統計學變量類型精選(五篇)

序言：作為思想的載體和知識的探索者，寫作是一種獨特的藝術，我們為您準備了不同風格的5篇統計學變量類型，期待它們能激發您的靈感。

篇1

關鍵詞 氯吡格雷 急性冠脈綜合征 血小板聚集率 高敏C反應蛋白

目前越來越多的研究證實局部或全身慢性炎癥在粥樣硬化斑塊的發生、發展中也起到重要作用，炎癥反應的激活是造成AS斑塊不穩定的重要促發因素，在ACS的發病機制中起重要作用［1］。抗血小板治療可明顯降低心臟事件發生率。常用的藥物為阿司匹林和氯吡格雷。目前氯吡格雷負荷量備受關注。作為炎癥標記物的CRP可能促進血栓形成和動脈粥樣硬化形成［2］。本研究通過檢測ACS患者血清C-反應蛋白（C-reactive protein，CRP）濃度，來探討氯吡格雷是否可抑制AS的炎癥反應，而穩定斑塊，改善患者預后，以及不同劑量間的差異。

資料與方法

2008年5月～2010年8月收治ACS患者60例，男40例，女20例。入選標準：符合2007年中國心血管治療指南和建議的急性冠脈綜合征的診斷標準。凡有以下情況者予以剔除：①慢性肝、腎、免疫、血液系統疾病、惡性腫瘤、感染性疾病以及誘發血栓形成的疾病（心房顫動、風濕性心瓣膜病、周圍血管疾病等）；②NYHA心功能Ⅳ級；③3個月內做過經皮腔內冠脈成形術（PCI）及冠脈搭橋術（CABG）或準備行PCI或CABG治療；④近期口服抗凝、抗血小板、止血藥以及抗炎、抗氧化藥物（如非甾體類抗炎鎮痛藥、類固醇、維生素E等）；⑤有抗凝或抗血小板藥物禁忌證。

試驗方法：患者隨機選入，入院后給予不同負荷劑量氯吡格雷組（300mg、600mg），后75mg/日，連服2周。兩組其他治療包括硝酸酯類藥物、β受體阻滯劑、鈣離子拮抗劑、ACEI、他汀類降脂藥物，以及降糖藥物等常規治療。兩組患者在易患因素、基礎疾病、臨床治療方面差異無統計學意義，具有可比性。患者分別于給予氯吡格雷負荷量前、給予后6小時、24小時，48小時以及1周采血測定各項檢測指標。并觀察兩組有無出血傾向、血細胞下降等不良反應。

檢測指標：mPAR測定：取3.6ml注入含有0.109mmol/L的枸椽酸鈉0.4ml的塑料試管中，離心，取上層液制得貧血小板血漿（PPP），以ADP為致聚劑，采用血液聚集儀，測定血小板最大聚集，用百分比（%）表示。

hs-CRP測定：采肘前靜脈血，用真空采血針穿刺靜脈，促凝劑加分離膠管取血2ml；采用超敏乳膠增強散射比濁法，經全自動生化分析儀測定。

不良反應：所有入選患者均完成臨床試驗，無嚴重出血及血小板、粒細胞下降發生。氯吡格雷600mg組有2例患者出現靜脈穿刺部位瘀血，自行吸收，無需停藥。

統計學分析：采用SPSS16.0統計軟件包進行統計學處理。計量資料用（X±S）表示，組內比較采用t檢驗；組間比較采用方差分析。P＜0.05為差異有統計學意義。

結 果

兩組患者在基線資料差異無統計學意義，見表1。

表1 患者基本臨床資料比較

注：兩兩比較，P均＞0.05。

不同負荷劑量氯吡格雷患者血小板最大聚集率（mPAR）結果各組服藥后后6小時、24小時，48小時以及1周mPAR均較服藥前顯著降低（P＜0.01），差異具有統計學意義。在24小時后可維持較低的抑制水平。600mg組在服藥后6小時MPAR較300mg組降低明顯（P＜0.01），但24小時后對血小板聚集的抑制與300mg組無明顯差異，見表2。

治療前兩組患者血清hs-CRP濃度無差異（P＞0.05）。氯吡格雷治療24小時后血清CRP濃度均顯著下降（P＜0.01），600mg組在服藥后24小時，48小時hs-CRP較300mg組降低明顯（P＜0.01）；服藥后1周則差異不顯著（P＞0.05），見表2。

討 論

眾多研究證實，急性冠脈綜合征患者斑塊的破裂及不穩定性與炎癥反應直接相關［2］。實驗研究發現［4］，在內皮血管壁存在CRP，與人類中性粒細胞緊密結合，誘導補體活化；CRP與一些細胞黏附分子有關，這些黏附分子在白細胞通過內皮壁時黏附和移行中起重要作用，此過程是粥樣硬化形成開始重要的一步。

氯吡格雷是噻吩吡啶類藥物，為血小板二磷酸腺苷（ADP）受體拮抗劑，有較強抑制血小板激活作用。氯吡格雷的活性在一定范圍內呈劑量依賴性。近年來，國外有學者報道，采用高負荷劑量氯吡格雷用于PCI術前抗血小板治療可更快抑制血小板［5～7］，并顯現出較好的療效和安全性。

本觀察發現，ACS患者血清CRP水平顯著高于正常范圍，提示CRP可作為AS斑塊不穩定的標志。氯吡格雷臨床療效顯著，顯著降低ACS患者mPAR及CRP水平，提示氯吡格雷除抑制血小板聚集，還可通過抑制CRP等炎癥介質的生成和表達而起到抗炎和穩定斑塊的作用。阿司匹林是不影響TXA2途徑以外的血小板活化途徑，低分子肝素可阻斷凝血酶誘導的血小板聚集反應，但對ADP誘導血小板活化影響不顯著。這可能是氯吡格雷組CRP水平下降顯著優于常規治療組的原因。

參考文獻

1 ROSS R.Atherosclerosisan inflammatory disease［J］.N Engl J Med,1999,340:115-126.

2 Rus H,Niculescu FI.Inflammation,aspirin,and the risk of cardiovascular disease.N Engl J Med,1997,337:423.3 賈利敏,黃立新.C反應蛋白的臨床應用及預測價值［J］.實用心腦肺血管病雜志,2006,14（9）:761-762.

