问卷信度分析:Cronbach α 的用法与常见误区

一份 10 个条目的糖尿病自我管理行为量表,答案用 5 级评分(1=从不,5=总是),在某社区 2 型糖尿病患者中回收有效问卷 132 份。算下来 Cronbach α=0.858。这个数字报出去,审稿人会不会追问?通常会。

因为 α 只是信度分析的一个输出。它回答的是"这组条目测得一致不一致",但不回答是哪几个条目在拖后腿、删掉一个会不会更好、这个分数用来随访个体变化够不够精确。这些问题,靠一个 α 是看不出来的。

协方差分析:基线不齐时如何比较两组疗效

某研究回顾性纳入 40 例 2 型糖尿病患者,比较两种口服降糖方案治疗 12 周后的血糖控制情况。方案 A 为二甲双胍联合 DPP-4 抑制剂,方案 B 为二甲双胍联合磺脲类,两组各 20 例,疗效指标是糖化血红蛋白(HbA1c,%)。

治疗 12 周后,A 组 HbA1c 为 6.65±0.69%,B 组为 6.67±0.70%,两组相差 0.02%,独立样本 t 检验 t=−0.09,P=0.93。照这个结果写结论,两种方案降糖效果相当。

这个结论是错的。问题出在起点。

Meta分析.医学统计实例详解

针对同一临床问题,不同研究常得到方向一致但大小不一的结论,单个研究的样本量有限,结果波动较大。Meta分析把多项符合条件的研究结果按一定规则合并,得到一个合并效应量及其95%置信区间,从而提高估计的精确度和结论的稳健性。它属于系统评价中的定量合并环节,前提是先完成系统的文献检索、严格的纳入排除和质量评价。

Meta分析不是把数字简单平均,而是按每项研究提供信息的多少赋予权重:样本量大、标准误小的研究权重大,样本量小的研究权重小。

ROC曲线与AUC.医学统计实例详解

在临床研究中,经常需要评价一项诊断试验(如某个血清标志物、影像征象或量表评分)区分"有病"与"无病"的能力。判断准确性不能只看某一个截断值下的灵敏度或特异度:截断值定得低,灵敏度升高但特异度下降;定得高则相反。两者此消彼长,任何单一截断值都只反映诊断试验在某一点上的表现。ROC曲线(受试者工作特征曲线,Receiver Operating Characteristic curve)把各种可能截断值下的表现连成一条曲线,从整体上描述诊断试验的判别能力;曲线下面积(AUC)则用一个数值概括这一能力。

ROC分析适用于结局为二分类的诊断试验资料,要求每个研究对象都有明确的金标准诊断结果,以及一个连续型或等级型的检验指标。

Kappa系数与ICC组内相关系数.医学统计实例详解

在医学研究中,常需要评价不同观察者或不同测量方法之间的一致性,也就是结果是否可重复、可信。对于分类或等级资料,常用Kappa系数;对于连续变量,常用组内相关系数(ICC)。两者都衡量一致性,但适用资料类型与解释方式不同,不能混用。

一致性研究常见于诊断试验、量表评定和仪器测量等场景,是评估测量质量的重要环节。

二元Logistic回归分析.医学统计实例详解

二元Logistic回归是一种用于分析二分类结局变量(如患病与未患病、有效与无效、存活与死亡)与一个或多个自变量之间关系的回归方法。当结局只有两种可能结果时,普通线性回归不再适用:它可能预测出概率范围以外的数值,残差也不再满足方差齐性与正态性。Logistic回归对结局发生的概率作logit变换,把取值在0到1之间的概率映射到整个实数轴,从而建立自变量与结局概率之间的线性关系。

它的核心用途有两个:一是筛选与结局相关的危险因素或保护因素,二是估计各自变量对结局发生优势的效应大小。队列研究、病例对照研究和横断面研究都可以使用,特别适合结局为二分类的资料。

聚类分析与判别分析.医学统计实例详解

聚类分析与判别分析都属于分类问题的统计方法,但两者的出发点不同。聚类分析在没有先验类别信息的情况下,把相似的研究对象或变量归到同一类,属于无监督学习;判别分析则是在已知类别的前提下,建立判别规则,用于判断新对象属于哪一类,属于有监督学习。在医学研究中,聚类分析常用于探索疾病亚型或简化指标,判别分析常用于辅助诊断与预后分类。

生存分析.Kaplan-Meier法与Cox回归医学统计实例详解

生存分析是研究从某一时间起点到关注事件发生所经历时间的一类统计方法,广泛用于肿瘤随访、器官移植、慢性病预后等研究。与普通方法相比,它有两个特点:一是结局不仅包含事件是否发生,还包含事件发生的时间;二是随访过程中常出现删失数据。

把事件时间纳入分析,可以提高信息利用效率,也能正确处理随访时间长短不一的情况。

重复测量方差分析.医学统计实例详解

重复测量方差分析(Repeated Measures ANOVA)用于分析同一批受试对象在不同时间点或不同条件下重复测量所得到的资料。它是医学研究中很常见的一类设计:例如对同一位患者,在治疗前、治疗中、治疗后多次测量血压或某项血液指标,每个对象会被测量多次。这类数据的各个观测值之间并不独立,同一个体的多次测量往往相互关联,因此不能简单地按完全随机设计处理。

主成分分析与因子分析.医学统计实例详解

主成分分析与因子分析都是处理多个相关变量的多元统计方法,常用于降维和探索变量之间的内在结构。当一项研究同时测量了许多彼此相关的指标时,这些指标往往存在信息重叠,直接拿它们建模或比较会带来麻烦。主成分分析和因子分析可以把大量相关的原始变量浓缩为少数几个综合指标,从而简化数据结构,便于后续分析。