登录| 注册

丁香客

选择模板

更多 最新动态

  • 医小咖
    医小咖  发布了新帖 两组均数的95%CI重叠,t检验的P值一定大于0.05吗? 6天前

    (来源“医咖会”微信公众号)作者:张耀文经常有小朋友问我:区间估计的95%可信区间(95%CI)和假设检验的P值是等价的吗?更具体的问法是:两组均数的95%CI重叠,t检验的P值一定大于0.05吗? 答案是:不一定。如果两组均数的95%CI不重叠,t检验的P值一定小于0.05;但如果两组均数的95%CI重叠,t检验的P值可能大于0.05,也可能小于0.05。这是为什么呢?由于t检验需要考虑方差齐性的问题,计算公式比较复杂,且当n足够大时,t分布趋近标准正态分布。我们这里以符合标准正态分布的Z检验来解释上述问题(如果使用t检验的公式,会比较复杂,但结果类似)。1、Z检验的95%可信区间我们假设两个样本,N1=64,N2=81,其它参数如下表。可以看到样本1的均数的95%CI为(62.4,97.

  • 医小咖
    医小咖  发布了新帖 计算率或率差的95%可信区间:公式和SPSS教程都有! 21天前

    (来源“医咖会”公众号) 临床研究中,经常要计算某个样本的率(proportion),以及根据样本的率估算总体率的95%可信区间(Confidence Interval,CI)。样本率的计算很容易,那如何计算估算总体率的95%CI呢? 对于此类二项分布的数据,如果“数据量足够大”,一般可以使用正态近似法估算总体率的可信区间。   那如何才是“数据量足够大”呢?这个没有统一的标准。有学者推荐若以相对误差控制在10%左右为实际可接受标准,则使用正态近似法估计总体率95%可信区间的近似条件为 :  1)当 n×p=5时,样本率应在40%-60%之间; 2)当 n×p=10时,样本率应在20%-80%之间; 3)当 n×p=15时,样本率应在1%-99%之间。由于1%-99%几乎包括了二项

  • 医小咖
    医小咖  发布了新帖 单因素分析和多因素分析的结果不一致,怎么办? 35天前

    (来源“医咖会”微信公众号) 我们在做统计分析时,很多人都习惯这样的分析套路:先进行统计描述,然后做单因素分析,最后再进行多因素分析。在阅读文献时,我们也会发现,不管是一般的统计描述还是单因素分析,往往能够支持研究人员作出结论的,还是要看最终的多因素分析结果。 在前期推送的内容中我们也讲过,多因素分析的目的是通过控制其它多个混杂因素的影响,找出具有独立作用的影响因素,并估计其效应大小。 既然这样的话,做单因素分析还有什么用呢,直接做多因素分析不就好啦? 多因素分析的地位固然重要,但是单因素分析也必不可少,单因素分析可以为多因素分析提供很多有效的信息,将单因素和多因素分析的结果进行比较,也能发现很多问题。如果单因素和多因素分析的结果一致的话,结论就比较稳定且容易解释,但是我们常常会遇到

  • 医小咖
    医小咖  发布了新帖 SPSS详细教程:含时间依存协变量Cox回归模型(时依系数法) 61天前

    (来源“医咖会”微信公众号) Cox回归模型有效地解决了对生存资料进行多因素分析的问题,但是应用Cox回归模型有一个非常重要的前提条件,即比例风险(Proportional hazards)假定,简称PH假定,其基本假设为:协变量对生存率的影响不随时间的改变而改变。只有当PH假定得到满足时,Cox回归模型的结果才有意义。 在前期的内容中,对于分类变量和连续变量,小咖分别向大家讲解了如何利用SPSS软件来检验PH假定(详细戳链接:《SPSS详细教程:Cox回归中,分类变量的PH假定检验》、《SPSS详细教程:Cox回归中,连续变量的PH假定检验》)。 那么大家可能比较关心,如果协变量不满足PH假定时,应该怎么处理呢?本期内容小咖将为大家介绍一种拓展的Cox回归模型方法--含时间依存协变量