4 Torzewski J,Torzewski M,Bowyer DE,et al.C-reactive protein frequently colocalizes with the terminal complement complex in the intima of early atherosclerotic lesions of human coronary arteries.Arterioscler Thromb Vasc Biol,1998,18:1386-1392.

5 Kastrati A,Mehilli J,Schuhlen H,et al.clinical trial of abciximab in elective percutaneous coronary intervention after pretreatment with clopidogrel［J］.N Engl J Med,2004,350:232-238.

6 Pache J,Kastrati A,Mehilli J,et al.Clopidogrel therapy in patients undergoing coronary stenting:value of a high - loading-dose regimen［J］.Catheter Cardiovasc Interv,2002,55:436-441.

7 CAPR IE Steering Committee.A randomized,blinded,trial of clop idogrel versus asp irin in patients at risk of ischemic events［J］.Lancet,1996,348:1329-1339.

表2 不同負荷劑量氯吡格雷各時間點MPAR比較（%）

注：>/sup>表示與服藥前比，P＜0.01；@>/sup>表示與300mg組比，P＜0.05。

篇2

目前，很多研究人員對影像資料分析方法的學習和理解存在一定困難，尤其初學者對繁雜的概念、復雜的計算公式、數據資料性質判斷以及如何選擇合適統計學方法等問題難以深刻理解。針對這些問題，王良等[1]建議采用以下模式：判斷資料類型、根據研究目的選擇分析方法、其他適宜方法。

1.1根據資料類型初步確定方法

臨床研究中產生的各種不同原始資料，而不同數據資料類型采用的統計分析方法也不同。定量資料常用的方法有t檢驗、方差分析、非參數檢驗、線性相關與回歸分析等。定性資料可用的方法有χ2檢驗、對數線性模型、logistic回歸等，影像醫師可根據不同需要選用不同統計方法。值得一提的是有些資料類型確定后，統計方法的選用對其有序性有相應要求；而多種方法聯合應用或者使用部分少見的分析方法時還需要在選定統計方法后，利用統計軟件(如SAS、SPSS)對應的不同命令進行初步分析試驗。

1.2根據研究目的選擇方法

1.2.1差異性研究

差異性分析是指評價比較組間均數、頻數、比率等的差異。根據研究需要可選用的方法有χ2檢驗、t檢驗、方差分析、非參數檢驗等。臨床上研究兩組、多組樣本比率或構成比之間的差別關系時最常用χ2檢驗，也是針對計數資料進行假設檢驗的一種常用的統計學方法，而對兩組定量資料分析常用t檢驗和秩和檢驗，多組資料分析則常用方差分析；Fisher精確概率法主要適用于總體樣本頻數小于40或四格表中最小格子T值<1。雖然Fisher精確檢驗不屬于χ2檢驗，但仍可以作為有效的補充，而也有人認為在統計軟件普遍易得的當下，Fisher精確概率法也同樣適用于大樣本四格表的資料。如彭澤華等[6]在探討冠狀竇-左心房肌連接的雙源CT冠狀動脈成像(DSCTCA)形態特征時針對冠狀竇-左心房肌連接的類型在兩組類別變量采用聯表的χ2檢驗，結果差異無統計學意義(χ2=0.115，P=0.944)。Teefey等[7]在研究超聲表現及白細胞計數預測急性膽囊炎壞疽變化關系時使用Fisher精確分析。t檢驗適用于兩組定量資料分析且資料滿足方差齊性和正態性兩個基本條件；同樣t檢驗適用于完全隨機設計的單因素兩水平的資料，在選用t檢驗時應注意對資料進行相應的變量變換，若資料不能滿足基本條件則選用適合分析偏態分布的非參數檢驗(如：秩和檢驗)進行分析。如Wang等[8]在研究不同侵襲性的前列腺癌組織和正常前列腺組織以及外周帶前列腺癌Gleason評分與腫瘤信號對比時采用t檢驗。Kung等[9]在研究化膿性髖關節炎的臨床和放射學預測指標時也使用t檢驗分析。秩和檢驗包括基本秩和檢驗(Wilcoxon等級檢驗、Mann-WhitneyU-檢驗)和高級秩和檢驗(Kruskal-Wallis、Friedmantests、Kolmogorov-Smirnov擬合檢驗)。當研究資料為兩方差齊且呈正態分布的總體，而總體分布類型未知或者不滿足參數檢驗的條件時，采用t檢驗對樣本進行比較；但若無需比較總體參數只比較總置的分布是否相同且總體資料分布類型未知時需要采用非參數的Wilcoxon秩和檢驗進行比較。針對兩組或多組樣本的定性資料使用秩和檢驗比較時，需要混合兩樣本數據、編秩(從小到大)、計量T值、查表或計算求得P值。如Saindane等[10]在對“空蝶鞍”的臨床意義判定因素研究中針對顱內壓增高和偶然發現空蝶鞍患者兩組資料對比時采用Wilcoxon秩和檢驗。Filippi等[11]在研究DTI測量兒童Ι型神經纖維瘤病胼胝體派生指標時運用Wilcoxon秩和檢驗。事實上在影像資料分析中經常見到多重組間比較的情況，方差分析(analysisofvariance,ANOVA)就是用來推斷兩個或者多個總體之間是否有差別的檢驗，又稱F檢驗。多重組間比較不能單純選用兩樣本均數比較的t檢驗，但是可以根據資料類型選用ANOVA檢驗。若來自兩個隨機樣本資料呈正態分布且方差齊性同的定量資料，應采用兩因素(處理、配伍)方差分析(two-wayANOVA)或配對t檢驗。通過F檢驗可以比較可能由某因素所至的變異或隨機誤差，同時可了解該因素對測定結果有無影響。當不滿足方差分析和t檢驗條件時，可對數據進行變換或采用隨機區組設計資料的FriedmanM檢驗。Obdeijn等[12]在研究乳腺術前MRI能減少術中切緣和乳腺保守術后再次手術，使用ANOVA分析兩組資料，結果對照組(29.3%)相比術前MRI病例組(15.8%)有效減少切緣和再次手術(P<0.01)。

