2023流行病學(xué)常用統(tǒng)計(jì)方法contents目錄描述性統(tǒng)計(jì)方法推論性統(tǒng)計(jì)方法高級(jí)統(tǒng)計(jì)方法01描述性統(tǒng)計(jì)方法每個(gè)類別中觀察值的數(shù)量。頻數(shù)頻數(shù)分布頻數(shù)分布圖將觀察值按照某個(gè)變量分組，計(jì)算每組的頻數(shù)。將頻數(shù)分布以圖表形式表示，可以直觀地觀察數(shù)據(jù)的分布情況。03頻數(shù)分布0201描述性統(tǒng)計(jì)量將觀察值按照某個(gè)變量分組，計(jì)算每組描述性統(tǒng)計(jì)量，并進(jìn)行比較和分析。集中趨勢均值所有觀察值的平均值。中位數(shù)將觀察值按大小排序后，位于中間位置的數(shù)值。眾數(shù)出現(xiàn)次數(shù)最多的數(shù)值。每個(gè)觀察值與均值的差異的平方的平均值。方差方差的平方根，反映觀察值的離散程度。標(biāo)準(zhǔn)差將觀察值按大小排序后，取前25%和后25%的數(shù)值，計(jì)算其差值，可以反映數(shù)據(jù)的離散程度。四分位數(shù)間距離散程度偏度描述數(shù)據(jù)分布偏斜程度的統(tǒng)計(jì)量。峰度描述數(shù)據(jù)分布峰態(tài)的統(tǒng)計(jì)量，即觀察值分布曲線的形態(tài)。分布形狀描述性統(tǒng)計(jì)圖形直方圖展示連續(xù)變量的頻數(shù)或頻率分布情況。條形圖展示類別變量的頻數(shù)或頻率。餅圖展示一個(gè)變量在不同類別中的比例關(guān)系。箱線圖展示一組數(shù)據(jù)分布的中心、散布和異常值情況。散點(diǎn)圖展示兩個(gè)變量之間的關(guān)系和趨勢。02推論性統(tǒng)計(jì)方法參數(shù)估計(jì)用單一的樣本數(shù)據(jù)估計(jì)總體參數(shù)。點(diǎn)估計(jì)基于樣本數(shù)據(jù)和抽樣分布，估計(jì)總體參數(shù)的可能范圍。區(qū)間估計(jì)假設(shè)檢驗(yàn)零假設(shè)假設(shè)總體參數(shù)等于零或沒有差異。對(duì)立假設(shè)與零假設(shè)相反的假設(shè)，通常是有待驗(yàn)證的假設(shè)。p值用于評(píng)估樣本數(shù)據(jù)是否支持對(duì)立假設(shè)的指標(biāo)。010203單因素方差分析分析一個(gè)因素對(duì)因變量的影響。多因素方差分析分析多個(gè)因素對(duì)因變量的影響，同時(shí)考慮因素之間的交互作用。方差分析相關(guān)分析衡量兩個(gè)變量之間的線性相關(guān)程度。皮爾遜相關(guān)系數(shù)衡量兩個(gè)變量之間的等級(jí)相關(guān)程度。斯皮爾曼秩相關(guān)系數(shù)多元線性回歸用多個(gè)自變量預(yù)測一個(gè)因變量的線性關(guān)系。簡單線性回歸用一個(gè)自變量預(yù)測一個(gè)因變量的線性關(guān)系。非線性回歸用一個(gè)或多個(gè)自變量預(yù)測一個(gè)因變量的非線性關(guān)系?；貧w分析03高級(jí)統(tǒng)計(jì)方法總結(jié)和整合以往研究元分析通過對(duì)多個(gè)相關(guān)研究進(jìn)行綜合分析，提供更全面的、系統(tǒng)性的研究結(jié)論。彌補(bǔ)傳統(tǒng)綜述的不足傳統(tǒng)綜述容易受主觀因素的影響，而元分析則通過定量方法客觀地評(píng)估研究結(jié)果。提供效應(yīng)估計(jì)的準(zhǔn)確度元分析可以通過計(jì)算加權(quán)平均效應(yīng)來提高效應(yīng)估計(jì)的準(zhǔn)確性和可靠性。元分析描述生存現(xiàn)象生存分析用于描述生存現(xiàn)象的分布特征，如中位生存時(shí)間、生存率等指標(biāo)。探索影響因素通過生存分析可以研究影響生存時(shí)間的因素，如治療方式、疾病分期等。評(píng)價(jià)治療效果生存分析可以比較不同治療方案或不同治療階段的生存差異，從而評(píng)價(jià)治療效果。生存分析隨機(jī)效應(yīng)模型要點(diǎn)三克服固定效應(yīng)模型的限制隨機(jī)效應(yīng)模型克服了固定效應(yīng)模型在某些情況下的限制，如在研究異質(zhì)性數(shù)據(jù)時(shí)。要點(diǎn)一要點(diǎn)二考慮個(gè)體間的變異隨機(jī)效應(yīng)模型考慮了個(gè)體間的變異，因此可以更準(zhǔn)確地估計(jì)總體效應(yīng)。分析數(shù)據(jù)結(jié)構(gòu)隨機(jī)效應(yīng)模型可以更好地分析數(shù)據(jù)結(jié)構(gòu)，如數(shù)據(jù)缺失、重復(fù)測量等情況。要點(diǎn)三檢查變量間的關(guān)系多重共線性分析用于檢查多個(gè)變量之間的相互關(guān)系，以確定是否存在多重共線性的問題。多重共線性分析判斷變量重要性通過多重共線性分析可以判斷出哪些變量對(duì)模型的貢獻(xiàn)較大，哪些變量的影響較小。選擇最佳變量在存在多重共線性的情況下，可以選擇最佳變量進(jìn)入模型，以提高模型的預(yù)測精度。主成分分析保留主要信息主成分分析能夠保留數(shù)據(jù)中的主要信息，同時(shí)減少數(shù)據(jù)的復(fù)雜性和冗余度。揭示變量間的關(guān)系主成分分析還可以揭示變量之間的相互關(guān)系和影