  • 医小咖
    医小咖  发布了新帖 解读真实世界证据时,我们要注意什么? 92天前

    (来源“医咖会”微信公众号) 真实世界数据(Real-world data, RWD)是传统临床试验之外收集的数据,可包括电子病例、患者注册登记数据、医保数据等。真实世界证据(Real-world evidence, RWE)则是基于这些数据的分析与总结。 近年来,发布的RWE报告显著增加,在PubMed中对术语“真实世界数据”、“真实世界证据”和“注册登记”的检索显示,2002年至2016年间引用量增加了600%(从每年2,435次引用到每年14,956次引用)。   以肿瘤领域为例,历年来,RWD常被用于回答与癌症发病率和死亡率趋势、诊疗质量及可及性、罕见癌症的结局、以及一般人群中罕见病与毒性的发生率等。人们越来越关注利用真实世界数据来研究治疗的有效性(即疗效比较研究,co

  • 医小咖
    医小咖  : 我在丁当抽奖抽中了2丁当,获得2.0个丁当。你也来试试手气吧:http://dxy.me/re6vUj
  • 医小咖
    医小咖  : 我在丁当抽奖抽中了2丁当,获得2.0个丁当。你也来试试手气吧:http://dxy.me/re6vUj
  • 医小咖
    医小咖  发布了新帖 数据不满足正态分布,到底能不能用t检验? 110天前

    (来源:“医咖会”微信公众号)T检验是我们医学科研工作中使用频率非常高的一种进行均值比较的统计方法。但是对于T检验的适用条件却似乎存在着争议。有人说,应用T检验的前提是数据来自于正态分布的总体,因此在进行T检验前均需进行正态性检验,也有人说,在样本量比较大时,可不必在意数据是否来源于正态分布总体,因为中心极限定理告诉我们样本均数在样本量较大时可以近似为正态分布。那么到底哪种说法正确呢?样本量较大时是否还要求数据服从正态分布呢?其实这个问题在统计学专业的教材中有非常明确的数学证明,数据不满足正态分布时,也是可以使用T检验的,但不完全是因为中心极限定理。(本文附录将介绍统计学教材中对该问题的数学证明,建议先看文末的附录再看结论)1. 原始数据为非正态数据时使用T检验的条件从文末附录的证明过程我们

  • 医小咖
    医小咖  发布了新帖 诊断试验准确性的Meta分析怎么做?(Meta-disc软件) 126天前

    (来源:“医咖会”微信公众号)1、问题与数据Theron G 等人拟评价MTBDRsl version 1.0方法检测耐药TB患者(利福平耐药TB或MDR-TB)对氟喹诺酮类药物耐药性的准确性[1]。耐药的金标准为基于液态培养皿或固态培养皿的培养药敏测试(culture-based DST)。研究者通过检索数据库,对最终纳入的文献,提取的如下信息:作者、发表年代、真阳性值(TP)、假阳性值(FP)、假阴性值(FN)、真阴性值(TN)。最终纳入9篇研究,各研究的四格表数据如下。试问:在本研究关心的耐药TB患者,进行氟喹诺酮类的耐药性测试时,试验方法MTBDRsl version 1.0的准确性如何?2、对数据结构的分析该Meta分析纳入了9个诊断试验,每个诊断试验均给出了真阳性值、假阳性值、假

  • 医小咖
    医小咖  发布了新帖 SPSS详细教程:轻松实现随机分组 141天前

    (来源:“医咖会”微信公众号)我们常常把随机分组挂在嘴边,好像只要一提到随机化,整个研究就能提升一个level。但是在实际的研究过程中,很多研究者并不知道怎么才能正确的实现随机分组。所以,小咖决定手把手来教大家如何通过SPSS,轻松实现随机分组。 随机分组随机分组,就是将参加研究的受试对象,按照随机化的原则,分配到不同处理组的过程。随机分组可以保证每一个受试者均有相同的机会被分配到试验组或对照组,使得一些可能影响试验结果的临床特征和干扰因素在组间分配均衡,具有较好的可比性。结果不受非处理因素的干扰和影响,从而有效避免了各种人为的客观因素和/或主观因素对研究结果产生的偏倚,使结果更加真实可靠。随机分组的基本思路尽管随机分组看上去非常简单,但是在临床试验的具体操作过程中,往往会被误解和

  • 医小咖
    医小咖  发布了新帖 样本量计算:生存分析 154天前

    (来源:“医咖会”微信公众号)一、临床研究问题生存分析研究在临床上非常常见,例如肿瘤科大夫想要评价两种治疗措施对于患者生存期的影响,或者肿瘤复发的影响,一般要用到生存分析。一般肿瘤治疗药物的临床研究,都会采用Logrank检验比较主要结局。本文将介绍如何利用PASS软件计算生存分析Logrank检验的样本量。本文适用于无期中分析的试验设计类型。对于有期中分析的试验,样本量计算涉及到α消耗函数等调整假阳性率的方法,需要其他模块完成。二、样本量计算所需参数在介绍样本量计算之前,首先介绍几个参数的概念。1. 中位生存时间mOS:即50%的患者死亡时所对应的时间。如果将所有患者生存时间按从小到大排序,中位生存时间即顺序处于中间的患者的生存时间。2. 入组时间:入组患者很难瞬间完成