1.2.2相關性分析

相關性分析不等同因果性，也不是簡單的個性化相比，其涵蓋的范圍和領域較為廣泛。統計學意義中的相關性分析包含相關性系數的計算，其過程為：每個變量轉化為標準單位后，乘積的平均數即為相關系數。相關性分析可以用直觀地用散點圖表示兩個或者多個變量的離散，當其緊密地靠近于一條直線時，即變量間存在很強的相關性。相關分析常用的方法有Pearson相關性分析、Spearman等級相關分析和卡方檢驗。臨床中對兩個或者多個均為定量變量的資料，且變量均呈正態分布時可選用Pearson相關分析，但多數情況下Pearson相關分析適用于兩組資料的相關性分析。判斷兩變量之間線性關系的密切程度主要用Pearson積差相關系數，其范圍為－1～+1。若相關系數的絕對值越接近1，即兩變量間相關性越密切；反之，相關系數的絕對值越接近0，其相關性越差。實際上在高質量期刊論文中使用Spearman等級相關分析的研究也很常見，其通過相關系數進行變量間線性關系分析來判定兩個變量間相關性的密切程度。而密切程度的量化指標則通過計算樣本相關系數r，根據實際計算r絕對值所屬范圍來推斷兩個來自總體變量的線性相關程度，從而推斷總體的相關性。根據實際分析需要，將相關關系密切程度分為6等：當IrI=0時，說明兩變量完全不相關：當0<IrI<0.3時，說明兩變量不相關；當0.3<IrI<0.5時，說明兩變量低度相關；當0.5<IrI<0.8時，說明兩變量顯著相關；當0.8<IrI<1說明兩變量高度相關：當IrI=l時，說明兩個變量完全相關。王效春等[13]在研究磁敏感加權成像與動態磁敏感加權對比增強MR灌注加權成像聯合應用在腦星形細胞瘤分級中的價值一文應用Spearman等級相關分析，結果顯示腫瘤內磁敏感信號與相對血容量最大值和病理分級呈正相關(IrI分別為0.72、0.89，P值均＜0.01),相對血容量與病理分級呈顯著正相關(r=0.78，P＜0.01)。又如Lederlin等[14]在比較幾何參數、相關功能與組織學特性在哮喘患者的支氣管壁CT衰減性關系中同時使用Pearson相關分析和Spearman等級相關分析，其r=0.39～0.43，表明與對照組相比常規CT衰減參數在哮喘患者平常支氣管的CT參數、氣道壁衰減方面更好的區分哮喘患者，同時也更好地區分氣道梗阻。值得提及的是對資料有序或無序無法作出初步判定，且明確資料類型為定性資料時還可以選擇使用卡方檢驗和Spearman等級相關分析。

1.2.3影響性分析

由于事物之間的聯系是多種多樣的，而某一結局可能受到來自其他多個方面的影響，此時為分析某一結局發生的影響因素可采用的資料分析方法有線性回歸(一元或多元)、logistic回歸、Cox比例風險回歸模型(生存分析)等。在影像資料分析中一元線性回歸是將影像資料中一個最主要影響因素作為自變量來解釋因變量的變化。多元回歸定義為某一因變量的變化受多個重要因素的影響，而此時需要用兩個或多個影響因素作為自變量來解釋因變量的變化，且多個自變量與因變量之間是線性關系(多個因變量之間相互獨立)。實際研究中多元線性回歸模型在影像資料分析應用較為廣泛。Langkammer等[15]在磁敏感系數繪圖在多發性硬化中應用研究中使用多元線性分析，結果顯示各種影響因素中年齡是預測磁化率影響最強的因素。Logistic回歸是研究二分類和多分類觀察結果與某些影響因素自己建關系的一種多變化分析方法，其經常需要分析疾病與各影像指標之間的定量關系，同時又需要排除一些混雜因素影響。Logistic回歸在統計學上屬于概率型非線性回歸，其分析思路與線性回歸大致相同，能有效解決過高或過低水平因素以及分析因素少而樣本量大等問題。相比多元線性回歸，Logistic回歸在處理分類反應數據方面更為常用，且適用于結局為定性影像資料。如Lee等[16]研究高分辨率CT在發現小蜂窩樣特發性間質肺炎纖維化的連續變化和預后應用中使用logistic回歸分析，結果表明高分辨率CT在網狀和磨玻璃狀范圍內評價普通肺炎與非特異性纖維化肺炎之間差別明顯(P<0.01)。在臨床實際工作中常常需要分析生存時間與影像資料之間的關系，Kaplan-Meier法就是常用的一種分析方法，其又稱乘積極限法，對大小樣本資料分析均適用。實踐中習慣上以時間為橫軸、生存率為縱軸回執的階梯狀圖稱為Kaplan-Meier生存曲線(survivalcurve)，也稱K-M曲線。Cox比例風險回歸模型是另一種生存分析方法，包括參數與半參數模型兩類，其主要是進行多因素生存分析的一種方法，同時可分析眾多變量對生存時間和生存結局的影響。Saad等[17]在經頸靜脈肝內門體靜脈分流術在肝移植受者的技術分析和臨床評估研究中比較成功施行肝移植與非移植病人開展門體分流術(transjugularintrahepaticportosystemicshunt，TIPS)后的臨床療效評估，使用了Kaplan-Meier法，結果顯示6～12個月、12～24個月、24個月以上，移植成活率分別為43%、32%和22%。生存期大于1年的晚期肝臟疾病模型存活評分低于17分、等于17分或大于17分的存活率分別為54%和8%(P<0.05)。

