常用雙樣本統計學方法

① 寫出醫學科研中的常用統計學方法有哪些

常用的醫學科研統計方法有：計量資料的統計方法可分為參數檢驗法和非參數檢驗法。參數檢驗法主要為t檢驗和方差分析（ANOVN，即F檢驗）等，兩組間均數比較時常用t檢驗和u檢驗，兩組以上均數比較時常用方差分析；非參數檢驗法主要包括秩和檢驗等。t檢驗可分為單組設計資料的t檢驗、配對設計資料的；方差分析可用於兩個以上樣本均數的比較，應用該方法時，要求各個樣本是相互獨立的隨機樣本，各樣本來自正態總體且各處理組總體方差齊性

② 常用統計學方法

感知機 二分類

二分類的線性分類模型，也是判別模型。
目的是求出把訓練數據進行線性劃分的分離超平面。
感知機是神經網路和支持向量機的基礎。
學習策略：極小化損失函數。損失函數對應於誤分類點到分離超平面的總距離。
基於隨機梯度下降法對損失函數的最優化演算法，有原始形式和對偶形式。

K近鄰法 K-nearest neighbor, K-NN 多分類和回歸

是一種分類和回歸方法，有監督學習。在訓練數據集中找到和新的輸入實例最接近的K個實例，這k個實例的多數類別就是這個新實例的類別。
三要素：K的選擇，距離度量，分類決策規則。
實現方法：kd樹（二叉樹）快速搜索K個最近鄰的點。
K值選擇：反映了對近似誤差和估計誤差的權衡。交叉驗證選擇最優的K值，K小，模型復雜，K大，模型簡答。

樸素貝葉斯法 多分類 用於NLP

樸素貝葉斯法是基於貝葉斯定理和特徵條件獨立假設的分類方法。首先學習輸入輸出的聯合概率分布，然後基於此模型，對給定的輸入x，利用貝葉斯定理求出後驗概率最大的輸出y。
後驗概率最大等價於0-1損失函數的期望風險最小化。
是典型的生成學習方法，由訓練數據求出聯合概率分布，再求出條件概率分布（後驗概率）。
概率估計方法是：極大似然估計或者貝葉斯估計。
基本假設是條件獨立性

決策樹 decision tree 多分類，回歸

是一種分類和回歸演算法。包括三個步驟：特徵選擇，決策樹生成和決策樹的修剪，常用演算法：ID3，C4.5，CART

邏輯斯地回歸和最大熵模型 多分類

本質就是給線性回歸添加了對數函數
它的核心思想是，如果線性回歸的結果輸出是一個連續值，而值的范圍是無法限定的，那我們有沒有辦法把這個結果值映射為可以幫助我們判斷的結果呢。
而如果輸出結果是 (0,1) 的一個概率值，這個問題就很清楚了。我們在數學上找了一圈，還真就找著這樣一個簡單的函數了，就是很神奇的sigmoid函數(如下)：
邏輯回歸用於二分類和多分類
邏輯斯地分布是S型曲線
最大熵模型：熵最大的模型是最好的模型。
X服從均勻分布時候，熵最大
最大熵模型的學習等價於約束最優化問題。
對偶函數的極大化等價於最大熵模型的極大似然估計。
模型學習的最優化演算法有：改進的迭代尺度法IIS，梯度下降法，牛頓法，或者擬牛頓法

支持向量機 二分類

線性可分支持向量機利用間隔最大化求最優分離超平面。
函數間隔

③ 常用統計分析方法有哪些

1、對比分析法

對比分析法指通過指標的對比來反映事物數量上的變化，屬於統計分析中常用的方法。常見的對比有橫向對比和縱向對比。

橫向對比指的是不同事物在固定時間上的對比，例如，不同等級的用戶在同一時間購買商品的價格對比，不同商品在同一時間的銷量、利潤率等的對比。

縱向對比指的是同一事物在時間維度上的變化，例如，環比、同比和定基比，也就是本月銷售額與上月銷售額的對比，本年度1月份銷售額與上一年度1月份銷售額的對比，本年度每月銷售額分別與上一年度平均銷售額的對比等。利用對比分析法可以對數據規模大小、水平高低、速度快慢等做出有效的判斷和評價。

