校正混雜因素、預(yù)測(cè)與判Logistic回Cox回多重線性回?cái)?shù)據(jù)類型分類變分類變量+時(shí)定量變數(shù)據(jù)類型變量篩選方Enter,forward,backward,參數(shù)估計(jì)方最大似然部分似然最小二乘參數(shù)解偏回歸系數(shù)樣本含至少變量數(shù)20至少變量數(shù)10應(yīng)篩、校正混雜因素、預(yù)測(cè)與判數(shù)據(jù)內(nèi)容包括、、吸煙、飲酒、高血壓、糖 1.卒中的相關(guān)

單因素分析中P<0.21、Enter2、Forward:Conditional3、Forward:LR：5、BackwardConditional：以假定參數(shù)為基礎(chǔ)作似然比概率檢驗(yàn)，向后逐步選擇6、BackwardLR：以最大局部似然為基礎(chǔ)作似然比概率檢驗(yàn)，向后逐步選擇自變1、Enter2、Forward:Conditional3、Forward:LR：5、BackwardConditional：以假定參數(shù)為基礎(chǔ)作似然比概率檢驗(yàn)，向后逐步選擇6、BackwardLR：以最大局部似然為基礎(chǔ)作似然比概率檢驗(yàn)，向后逐步選擇自變1、Enter2、Forward:Conditional3、Forward:LR5、BackwardConditional：以假定參數(shù)為基礎(chǔ)作似然比概率檢驗(yàn)，向后逐步選擇6、BackwardLR：以最大局部似然為基礎(chǔ)作似然比概率檢驗(yàn)，向后逐步選擇自變1、Enter2、Forward:Conditional3、Forward:LR：5、BackwardConditional：以假定參數(shù)為基礎(chǔ)作似然比概率檢驗(yàn)，向后逐步選擇6、BackwardLR：以最大局部似然為基礎(chǔ)作似然比概率檢驗(yàn)，向后逐步選擇自變情況。BinaryLogistic過B:數(shù)據(jù)內(nèi)容包括、、吸煙、飲酒、高血壓、糖

研究中P<0.05的變?nèi)丝趯W(xué)，行 ，疾病相關(guān)變量等Title:AsymptomaticIntracranialArterialStenosisandMetabolicSPSS完全數(shù)據(jù)(completedata刪失數(shù)據(jù)(censoreddata)由于失訪、改變防治方案、研究工作結(jié)束等情況，使得部分不能隨訪到底，稱之為刪 確定結(jié)局變量的類型確定結(jié)局變量的類型方法（進(jìn)入）---分類（ms,gender）---選項(xiàng)（exp,Model1Model2:校 Model3:校 ，吸煙，飲 有哪些 確定結(jié)局變量的類型12.分析---回歸---線性---因變量（TG）---自變量（age,gender,smoke,drink）---方法（步進(jìn)）---統(tǒng)計(jì)（估算值，模型擬合， 度（Tolerance）Norusis 方差膨脹因子（VarianceinflationfactorVIF）Marquardt于1960 條件指數(shù)（ConditionIdex）：由Stewart等提出，當(dāng)某些維度的該指標(biāo)數(shù),smoke,drink）---方法（輸入）---統(tǒng)計(jì)（估算值，模型擬合， Model1Model2