2其他適用方法

2.1ROC曲線

ROC(receiveroperatingcharacteristic)曲線是歐美影像學期刊中應用較為常見的統計學方法，國內期刊應用相對較少。ROC曲線根據一系列不同的分界值以真陽性率(靈敏性)為縱坐標，假陽性率(特異性)為橫坐標繪制的曲線。ROC曲線分析結合靈敏度(sensitivity)和特異度(specificity)廣泛應用于醫學診斷，也應用于影像診斷及人群篩查。ROC曲線根據曲線下面積(areaundertheROCcurve，AUC)的大小對診斷試驗作定量分析。理論上，AUC值在0～1間。根據實際情況將診斷分為不符合診斷(AUC<0.5)、無診斷價值(AUC=0.5)、低準確性(0.5<AUC<0.7)、一定準確性(0.7<AUC<0.9)、較高準確性(0.9<AUC<1)，AUC越接近于1，表明診斷準確性越高。Hyodo等[18]在研究乏血管少結節的慢性肝臟疾病患者發展成富血管性肝細胞癌風險因素一文中使用ROC曲線分析，結果顯示后續發展成血管性結節平均增長率明顯高于非血管過渡性結節。

2.2Kappa檢驗

Kappa檢驗主要用于評價不同資料間一致性程度，常用Kappa值評價一致程度。Kappa系數適用于兩項和多項無序分類變量資料。在影像學試驗中常需要判斷多名醫師測量同一研究對象或者同一醫師多次測量同一對象的一致性，Kappa一致性檢驗便是最佳選擇。Kappa檢驗還可通過計算Kappa值對兩種非金標準的診斷方法進行診斷結果一致性分析。一般而言，評價Kappa一致性需要計算Kappa系數，但在研究考察新的診斷試驗方法是否優于金標準，或者檢驗是否與金標準一致時，還需要計算特異度、靈敏度、陽性預測值和陰性預測值等指標。目前公認的Kappa系數分為六個區段即一致性極差(Kappa值<0)，一致性微弱(Kappa值0～0.2)，一致性弱(Kappa值0.21～0.40)，中度一致Kappa值(0.41～0.60)，高度一致(Kappa值0.61～0.80)，一致性極強(Kappa值0.81～1.00)。

2.3Levene檢驗

篇3

作者：李寧寧 于保榮 周立波 劉甲野 徐愛強 單位：山東大學衛生管理與政策研究中心 章丘市疾病預防控制中心 山東省疾病預防控制中心

城鎮職工醫保患者縣級醫院就診的住院床日數是市級醫院的1．48倍，存在統計學差異(P＜0．001);城鎮居民醫保患者中，縣級醫院和市級醫院基本持平;新農合患者中，縣級醫院就診的住院床日數是市級醫院的1．14倍，但無統計學差異(表略)。輕度慢性乙肝患者輕度慢性乙肝患者中，城鎮職工醫保與城鎮居民醫保患者縣級醫院的住院床日數均高于市級醫院，其中城鎮職工醫保患者中，縣級醫院是市級醫院就診患者的1．60倍，存在統計學差異(P＜0．001);城鎮居民醫保患者中，縣級醫院是市級醫院的2．87倍，由于樣本病例數較少，不能進行統計學推斷;而新農合患者中，市級醫院是縣級醫院的1．17倍，無統計學差異(表略)。中度慢性乙肝患者中度慢性乙肝患者中，城鎮職工醫保和新農合患者縣級醫院就診患者的住院床日數高于市級醫院，其中，城鎮職工醫保患者縣級醫院的住院床日數是市級醫院的1．88倍，存在統計學差異(P＜0．001);新農合患者中，縣級醫院就診者的住院床日數是市級醫院的1．23倍，無統計學差異;而城鎮居民醫保患者中，市級醫院住院床日數是縣級醫院的1．1倍，無統計學差異。

重度慢性乙肝患者重度慢性乙肝患者中，城鎮職工醫保、新農合患者在縣級醫院和市級醫院就診的住院床日數均無統計學差異。但城鎮職工醫保和城鎮居民醫保患者在縣級醫院就診的住院床日數均高于市級醫院，其中，城鎮職工醫保中，縣級醫院是市級醫院的1．26倍;城鎮居民醫保中，縣級醫院是市級醫院的1．55倍。而新農合參保者中，市級醫院就診患者的住院床日數是縣級醫院的1．16倍。未分型的慢性乙肝患者未分型的慢性乙肝患者中，城鎮職工醫保、新農合的患者中市級醫院就診的住院床日數均高于縣級醫院。其中，城鎮職工醫保參保者中，市級醫院就診患者的住院床日數是縣級醫院的1．30倍，存在統計學差異(P=0．011);新農合參保者中，市級醫院就診患者的住院床日數略高于縣級醫院，無統計學差異。不同醫療保障制度下慢性乙肝患者出院轉歸情況比較我國目前的住院病歷中，患者的出院病情轉歸分為“治愈”、“好轉”、“未愈”、“轉院”、“死亡”及“其他”幾類。為便于分析，我們將“治愈”和“好轉”合并，計算了各型慢性乙肝患者的“治愈或好轉率”，輕度慢性乙肝患者中，城鎮職工醫保參保者的治愈或好轉率最高，其次是新農合參保者。新農合參保者中，中度和未分型慢性乙肝患者的治愈或好轉率最高。因醫保類型不明的患者病例數較少，予以剔除。結果顯示:輕度、中度及未分型的乙肝患者出院轉歸情況差異顯著。住院床日數的影響因素分析以經過對數轉換呈正態分布的住院床日數為因變量，以醫療保障類型、患者性別、入院年齡、慢性乙肝分型、病情轉歸、醫院級別及病史月數為自變量，采用逐步多元回歸分析。變量賦值和多元分析結果如表10所示，發現患者的醫療保障類型、醫院級別、慢性乙肝分型及疾病轉變情況(即出院轉歸)對住院床日數的影響具有統計學意義。出院轉歸的影響因素分析對患者的出院轉歸進行多因素分析，以住院床日數、患者性別、醫療保障類型、醫院級別、入院年齡及慢性乙肝分型為自變量。其中醫療保障類型、入院年齡和慢性乙肝分型均分為三組，采用二分類Lo-gistic逐步回歸分析，設賦值為0的那組為啞變量，其它各組分別與它進行比較。模型分析結果發現住院床日數越長，出院轉歸越好;慢性乙肝分型對出院轉歸也有影響。而醫院級別及醫療保障類型等并不影響患者的出院轉歸情況。