  • 医小咖
    医小咖  发布了新帖 文献中常看到的P for trend,该怎么操作实现? 180天前

    (来源:“医咖会”微信公众号)我们在阅读文献时,常常会看到文章结果展示的表格中,给出了P for trend的检验结果,如下表所示。在本例中不难理解,研究人员将每一个自变量按照一定的切点分为3组,并以水平最低的一组作为参照,设置了2个哑变量带入到模型中,分别求出其对应的OR值及P值。同时在表格中每一个变量分组下又列出了一行P for trend的结果,那么问题来了,这个P for trend代表的是什么意义呢,它有什么作用呢?我们在实际的分析中怎样才能求得P for trend的结果呢?今天我们将结合几篇发表的文献,来向大家介绍一下回归模型中趋势性检验的魅力。研究实例一JAMA Oncology期刊(影响因子:16.56)2017年10月在线发表了一篇文章《Dose-Response Ass

  • 医小咖
    医小咖  的帖子被加了1分 181天前

    举例说明近10种常见类型的Meta分析

    来源:“医咖会”微信公众号系统综述可以分为定性和定量两种分析方法:用统计学方法对资料的定量综合即Meta分析(Meta analysis);有些资料不适合Meta分析时,可以进行定性综合。Meta分析有很多种类型,常见的几种如下:1、常规Meta分析这种Meta分析以合并随机对照...
  • 医小咖
    医小咖  发布了新帖 大量混杂因素要调整?这4种倾向性分析方法你值得了解! 198天前

    来源:“医咖会”微信公众号在前两期的内容中,我们分别介绍了两种在观察性研究中最常用的控制混杂因素的方法,即分层分析法和多因素调整分析法,这两种方法操作起来较为简单也易于理解,但是他们都有一个共同的局限性,也就是同时调整的混杂因素的数量不能太多,且受到结局事件例数的限制。如果有大量的混杂因素需要同时进行调整的话,此时该怎么办呢?今天我们就来继续为大家介绍一种高大上的控制混杂因素的常用方法——倾向性分析(Propensity Analysis)。倾向性评分在介绍倾向性分析方法之前,我们先介绍一个非常重要的概念:倾向性评分。顾名思义,倾向性评分是指在一定协变量条件下,一个观察对象接受某种暴露/处理因素的可能性,它是一个从0到1的范围内连续分布的概率值。其基本原理是将多个混杂因素的影响用一个综合的倾

  • 医小咖
    医小咖  发布了新帖 观察性研究控制混杂因素全解析 211天前

    来源:“医咖会”微信公众号在随机对照试验(RCT)中,随机化保证了研究对象的各项基线特征(例如年龄、性别、疾病严重程度、伴随疾病等能够影响疾病预后的因素)在试验组和对照组之间的均衡性。然而,RCT研究并非总是可行。第一,对于需要很长时间的干预和随访来观察长期效应的研究,或者需要大量样本来观察罕见严重不良事件的研究,RCT并不是最理想的,因为它十分昂贵且需要耗费大量资源,实施起来也非常困难;第二,当研究的干预措施具有一定风险时,随机分组则可能无法满足伦理要求,不能将患者随机分配到具有一定风险的干预组中。针对这些情况,观察性研究可以提供更好的证据来源。实际上,越来越多设计规范的观察性研究被广泛应用到疗效比较中,甚至有学者认为观察性研究能够解决RCT在人群普遍适用性上的缺陷,从而提供最接近真实世界

  • 医小咖
    医小咖  发布了新帖 说到控制混杂因素,怎么能不提多因素分析! 211天前

    来源:“医咖会”微信公众号写在前面的话:时不时有小伙伴会咨询多重线性回归、logistic回归和Cox回归的区别,本文虽不是专门讲三者区别的文章,但是文中有个表也许会对你有所帮助哦。上一期的内容里,我们介绍了在观察性研究中,当预后因素在暴露组和对照组间分布不均衡时,最简单的处理办法就是对研究资料按照混杂因素来进行分层分析,从而达到控制混杂因素的目的。然而,分层分析仅仅适用于混杂因素较少,且多为分类变量的情况。当我们的研究中存在较多的混杂因素,且混杂因素较为复杂(例如混杂因素为多分类变量或连续变量)时,应该如何对混杂因素进行控制和调整呢?今天我们就来一起讨论下,大家平时最常用到的多因素调整分析法。多因素调整分析多因素分析是相对于单因素分析而言,单因素分析仅关注一个因素在组间的差异或对结局事件的