2、分組分析法

分組分析法是指根據數據的性質、特徵，按照一定的指標，將數據總體劃分為不同的部分，分析其內部結構和相互關系，從而了解事物的發展規律。

根據指標的性質，分組分析法分為屬性指標分組和數量指標分組。所謂屬性指標代表的是事物的性質、特徵等，如姓名、性別、文化程度等，這些指標無法進行運算；而數據指標代表的數據能夠進行運算，如人的年齡、工資收入等。分組分析法一般都和對比分析法結合使用。

3、預測分析法

預測分析法主要基於當前的數據，對未來的數據變化趨勢進行判斷和預測。預測分析一般分為兩種：一種是基於時間序列的預測，例如，依據以往的銷售業績，預測未來3個月的銷售額；另一種是回歸類預測，即根據指標之間相互影響的因果關系進行預測，例如，根據用戶網頁瀏覽行為，預測用戶可能購買的商品。

4、漏斗分析法

漏斗分析法也叫流程分析法，它的主要目的是專注於某個事件在重要環節上的轉化率，在互聯網行業的應用較普遍。比如，對於信用卡申請的流程，用戶從瀏覽卡片信息，到填寫信用卡資料、提交申請、銀行審核與批卡。

最後用戶激活並使用信用卡，中間有很多重要的環節，每個環節的用戶量都是越來越少的，從而形成一個漏斗。使用漏斗分析法，能使業務方關注各個環節的轉化率，並加以監控和管理，當某個環節的轉換率發生異常時，可以有針對性地優化流程，採取適當的措施來提升業務指標。

5、AB測試分析法

AB 測試分析法其實是一種對比分析法，但它側重於對比A、B兩組結構相似的樣本，並基於樣本指標值來分析各自的差異。

例如，對於某個App的同一功能，設計了不同的樣式風格和頁面布局，將兩種風格的頁面隨機分配給使用者，最後根據用戶在該頁面的瀏覽轉化率來評估不同樣式的優劣，了解用戶的喜好，從而進一步優化產品。

除此之外，要想做好數據分析，讀者還需掌握一定的數學基礎，例如，基本統計量的概念（均值、方差、眾數、中位數等），分散性和變異性的度量指標（極差、四分位數、四分位距、百分位數等），數據分布（幾何分布、二項分布等），以及概率論基礎、統計抽樣、置信區間和假設檢驗等內容，通過相關指標和概念的應用，讓數據分析結果更具專業性。

④ 比較兩組患者治療前後某項指標的變化，用什麼統計學方法

配對樣本T檢驗。

當觀測值源自配對設計的配對樣本時，基於t分布的總體均值差異檢驗。

t檢驗，亦稱student t檢驗（Student's t test），主要用於樣本含量較小（例如n<30），總體標准差σ未知的正態分布。

t檢驗是用t分布理論來推論差異發生的概率，從而比較兩個平均數的差異是否顯著。它與f檢驗、卡方檢驗並列。t檢驗是戈斯特為了觀測釀酒質量而發明的，並於1908年在Biometrika上公布。

選用的檢驗方法必須符合其適用條件

注意：t檢驗的前提：來自正態分布總體；隨機樣本；均數比較時，要求兩樣本總體方差相等，即具有方差齊性。

理論上，即使樣本量很小時，也可以進行t檢驗。如樣本量為10，一些學者聲稱甚至更小的樣本也行，只要每組中變數呈正態分布，兩組方差不會明顯不同。如上所述，可以通過觀察數據的分布或進行正態性檢驗估計數據的正態假設。