上海市針對自費和享有醫療保障患者的研究中，采取直接訪談法，并結合病案室提供的住院病歷資料，分析不同醫療保障水平下患者住院天數情況，結果顯示，慢性乙型肝炎患者社保組住院天數是自費組的1．4倍，并沒有分析在不同級別醫院就診患者的住院床日數差異。［3］本文主要通過對同一級別醫院就診的不同醫保患者住院床日數做出分析，發現:城鎮職工醫保參保者的各型慢性乙肝患者的平均住院床日數大約為城鎮居民醫保患者的1．6～2．3倍，為新農合患者的1．5～1．9倍。國內還有研究發現省級醫院乙肝病人住院床日數顯著大于地市級醫院。［4］本研究對不同級別醫院就診住院床日數分析發現，所有乙肝患者中，城鎮職工醫保患者縣級醫院就診的住院床日數是市級醫院的1．48倍，存在統計學差異。慢性乙肝不同分型患者的住院床日數分析中，發現輕度和中度城鎮職工醫保患者單病例住院床日數差異顯著，縣級醫院就診患者的住院床日數高于市級醫院。這可能是因為縣級醫院的治療水平與市級醫院之間有較大的差距;另外，不同級別醫院報銷政策的差異，也會影響患者就診流向及患者的住院床日數。不同醫療保障制度下慢性乙肝患者出院轉歸的差異輕度、中度及未分型慢性乙肝患者出院轉歸情況差異顯著。其中輕度慢性乙肝患者中，城鎮職工醫保患者的治愈或好轉率最高(97．9%)，其次是新農合患者;中度慢性乙肝患者中，新農合患者的治愈或好轉率最高(98．3%)，其次是城鎮職工醫保。納入本研究的城鎮職工醫保及新農合患者參保者較多，可能是其治愈或好轉率相對高的重要原因。而未分型慢性乙肝患者中，城鎮居民醫保患者的治愈或好轉率最高(100%)。住院床日數及出院轉歸的影響因素北京某傳染病醫院對原發性肝癌、肝硬化、乙型病毒性肝炎及丙型病毒性肝炎4種疾病進行研究顯示，醫院級別及患病嚴重程度是住院天數的影響因素。［5］本研究結果發現，在不考慮患者收入影響的前提下，慢性乙肝患者的住院床日數受患者醫療保障類型、醫院級別、慢性乙肝分型及出院轉歸影響，而出院轉歸亦受到住院床日數及慢性乙肝分型的影響。患者的出院轉歸與住院床日數是相互影響的關系。不同的醫療保障制度，其報銷比例及待遇不同，對醫生及患者的激勵作用也不同，從而患者的住院床日數及出院病情轉歸可能會受到一定的影響。

篇4

醫學統計學是醫學科學的一個組成部分，是醫學院校各專業的必修課。醫學統計學作為

保證醫藥科研工作的重要手段已寫入有關文件的要求中，作為高層次的醫學專業人員，通過學

習本門課程，可以較好地把統計原理和方法的思維邏輯應用于科研和管理中，尤其在本學科

的研究設計和數據分析方面，更為明顯。

通過本門課程的學習，要使學生學會人群健康研究的統計學方法，學會計量、計數資料的分析，

非參數統計方法和多元統計分析方法及醫學研究設計。其目的使大家具備新的推理思維，結合專業問

題合理設計試驗，科學獲取資料，提高科研素質。

本課程教學的主要方法有理論講授、課堂討論、課堂演算等，使學生加深對理論的理解。

【主要內容及要求】

第一章緒言

1．掌握統計工作的步驟。

2．掌握統計資料的類型。

3．掌握總體與樣本、概率、小概率事件，誤差等基本概念。

4．熟悉統計學、醫學統計學的定義、掌握統計學的研究對象。

5．了解學習本門課程應注意的問題。

第二章個體變異與變量分布

1．掌握均數、幾何均數、中位數的計算和應用；掌握四分位數、標準差的應用；相對數常用指標、應用相對數的注意事項；正態分布的應用和醫學參考值的估計。

2．熟悉利用統計圖表描述定量資料的基本方法；制作統計圖表的基本要求和規則；百分位數的計算方法；正態曲線的面積的分布規律。

3．了解定量資料頻數分布表的編制方法和分布規律；常用疾病統計指標的計算；正態分布的概念及特征。

第三章抽樣誤差

1．掌握抽樣誤差的概念；標準誤的意義及其應用；t分布特征及應用。

2．熟悉抽樣誤差影響因素；標準誤的計算。

3．了解t分布特征

第四章可信區間

1．掌握可信區間的概念，總體均數95％和99％置信區間的計算及適用條件;掌握正態近似法計算總體率的95%和99％置信區間及適用條件；闡述標準差與均數標準誤的區別。

2．熟悉可信區間的兩個要素，查表法估計總體率的置信區間。

3．了解兩均數之差的可信區間。

第五章假設檢驗

1．掌握假設檢驗的意義及步驟；第一類錯誤與第二類錯誤。

2．熟悉假設檢驗的基本思路；假設檢驗的條件；P值含義。

3．了解差異檢驗與優度檢驗；區間估計與假設檢驗之間的關系。

第六章定量資料的分析

1．掌握t檢驗的應用條件及類型，常用的t檢驗分析與計算過程；方差分析的基本思想；單因素方差分析的過程。

2．熟悉方差不齊時的t‘檢驗；多樣本的兩兩比較方法。

3．了解兩樣本幾何均數的比較；方差齊性檢驗；變量變換。

第七章定性資料的分析

1．掌握X2檢驗各種公式的適用條件和各種設計類型的X2檢驗的步驟及行×列表資料X2檢驗的注意事項。

2．熟悉樣本率與總體率比較的u檢驗；多個率的多重比較；似然比檢驗。

3．了解兩樣本率比較的u檢驗；確切概率法。

第八章等級資料的分析

1．掌握非參數統計的概念；不同設計類型的秩和檢驗的實施方法及其應用條件。

2．熟悉不同設計類型的秩和檢驗方法。

3．了解不同設計類型的秩和檢驗和相應t檢驗的功效有何不同。

第九章兩指標間的直線相關

1．掌握利用散點圖確定兩個定量變量之間有否線性關系；掌握Pearson積差相關、Spearman等級相關的應用條件并能計算相應的相關系數，同時進行假設檢驗；對分類計數頻數表資料的兩變量間的關聯性作定量分析。

