《卫生统计学分析技术》课件.ppt
卫生统计学分析技术
课程介绍与学习目标本课程将深入探讨卫生统计学分析的基本概念和方法，涵盖描述性统计、概率分布、假设检验、相关分析、回归分析、生存分析等关键内容。
卫生统计学的定义与重要性
卫生统计学在医疗领域的应用临床研究：设计临床试验、分析数据，评价新疗法的疗效和安全性公共卫生管理：监测疾病流行趋势，评估公共卫生干预措施的效果
基本统计概念回顾
描述性统计分析
中心趋势测量
平均数、中位数和众数1平均数：所有数据的总和除以数据个数，反映数据的平均水平2中位数：将所有数据从小到大排列，位于中间位置的数据，反映数据的中间水平
离散程度测量离散程度测量指标反映数据的分散程度，即数据围绕中心位置的波动情况，常用的指标包括标准差、方差和极差。
标准差和方差1标准差：反映数据偏离平均值的程度，数值越大，数据越分散2方差：标准差的平方，也反映数据的分散程度，数值越大，数据越分散
概率分布基础概率分布描述随机变量取值的概率规律，常见的概率分布有正态分布、二项分布、泊松分布等，为统计推断提供基础。
正态分布正态分布是一种常见的连续概率分布，其形状类似钟形曲线，在很多自然现象和社会现象中都存在。
二项分布二项分布是一种离散概率分布，用于描述n次独立试验中事件发生的次数，例如抛硬币n次，正面朝上的次数。
泊松分布泊松分布是一种离散概率分布，用于描述在一定时间或空间内事件发生的次数，例如在一定时间内，电话呼入的次数。
抽样技术抽样技术是指从总体中抽取样本，并利用样本数据来推断总体的性质，常用的抽样方法包括随机抽样、分层抽样、整群抽样等。
随机抽样方法随机抽样是指从总体中随机抽取样本，每个样本被选中的概率相等，常见的随机抽样方法包括简单随机抽样、系统抽样、分层抽样和整群抽样。
分层抽样分层抽样是指先将总体分成若干个子总体，然后从每个子总体中随机抽取样本，以保证样本的代表性，适用于总体内部存在差异的情况。
整群抽样整群抽样是指将总体分成若干个群，然后随机抽取一些群，再从抽取的群中选取所有个体，适用于群内个体差异较小，群间差异较大的情况。
假设检验基础假设检验是统计推断中重要的工具，用来检验关于总体参数的假设是否成立，常见的假设检验方法包括t检验、卡方检验、方差分析等。
显著性水平显著性水平是假设检验中用来控制犯第一类错误概率的指标，通常设置为0.05，表示拒绝原假设时，犯错误的概率为5%。
t检验t检验是用来比较两个样本均值是否相等的假设检验方法，适用于样本容量较小，总体方差未知的情况。
卡方检验卡方检验是用来检验两个或多个样本的频数分布是否具有显著性差异的假设检验方法，适用于名义变量或有序变量的数据分析。
方差分析方差分析是用来比较两个或多个样本均值是否相等的假设检验方法，适用于多个样本均值比较的情况，能够控制误差的影响。
相关分析相关分析用来研究两个或多个变量之间是否存在线性关系，并分析这种关系的程度和方向，常见的相关系数包括皮尔逊相关系数和斯皮尔曼相关系数。
皮尔逊相关系数皮尔逊相关系数用来衡量两个连续变量之间的线性相关关系，取值范围为-1到1，数值越接近1，相关性越强，符号表示相关关系的方向。
斯皮尔曼相关系数斯皮尔曼相关系数用来衡量两个有序变量之间的相关关系，适用于非线性关系和等级数据的分析，取值范围为-1到1，数值越接近1，相关性越强。
回归分析回归分析用来研究一个或多个自变量与因变量之间的关系，并建立回归模型，以预测因变量的值，常见的回归分析方法包括线性回归、多元回归和逻辑回归。
线性回归线性回归分析是一种常见的回归分析方法，用来研究一个自变量与因变量之间的线性关系，并建立回归模型，以预测因变量的值，适用于自变量和因变量之间存在线性关系的情况。
多元回归多元回归分析是用来研究多个自变量与因变量之间的关系，并建立回归模型，以预测因变量的值，适用于多个自变量影响因变量的情况。
逻辑回归逻辑回归分析是用来研究一个或多个自变量与二元因变量之间的关系，并建立逻辑回归模型，以预测因变量的值，适用于因变量为分类变量的情况。
生存分析生存分析是用来研究事件发生的生存时间，并分析影响生存时间因素的统计方法，主要应用于医学研究、公共卫生研究、工程研究等领域。
寿命表分析寿命表分析是用来分析事件发生时间的生存数据，并计算生存率、死亡率、生存函数等指标，适用于大样本数据的分析。
Kaplan-Meier生存曲线Kaplan-Meier生存曲线是一种用来描述样本中事件发生时间分布的曲线，可以用来比较不同组别之间的生存情况，适用于小样本数据的分析。
Cox比例风险模型Cox比例风险模型是一种常用的生存分析模型，用来分析影响生存时间因素的风险比例，适用于多个因素影响生存时间的情况。
流行病学研究设计流行病学研究设计是指为了研究疾病发生和发展规律，并分析影响疾病发生和