方差齊性的假設可進行F檢驗，或進行更有效的Levene's檢驗。如果不滿足這些條件，可以採用校正的t檢驗，或者換用非參數檢驗代替t檢驗進行兩組間均值的比較。

⑤ 醫學統計常用方法

1. 多組率的比較用卡方檢驗（χ2檢驗，chi-square test)
直接用幾個率的數值比較，與直接用原始數據錄入比較，結果會有什麼不同？卡方值會受樣本量的影響，樣本越多，卡方值越大。
2.多組計量資料比較採用方差分析(F檢驗) ，不能用t檢驗。當方差分析結果為P<0.05時，只能說明k組總體均數之間不完全相同。若想進一步了解哪兩組的差別有統計學意義，需進行多個均數間的多重比較，即SNK-q檢驗 (多個均數兩兩之間的全面比較 )、LSD-t檢驗 (適用於一對或幾對在專業上有特殊意義的均數間差別的比較)和Dunnett檢驗 (適用於k-1個實驗組與一個對比組均數差別的多重比較 )。
3.非正態分布多組數據之間比較選用非參數檢驗、單樣本中位數檢驗（符號檢驗和 Wilcoxon 檢驗）、雙樣本中位數檢驗（Mann-Whitney 檢驗）、方差分析（Kruskal-Wallis、Mood 中位數和 Friedman 檢驗）
4.按血糖水平從低到高分成多組，進行多組之間死亡率的比較，由於死亡率同樣受年齡、性別、病史、血脂等因素的影響，所以需選取合適統計方法實現「調整年齡、性別等危險因素後，按血糖分組進行死亡率的比較（由血糖從低到高分成的4組）」。
①年齡是定量變數（是數值），調整年齡的方法可在Logistic回歸中運用，連續性變數年齡加入covariate中，當成協變數，就可以調整年齡，age-adjusted odds ratio就能得到了。
②性別性別是二分類變數，不是定量變數，不可在LOGISTIC回歸里比較。調整性別可在卡方檢驗中採取分層的方法比較。
如果為多分類LOGISTIC回歸，在選擇用multinomianl LOGISTIC回歸中，可選入年齡等進入covariate，觀察年齡的配比情況。可把性別選入factors(自變數)。這樣可以實現調整年齡、性別等危險因素。
5.回顧性研究(1)臨床妊娠率和女性年齡的關系+(2)男性影響臨床妊 娠的精子參數比較：
數據類型及變數的說明：y：計量
擬採用的分析方法：卡方檢驗
擬採用的分析軟體：spss
原始數據附件及格式：word表
能否用其他方法統計分析：可用卡方分割，調整檢驗水準（根據比較的次數N，校正後的檢驗水準為0.05/N）。
6.重復t檢驗：多個樣本均數間的兩兩比較(又稱多重比較)不宜用t檢驗，因為重復數次，t檢驗將增加第一類錯誤的概率，使檢驗效率降低。此時宜用方差分析，並在此基礎上用兩兩比較方法(如．SNK、LSD、Duncan法等)。
對於同一對均數間的差異，用t檢驗無顯著性，而兩兩比較可能有顯著性，可見錯誤選用統計方法將推出錯誤結論。

⑥ 5種常用的統計學方法是什麼

1、大量觀察法

(6)常用雙樣本統計學方法擴展閱讀：

（一）大量觀察法

這是統計活動過程中搜集數據資料階段（即統計調查階段）的基本方法：即要對所研究現象總體中的足夠多數的個體進行觀察和研究，以期認識具有規律性的總體數量特徵。大量觀察法的數理依據是大數定律，大數定律是指雖然每個個體受偶然因素的影響作用不同而在數量上幾存有差異。

但對總體而言可以相互抵消而呈現出穩定的規律性，因此只有對足夠多數的個體進行觀察，觀察值的綜合結果才會趨向穩定，建立在大量觀察法基礎上的數據資料才會給出一般的結論。統計學的各種調查方法都屬於大量觀察法。

（二）、統計分組法

由於所研究現象本身的復雜性、差異性及多層次性，需要我們對所研究現象進行分組或分類研究，以期在同質的基礎上探求不同組或類之間的差異性。統計分組在整個統計活動過程中都佔有重要地位，在統計調查階段可通過統計分組法來搜集不同類的資料，並可使抽樣調查的樣本代表性得以提高（即分層抽樣方式）；

在統計整理階段可以通過統計分組法使各種數據資料得到分門別類的加工處理和儲存，並為編制分布數列提供基礎；在統計分析階段則可以通過統計分組法來劃分現象類型、研究總體內在結構、比較不同類或組之間的差異（顯著性檢驗）和分析不同變數之間的相關關系。統計學中的統計分組法有傳統分組法、判別分析法和聚類分析法等。

（三）、綜合指標法

統計研究現象的數量方面的特徵是通過統計綜合指標來反映的。所謂綜合指標，是指用來從總體上反映所研究現象數量特徵和數量關系的范疇及其數值，常見的有總量指標、相對指標，平均指標和標志變異指標等。