2．熟悉對不同類型的變量，用不同的統計方法去分析它們之間的關系。

3．了解利用散點圖分析樣本相關系數可能出現的各種假象，并作出合理解釋。

第十章兩指標間的直線回歸

1．掌握回歸的基本概念；回歸分析的基本思想與方法；回歸系數檢驗的意義與方法；相關與回歸分析的區別與聯系。

2．熟悉總體回歸系數β的統計推斷；殘差與殘差分析。

3．了解總體回歸線的95%置信帶與個體預測值Y的區間估計；過定點的直線回歸。

第十一章多元回歸分析

1．掌握多元線性回歸、Logistic回歸、Cox比例風險回歸方程中的偏回歸系數、標準化偏回歸系數、確定系數、復相關系數、比數比（OR）的概念、應用、計算結果的解釋。

2．熟悉回歸分析的分類，殘差的概念，最小二乘法求多元回歸方程，回歸方程的配合適度檢驗，逐步篩選法選擇自變量，最大似然估計法求Logistic回歸方程及Cox比例風險回歸方程，似然比檢驗篩選自變量。

3．了解多元線性回歸、Logistic回歸模型。

第十二章研究設計（一）——總論

1．掌握醫學研究設計的意義，研究設計的形式、研究設計的基本原則和基本要素。

2．熟悉樣本含量的估計方法。

3．了解調查設計的步驟和樣本含量的估計方法。

第十三章研究設計（二）——實驗設計

1．掌握實驗設計方法選擇的依據。

2．熟悉常用實驗設計方法的特點與設計方式，如完全隨機設計、配對設計、配伍設計、交叉設計、拉丁方設計、析因設計、正交試驗設計。

3．了解常用實驗設計方法樣本含量的估計。

第十四章研究設計（三）——臨床新藥設計

1．掌握臨床試驗的特點，新藥臨床試驗的分期，新藥臨床試驗的基本原則。

2．熟悉新藥臨床試驗的統計分析方法。

3．了解臨床診斷試驗與評價的方法。

第十五章統計表和統計圖

1．掌握統計表的基本結構和要求，統計圖形的選擇、制圖通則。

篇5

很多科研人員(包括臨床醫生)在進行科研工作過程中，習慣用專業知識取代一切其他知識。其突出表現是：等科研工作已經完成，甚至論文已寫完，因某些數據處理有問題被退稿時，才想起要找統計學工作者幫助處理論文中的實驗數據；考慮問題稍周到一些的科研人員在科研工作完成之后，在撰寫論文之前就想到要運用統計學知識來分析實驗數據。這兩種運用統計學的科研人員都是在把統計學當作分析數據的“計算工具”或當作發表學術論文的“敲門磚”，是對統計學重要性認識不足的突出表現。理由很簡單，科研數據是否正確可靠、是否值得進行數據分析、結論是否可信等一系列重要問題都沒有令人信服的證據來幫助說明，換句話說，若缺乏科研設計或科研設計不科學、不完善，即使花費10年時間和數億人民幣進行調查或實驗獲得了大量科研數據，與某人用計算機產生的毫無專業含義的任意多個隨機數據沒有什么區別，除了浪費了大量國家和人民的血汗錢，對科學技術進步、對人類的貢獻不僅為零，甚至是負數！因此，在進行科研工作之前，制定科學完善的科研設計方案，特別是其中的實驗設計方案或調查設計方案的質量好壞，是科研工作成敗的關鍵所在！

科研設計包括專業設計和統計研究設計。專業設計主要包括基本常識和專業知識的正確、全面、巧妙地運用；而統計研究設計包括實驗設計、臨床試驗設計和調查設計。值得注意的是：在很多科研人員所做的科研課題中，不僅嚴重忽視統計研究設計，就連專業設計也有嚴重錯誤，主要表現在犯了基本常識錯誤和違背專業知識錯誤。這類錯誤所發生的頻率還相當高，是一種不能容忍的不正常現象！

在統計研究設計所包含的3種研究設計中，實驗設計是最重要的，因為很多關鍵性的內容都包含在其中，其核心內容是“三要素”、“四原則”和“設計類型”。所謂“三要素”就是受試對象(或調查對象)、影響因素(包括試驗因素和重要的非試驗因素)和實驗效應(通過具體的觀測指標來體現)；所謂“四原則”就是隨機、對照、重復和均衡原則，它們在選取和分配受試對象、控制重要非試驗因素對觀測結果的干擾和影響、提高組間均衡性、提高結論的可靠性和說服力等方面將起到“保駕護航”的作用；所謂“設計類型”就是實驗中因素及其水平如何合理搭配而形成的一種結構，它決定了能否多快好省且又經濟可靠地實現研究目標。科研人員若對重要非試驗因素考慮不周到、對照組選擇不合理、設計類型選擇不當或辨別不清，導致科研課題的科研設計千瘡百孔、數據分析濫竽充數、結果解釋稀里糊涂、結論陳述啼笑皆非。下面筆者就“實驗設計”環節存在的問題辨析如下。

1 在分析定量資料前未明確交代所對應的實驗設計類型

人們在處理定量資料前未明確交代定量資料所對應的實驗設計，對數千篇稿件進行審閱后發現，大多數人都是盲目套用統計分析方法，其結論的正確性如何是可想而知的。這是一條出現非常頻繁的錯誤，應當引起廣大科研工作者的高度重視。