  • 医小咖
    医小咖  回复了帖子 观察性研究控制混杂因素全解析 211天前
    说到控制混杂因素,怎么能不提多因素分析!来源:“医咖会”微信公众号写在前面的话:时不时有小伙伴会咨询多重线性回归、logistic回归和Cox回归的区别,本文虽不是专门讲三者区别的文章,但是文中有个表也许会对你有所帮助哦。上一期的内容里,我们介绍了在观察性研究中,当预后因素在暴露组和对照组间分布不均衡时,最简单的处理办法就是对研究资料按照混杂因素来进行分层分析,从而达到控制混杂因素的目的。然而,分层分析仅仅适用于混杂因素较少,且多为分类变量的情况。当我们的研究中存在较多的混杂因素,且混杂因素较为复杂(例如混杂因素为多分类变量或连续变量)时,应该如何对混杂因素进行控制和调整呢?今天我们就来一起讨论下,大家平时最常用到的多因素调整分析法。多因素调整分析多因素分析是相对于单因素分析而言,单因素分析
  • 医小咖
    医小咖  发布了新帖 说到控制混杂因素,怎么能不提多因素分析! 211天前

    来源:“医咖会”微信公众号写在前面的话:时不时有小伙伴会咨询多重线性回归、logistic回归和Cox回归的区别,本文虽不是专门讲三者区别的文章,但是文中有个表也许会对你有所帮助哦。上一期的内容里,我们介绍了在观察性研究中,当预后因素在暴露组和对照组间分布不均衡时,最简单的处理办法就是对研究资料按照混杂因素来进行分层分析,从而达到控制混杂因素的目的。然而,分层分析仅仅适用于混杂因素较少,且多为分类变量的情况。当我们的研究中存在较多的混杂因素,且混杂因素较为复杂(例如混杂因素为多分类变量或连续变量)时,应该如何对混杂因素进行控制和调整呢?今天我们就来一起讨论下,大家平时最常用到的多因素调整分析法。多因素调整分析多因素分析是相对于单因素分析而言,单因素分析仅关注一个因素在组间的差异或对结局事件的

  • 医小咖
    医小咖  发布了新帖 观察性研究控制混杂因素第一弹:分层分析 211天前

    来源:“医咖会”微信公众号在随机对照试验(RCT)中,随机化保证了研究对象的各项基线特征(例如年龄、性别、疾病严重程度、伴随疾病等能够影响疾病预后的因素)在试验组和对照组之间的均衡性。然而,RCT研究并非总是可行。第一,对于需要很长时间的干预和随访来观察长期效应的研究,或者需要大量样本来观察罕见严重不良事件的研究,RCT并不是最理想的,因为它十分昂贵且需要耗费大量资源,实施起来也非常困难;第二,当研究的干预措施具有一定风险时,随机分组则可能无法满足伦理要求,不能将患者随机分配到具有一定风险的干预组中。针对这些情况,观察性研究可以提供更好的证据来源。实际上,越来越多设计规范的观察性研究被广泛应用到疗效比较中,甚至有学者认为观察性研究能够解决RCT在人群普遍适用性上的缺陷,从而提供最接近真实世界

  • 医小咖
    医小咖  回复了帖子 绘制回归分析结果的森林图,R和Stata软件学起来! 214天前
    2、绘制森林图2.1 数据录入:点击Data → Data Editor → Data Editor(Edit)2.2 点击User → Meta-Analysis → Of Binary and Continuous(metan),按照下图所示进行设置,点击OK完成操作。2.3 Stata绘制的森林图如下图所示。在Graph界面点击Start Graph Editor,也可以对图形细节进行进一步调整,这里不再详述,留给大家自行尝试。以上是通过Stata的窗口界面进行设置来绘制森林图,图形输出的同时,在命令框也会显示对应的命令,熟练的同学也可以直接输入命令简单快速的完成森林图的绘制。metan hr lowerci upperci, label(namevar=

关于我们|联系我们|版权声明|资格证书|丁香志|加盟丁香园|友情链接 丁香园旗下网站: 丁香园|丁香通| 人才|会议|药学|博客