綜合指標法在統計學、尤其是社會經濟統計學中佔有十分重要的地位，是描述統計學的核心內容。如何最真實客觀地記錄、描述和反映所研究現象的數量特徵和數量關系，是統計指標理論研究的一大課題。

⑦ 兩組樣本率的比較用什麼統計方法，萬分

假設檢驗(hypothesis test)亦稱顯著性檢驗(significant test)，是統計推斷的另一重要內容，

其目的是比較總體參數之間有無差別。假設檢驗的實質是判斷觀察到的「差別」是由抽樣誤差引起還是總體上的不同，

目的是評價兩種不同處理引起效應不同的證據有多強，這種證據的強度用概率P來度量和表示。

P值就是當原假設為真時所得到的樣本觀察結果或更極端結果出現的概率。

⑧ 統計學檢驗方法有哪些

統計學 各種應用條件、校正條件

應用檢驗方法必須符合其適用條件，不同設計的數據應選用不同檢驗方法。 一、第五章 參數估計 P74 總體均數的置信區間 1.正態近似法：
總體標准差σ已知，或σ未知但n>50時 2. t分布法
總體標准差σ未知，且n≤50時
二、第六章 計量資料兩組均數t檢驗P93、P99 （一）t 檢驗的應用條件
適用於計量資料（單樣本、兩配對樣本、兩獨立樣本），並要求： 1. 樣本來自正態分布的總體。W檢驗（n≤50時），H0：樣本來自正態總體，P>0.05時尚不能認為兩組資料的分布非正態；
2. 兩獨立樣本均數比較時，兩總體方差齊性。Levene檢驗，H0：方差相等。P>0.05時尚不能認為兩組資料方差不齊。
（二）方差不齊或非正態時，兩計量資料均數的比較方法 方法1. 僅方差不齊時，可採用近似t檢驗，即 t′檢驗。 方法2. 變數變換：對數變換、平方根變換、倒數變換等
方法3. 非參數檢驗：Wilcoxon符號秩檢驗（兩相關樣本P142）；Wilcoxon秩和檢驗、Mann-Whiney-U檢驗（兩獨立樣本 P145）等

三、第七章 計量資料多組均數的比較-方差分析 （一）方差分析流程 P109
1、多個樣本均數比較。若P<0.05，均數不全相等，則進行第2步；
2、作多重比較：LSD-t檢驗、Dunnett-t檢驗（多個實驗組與一個對照組比較）、SNK-q檢驗（多個均數間全面比較）
（二）方差分析的應用條件 P114
1、各樣本相互獨立，服從正態分布；W檢驗 2、各樣本方差齊性。Levene檢驗
四、分類資料（計數資料）的比較-

⑨ 常用統計分析方法

數據分析師針對不同業務問題可以製作各種具體的數據模型去分析問題，運用各種分析方法去探索數據，這里介紹最常用的三種分析方法，希望可以對您的工作有一定的的幫助

文中可視化圖表均使用DataFocus數據分析工具製作。

1.相關分析

相關分析顯示變數如何與另一個變數相關。例如，它顯示了計件工資是否會帶來更高的生產率。

2.回歸分析

回歸分析是對一個變數值與另一個變數值之間差異的定量預測。回歸模擬依賴變數和解釋變數之間的關系，這些變數通常繪制在散點圖上。您還可以使用回歸線來顯示這些關系是強還是弱。

另請注意，散點圖上的異常值非常重要。例如，外圍數據點可能代表公司最關鍵供應商或暢銷產品的輸入。但是，回歸線的性質通常會讓您忽略這些異常值。

3.假設檢驗

假設檢驗是基於某些假設並從樣本到人口的數理統計中的統計分析方法。主要是為了解決問題的需要，對整體研究提出一些假設。通常，比較兩個統計數據集，或者將通過采樣獲得的數據集與來自理想化模型的合成數據集進行比較。提出了兩個數據集之間統計關系的假設，並將其用作理想化零假設的替代方案。建議兩個數據集之間沒有關系。

在掌握了數據分析的基本圖形和分析方法之後，數據分析師認為有一點需要注意：「在沒有確認如何表達你想要解決的問題之前，不要開始進行數據分析。」簡而言之，如果您無法解釋您試圖用數據分析解決的業務問題，那麼沒有數據分析可以解決問題。