2 臨床試驗設計中一個極易被忽視的問題——按重要非試驗因素進行分層隨機化

例1：原文題目為《氣管舒合劑治療支氣管哮喘的臨床觀察》。原作者寫到：“全部病例均來源于本院呼吸專科門診和普通門診，隨機分為治療組40例和對照組30例。其中治療組男21例，女19例；年齡21～55歲，平均(36.28±9.36)歲；病程2～23年，平均(10.31±17.48)年；病情輕度者16例，中度24例。對照組30例，男16例，女14例；年齡20～53歲，平均(35.78±9.53)歲；病程3～24年，平均(11.05±6.47)年；病情輕度者13例，中度者17例。兩組間情況差異無顯著性，具有可比性。”請問這樣隨機化，其組間具有可比性嗎？

對差錯的辨析與釋疑：顯然，研究者在試驗設計時未對重要非試驗因素采用分層隨機保證各組之間的可比性。這條錯誤的嚴重程度為不可逆，出現不可逆錯誤意味著原作者的試驗設計具有無法改正的錯誤，必須重做實驗！究其原因，主要是原作者未理解統計學上隨機的概念。統計學上隨機化的目的是盡可能去掉人為因素對觀測結果的干擾和影響，讓重要的非試驗因素在組間達到平衡。稍微留意一下原作者隨機化分組，明顯帶有人為的痕跡，治療組40人比對照組30人多出10人；治療組病程的標準差17.48是對照組病程的標準差6.47的近3倍。筆者很疑惑怎樣的隨機化才能達到如此的不平衡？事實上隨機化有4種：子總體內隨機、完全隨機、分層隨機和按不平衡指數最小原則所進行的隨機，原文條件下應當選用分層隨機，即以兩個重要的非試驗因素(性別和病情)水平組合形成4個小組(男輕，女輕，男中，女中)，然后把每個小組內的患者再隨機均分到治療組和對照組中去，這樣分層隨機的最終結果一定是治療組和對照組各35人，且使2組間非試驗因素的影響達到盡可能的平衡，從而可大大提高組間的可比性。在本例中，若“病程”對觀測結果有重要影響，在進行分層隨機化時，在按“性別”和“病情”分組的基礎上，還應再按“病程”(設分為短、中、長)分組，即共形成12個小組，將每個小組中的患者隨機均分入治療組與對照組中去，這是使“性別、病情、病程”3個重要非試驗因素對觀測結果的影響在治療組與對照組之間達到平衡的重要舉措，也是所有臨床試驗研究成敗與否的最關鍵環節！

3 實驗設計類型判斷錯誤

例2：某作者欲觀察甘草酸、潑尼松對慢性馬兜鈴酸腎病(AAN)腎損害的干預作用，于是，進行了實驗，數據見表1。原作者經過用甘草酸和潑尼松分別與同期正常對照組和模型組比較，一個P＜0.05，另一個P＜0.01，于是得到甘草酸、潑尼松對慢性AAN腎損害具有一定程度的保護作用，且潑尼松的效果更佳。請問原作者的結論可信嗎？表1 各組大鼠血BUN及SCr變化比較（略）注：與正常對照組同期比較，*P＜0.05，**P＜0.01；與模型組同期比較，P＜0.05，P＜0.01

對差錯的辨析與釋疑：本例錯誤極為典型，通常科研工作者欲觀察某種藥物是否有效，習慣上會建立正常對照組、模型組(即該藥物擬治療的病態組)和在模型組基礎上的用藥組(如本例中甘草酸組和潑尼松組)。這樣的設計本身并沒有錯，但這僅僅是專業上的“實驗安排(可稱為多因素非平衡組合實驗[1])”，而并非是統計學中所說的某種標準實驗設計類型。寫在“組別”之下的4個組，并非是一個因素的4個水平，而是2個因素水平的部分組合。這2個因素分別是“是否建模(即正常與模型2個水平)”和“用藥種類[即不用藥(相當于安慰劑)、用甘草酸和用潑尼松3個水平]”。2個因素共有6種水平組合，即“組別”之下缺少了“正常基礎上用甘草酸”和“正常基礎上用潑尼松”。這樣設計的實驗才可能反映出“是否建模”與“用藥種類”2個因素之間是否存在交互作用。

在本課題研究中，由于未在實驗前作出正確的實驗設計，處理數據時錯誤就悄然產生了。具體到本例，從原作者在表1的注解中可以看出，通過單因素方差分析分別比較同期(即相同觀測時間點)的甘草酸組和潑尼松組與正常對照組和模型組之間的差別是否有統計學意義。這樣的做法有3個嚴重錯誤：第一，嚴格地說，在模型組基礎上的用藥組是不適合直接與正常對照組相比較的，因為這樣的比較解釋不清到底是藥物的作用還是由于模型未建成功而造成的假象；第二，將各個時間點割裂開分別比較破壞了原先的整體設計，數據利用率降低，誤差估計不準確，導致結論的可信度降低。將一個重復測量實驗的各個時間點割裂開來考察，就等于在各個片段上估計實驗誤差、作出統計推斷，好像盲人摸象一樣，摸出來的結果差別何其之大；第三，要想說明兩種藥物哪個效果更佳，在得出差別具有統計學意義的基礎上，衡量的標準是應看組間平均值的差量的大小而不應看P值是否足夠地小，不能說P＜0.01時就比P＜0.05時更有效，這種忽視實驗誤差、忽視絕對數量和脫離專業知識的想法和做法都是不妥當的。

如何正確處理表1中的實驗資料呢？關鍵要正確判定該定量資料所對應的是什么實驗設計類型。由前面的分析可知，表1定量資料對應的是“多因素非平衡組合實驗”，而不是某種標準的多因素實驗設計類型。明智的做法是對“組別”進行合理拆分，即根據專業知識和統計學知識，對“組別”之下的所有組重新進行組合，應使每種組合對應著一個標準的實驗設計類型。正確地拆分結果分別見表2和表3。表2 正常對照組與模型組大鼠血BUN及SCr變化的測定結果（略）表3 模型組和2個用藥組大鼠血BUN及SCr變化的測定結果（略）

