医学研究中常见的统计学错误(季聪华).pptVIP

医学研究中常见的统计学错误(季聪华)目录contents引言第一类错误：假设检验中的误判第二类错误：假设检验中的漏判样本量不足导致的偏误数据处理不当引发偏误结论与展望01引言阐述医学研究中常见的统计学错误提高医学研究人员对统计学错误的认识和防范意识促进医学研究的科学性和准确性目的和背景第一类错误第二类错误第三类错误第四类错误常见统计学错误概述假阳性错误，即错误地拒绝零假设，认为差异显著数据dredging或p-hacking，即通过多次尝试不同的统计方法或模型，直到获得显著的结果为止假阴性错误，即错误地接受零假设，未能发现实际存在的差异样本选择偏误，即由于非随机抽样或样本量不足等原因导致的结论偏误02第一类错误：假设检验中的误判01假设检验是统计学中用于推断总体参数的一种方法。在医学研究中，通常用于比较两组或多组数据是否存在统计学差异。02假设检验的基本思想是先对总体参数提出一个假设（原假设），然后利用样本信息来判断这个假设是否合理。如果样本信息与原假设存在显著矛盾，则拒绝原假设，认为总体参数与假设值不同。03假设检验的结果通常用P值来表示，P值越小，拒绝原假设的依据越强。假设检验基本原理第一类错误（TypeIError）是指在假设检验中，原假设为真时错误地拒绝了原假设的情况。即实际上两组数据没有差异，但由于抽样误差等原因，得出了两组数据有差异的结论。实例：在一项比较新药和旧药治疗效果的医学研究中，如果新药和旧药实际上没有差异，但由于抽样误差等原因，得出了新药比旧药更有效的结论，这就属于第一类错误。第一类错误定义及实例控制第一类错误的方法主要是通过合理设置显著性水平α来实现。显著性水平α表示在原假设为真时，拒绝原假设的概率。通常取0.05或0.01等较小的值。在进行假设检验时，如果P值小于显著性水平α，则拒绝原假设；否则接受原假设。通过控制显著性水平α的大小，可以控制第一类错误的概率。此外，还可以通过增加样本量、改进实验设计等方法来减小第一类错误的概率。控制第一类错误方法03第二类错误：假设检验中的漏判定义第二类错误（TypeIIError）是指在进行假设检验时，原假设（H0）实际上是不正确的，但由于数据的不充分或检验方法的不当，导致未能拒绝原假设的错误。实例在医学研究中，例如一项针对新药疗效的试验，如果新药实际上有效，但由于样本量不足或检验方法不够灵敏，导致未能检测出药物的疗效，从而错误地接受了原假设（即药物无效），这就构成了第二类错误。第二类错误定义及实例控制第二类错误方法增加样本量通过增加样本量可以提高检验的灵敏度，从而更容易检测出实际存在的效应。选择合适的检验方法针对研究目的和数据类型选择合适的检验方法，可以提高检验的准确性。设定合理的显著性水平显著性水平（α）的设定会影响第一类错误和第二类错误的概率，需要根据研究背景和实际需求进行权衡。第一类错误（TypeIError）和第二类错误是相互制约的，当显著性水平（α）降低时，第一类错误的概率减小，但第二类错误的概率会增加；反之亦然。相互制约在实际研究中，需要根据研究目的、样本量、效应大小等因素综合考虑第一类错误和第二类错误的权衡问题。通常可以通过调整显著性水平、增加样本量或改进检验方法等方式来优化假设检验的结果。权衡考虑第一类与第二类错误关系04样本量不足导致的偏误样本量越大，参数估计的精度越高，置信区间越窄。估计精度检验效能偏误风险样本量越大，检验的效能越高，越能发现真实存在的差异。样本量不足可能导致偏误风险增加，使得研究结论偏离真实情况。030201样本量对统计推断影响当样本量不足时，即使原假设为真，也可能因为随机误差而拒绝原假设，导致Ⅰ类错误（假阳性）的概率增加。Ⅰ类错误当样本量不足时，即使备择假设为真，也可能因为随机误差而无法拒绝原假设，导致Ⅱ类错误（假阴性）的概率增加。Ⅱ类错误样本量不足可能导致参数估计的偏误，使得估计值偏离真实值。估计偏误样本量不足时可能产生偏误根据以往研究或经验，确定一个大致的样本量范围。基于经验法则基于理论计算基于模拟研究基于专家建议利用统计学理论和方法，如功效分析、置信区间估计等，计算所需的样本量。通过模拟研究，评估不同样本量下统计推断的准确性和稳定性，从而确定合适的样本量。咨询统计学专家或相关领域的专家，获取关于确定合适样本量的建议。确定合适样本量方法05数据处理不当引发偏误03提升模型性能对于机器学习模型等数据分析工具，高质量的数据输入有助于提升模型的训练效果和预测准确性。01提高数据质量通过数据清洗和预处理，可以消除数据