事實上，由科研習慣形成的這一套實驗方案筆者形象地稱之為多因素非平衡的組合實驗，或者說，它是實驗設計的表現型。通常可以進行統計分析的都必須是標準型(即統計學上所說的某種實驗設計類型)，因此需要能看出代表表現型本質的原型(本例中組別之下應該有6個組，這6個組構成一個2×3析因設計結構，但原作者少設計了2個組)。通常需要將表現型或/和原型拆分成標準型后再選擇合適的統計分析方法進行數據分析。本例根據原作者的意圖，可以將表1拆分成2個標準型，形成2個具有一個重復測量的兩因素設計定量資料，見表2和表3。相應的統計分析方法就是具有一個重復測量的兩因素設計定量資料的方差分析。此處請讀者注意：第一，具有一個重復測量的兩因素設計定量資料的方差分析和一般的方差分析雖然都叫方差分析，但它們的計算公式卻有本質區別，絕不可混用；第二，重復測量因素(本例中為時間)不要與實驗分組因素(表2中叫“是否建模”；表3中叫“藥物種類”)同時列入左邊，它們是本質不同的兩種因素，一般應該把“重復測量因素”放到表頭橫線下方。

通過本例可以看出，在實驗前明確實驗設計是多么重要的一件事情。試想，若讓本例原作者寫明他的實驗設計類型，他必然就會對基本的實驗設計類型作一番調查和學習，自然就能發現他所“設計”的實驗并不是統計學上相應的實驗設計。那么通過咨詢相關人士必能做出比較正確的實驗設計，不僅可以提高科研設計水平，而且可以大大提高科研課題和論文質量。

例3：原文題目為《土荊芥-水團花對胃潰瘍大鼠黏膜保護作用的研究》。原作者使用單因素多水平設計定量資料方差分析處理表4中的數據。請問原作者這樣做對嗎？表4 各組黏膜肌層寬度、再生黏膜厚度變化（略）注：與正常組比較，aP＜0.05；與NS組比較，bP＜0.05；與CP 10 mg·kg－1 組比較，cP＜0.05

對差錯的辨析與釋疑：本例涉及到統計學三型理論[1]中的一些概念，簡單地說就是可以直接進行統計分析的來自標準設計的數據表叫標準型，反映問題本質但并非是標準型的數據表叫原型，而掩蓋了原型信息的數據表叫表現型。“組別”之下的6個組，似乎是某個因素的6個水平，其實不然！這6個組涉及到多個試驗因素，應對“組別”拆分重新組合后，再分別判定各種組合所對應的實驗設計類型，并選用相應的統計分析方法。組合1：空白對照組(正常)、陰性對照組(NS)，這是單因素兩水平設計(簡稱為成組設計)。由于正常組無實驗數據，故該組合無法進行統計分析；組合2：NS組、RA組、CP(20/mg·kg-1)組，這是單因素3水平設計，因素的名稱叫“藥物種類”；組合3：NS組、CP(10/mg·kg-1)組、CP(15/mg·kg-1)組、CP(20/mg·kg-1)組，這是單因素4水平設計，因素名稱叫CP的劑量(其中，NS組可視為CP的劑量為0)。

對于組合2和組合3，若定量資料滿足參數檢驗的前提條件，可選用相應設計定量資料的方差分析，否則，需要改用相應設計定量資料的秩和檢驗。

4 人為改變設計類型且數據利用不全

例4：某作者使用表5中的數據進行分析，欲比較治療組和對照組在治療后的各個時間點的療效情況，使用的分析方法為一般卡方檢驗，請問原作者這樣做對嗎？

對差錯的辨析與釋疑：從給出的統計表可以看出，該作者有意或者無意之間收集了一類相當復雜的實驗設計類型下的定性資料，結果變量為多值有序變量的具有一個重復測量的兩因素設計定性資料，處理這個設計下收集的定性資料要使用相應設計定性資料的統計模型分析法。由于上述方法過于復雜，因此，通常在實際運用中，實際工作者將重復測量因素武斷地視為實驗分組因素，從而使該資料變為結果變量為多值有序變量的三維列聯表資料。在已經出錯的前提下，原本應當使用CMH校正的秩和檢驗或者有序變量的多重logistic回歸分析處理資料。然而，該作者顯然在此基礎上進一步合并了數據，將結果變量變成二值變量(有效、無效)，也就是說，原作者實際使用的僅僅是最后一列數據(即總有效率)，并且最為嚴重的錯誤是將三維列聯表資料強行降維成二維列聯表資料，使用一般χ2檢驗進行分析。經過一系列的簡化與錯誤合并，最后結論的可信度還剩下多少呢？表5 原作者對2組療效比較的試驗設計及數據表達（略）注：與對照組同期比較，*P＜0.05

由于篇幅所限，這類錯誤筆者只給出1例，實際上此類例子在很多雜志中普遍存在。這說明在進行實驗設計時，很多研究人員并未做到心中有數；分析數據時，按自己熟悉的簡單統計分析方法所能解決的數據結構強硬地改造數據，嚴格地說，在用表格表達實驗資料的那一剎那就已人為改變了資料所對應的實驗設計類型，這種做法的科學性和得出結論的正確性都將受到質疑[2]。

5 正交設計及數據處理方面的錯誤

人們在進行正交設計和對正交設計定量資料進行統計分析時，常存在下列3個誤區：很多人過分強調用正交設計可以大大減少實驗次數，因此，無論各實驗條件(正交表中的每一行)下的實驗結果波動有多大，都不做重復實驗，這是第1個誤區；將正交表各列上都排滿試驗因素，用對實驗結果影響最小的試驗因素所對應的標準誤作為分析其他因素是否具有統計學意義的誤差項，導致誤差項的自由度較小，結論的可信度較低，這是第2個誤區；在對正交設計定量資料進行方差分析后，即使存在多個無統計學意義的因素，仍對少數幾個有統計學意義的因素進行解釋，未將無統計學意義的因素合并到誤差項中去重新估計實驗誤差，以獲得具有較大自由度的誤差項，這是第3個誤區。

參考文獻