月亮 asked in 科學其他:科學 · 7 years ago

統計分析方式的問題

The multivariable adjusted hazard ratio of gastric cancer incidence for 10 cups of coffee per day compared with non drinkers was 0.53 (95% CI, 0.26–1.09) for men (p for trend = 0.18), 2.07 (95% CI, 0.53–8.15) for women (p for trend = 0.73) and 0.75 (95% CI, 0.40–1.41) for men and women combined (p for trend = 0.19).

以上我想要問的是0.53 (95% CI, 0.26–1.09) 是什麼意思(每個數字分別代表的意義)?

還有就是

General Linear Model

Cox proportional hazard model

SPSS

請問以上的統計分析方法的定義及如何分析

4 Answers

Rating
  • 7 years ago
    Best Answer

    The multivariable adjusted hazard ratio of gastric cancer incidence for 10 cups of coffee per day compared with non drinkers was

    胃癌發生率經多變數調整後, 每天10杯咖啡相對於不喝咖啡的

    危險比是:

    0.53 (95% CI, 0.26–1.09) for men (p for trend = 0.18),

    男性: 危險比點估計值 0.53, 在95%信賴度下, 危險比的信賴區間

    是 0.26-1.09. 趨勢的 p 值為 0.18.

    2.07 (95% CI, 0.53–8.15) for women (p for trend = 0.73)

    女性: 危險比點估計值 2.07, 在95%信賴度下, 危險比的信賴區間

    是 0.53-8.15. 趨勢的 p 值為 0.73.

    and 0.75 (95% CI, 0.40–1.41) for men and women combined (p for trend = 0.19)

    不分性別(兩性合併): 危險比點估計值 0.75, 在95%信賴度下,

    危險比的信賴區間是 0.40-1.41. 趨勢的 p 值為 0.19.

    hazard ratio 是兩群體的 hazard rate 之比, hazard ratio = 1 表示

    兩群體所面對的某疾病的危險是一樣的. 上列數據, 不論合併樣本

    或兩性分開分析, 其 hazard ratio 的 95% 信賴區間都跨越了 1 這

    個代表兩群體面對的危險無差別這個分界點, 表示並無足夠證據

    證實狂喝咖啡(每天10杯)者與不喝咖啡者罹患胃癌的危險有差異.

    如果 "trend" 的 p 值代表同一問題之推論的話, p 值都在 0.1 以上,

    也表示在一般常用的顯著水準(沒太大要求的話,習慣用0.05)之下,

    無法證實喝咖啡(每天10杯)與不喝咖啡對罹患胃癌有所影響.

    General linear model: 一般線性模型, 以式子表示, 為

    Y = Xβ+ε

    其中 Y 為 n×1 資料(反應變數值)向量, X 為 n×k 矩陣, 稱為模型矩

    陣或設計矩陣, β 是 k×1 向量, 稱為迴歸係數量, ε 是 n×1 誤差向量.

    這類模型包含 ANOVA, ANCOVA, 複迴歸等許多基礎統計課程中的

    統計模型. 其基本假設是 ε 具期望值 0 及共變異矩陣 σ^2 I. 這項假

    設可以被放寬如共變異矩陣 V = σ^2 Ω, 其中 Ω 是已知, 或更放寬

    為 V = σ^2 Ω + τ^2 Γ + ...

    Generalized linear model: 廣義線性模型. 雖然僅 "general" 與

    "generalized" 一字的字尾之差, 卻代表了另一類模型, 其模型為:

    Y = [Y_1,...,Y_n]',

    Y_1,...,Y_n 相互獨立,

    E[Y_i] = μ_i,

    g(μ_i) = (x_i)'β

    其中諸 x_i 與 β 都是 k×1 向量.

    這類模型有3個成分:

    (1) 隨機成分: 諸 Y_i 是哪一種分布. 在基本的 generalized linear

    model 假設諸 Y_i 的分布是同一種指數族分布, 如常態, 二項,

    卜瓦松, 負二項...; 更進階的方法允許非指數族, 而假設 Var(Y_i)

    與 μ_i 有一定的、已知的函數關係.

    (2) 系統成分: 即 (x_i)'β 部分, 或即解釋變數部分.

    (3) 連結函數: g, 把 μ_i 變成 β 之線性組合的函數. g 是嚴格遞增

    或嚴格遞減的函數, 如用於二元反應之 Y_i 的 logistic 變換:

    g(p_i) = ln[p_i/(1-p_i)].

    這類模型的基本模型包括 logistic regression model (或即 logit

    model), probit model, Poission regression model (或 log-linear

    model) 等等. 當然常用的 linear model 也算是此模型的一個特例.

    Cox proportional hazard model: 用於 life-time data 或 censored

    data 的一種模型. 這類資料的反應變數可以說是一個配對:

    (時間, 狀態). 簡單的 life-time data 是兩狀態的, 如: 生/死.

    而 hazard rate 用於描述在某一時間由 "生" 轉變為 "死" 的

    機率強度(非機率). PH model 如下:

    h(t;x) = λ(t)e^{x'β}

    其中 λ(t) 稱為 base-line hazard function,

    x 是解釋變數向量, β 是參數向量.

    2013-03-08 16:30:54 補充:

    Cox proportional hazard model: 把向量運算展開成代數式, 就是:

    h(t;x) = λ(t)e^{x_1*β_1+...+x_p*β_p}

    如前面文章中, 可能 x_1 等於 1 代表每天喝10杯咖啡, x_1=0

    代表不喝咖啡; 或者 x_1 直接代表每天喝幾杯咖啡.

    如果是後者, 那麼文章中 hazard ratio 就是 e^{10*β_1}, 而

    "p for trend" 代表的是對係數 β_1 的檢定.

    2013-03-08 16:38:25 補充:

    SPSS 不是一種統計方法, 也不是一個統計模型, 它是一套統計軟體.

    其全名是 Statistical Package for Social Science. 本來是為社會科學

    研究之統計分析而設計的, 但數十年來一直改版擴充, 已經不限於所

    謂 "社會科學" 範疇了, 舉凡統計相關的方法, 大概都包括在內. 當然,

    並不是 "買一套" 就萬事OK, 很多東西放在不同 "模組", 恐怕也很少

    單位能買全所有模組.

  • Anonymous
    6 years ago

    參考下面的網址看看

    http://phi008780520.pixnet.net/blog

  • 華瑤
    Lv 4
    6 years ago

    分享部份結婚會員信件,因不能打網址,低調給你,請打搜尋:

    我已結婚,這是我給李姐感謝信,她算婚友業清流,資料詳實公開在網站上

    夏天... 2006/9/8

    李姐~

    因為你現在的我很滿足!

    望著身邊的他...

    他的付出他的包容...一再的讓我感動!

    或許他沒有很多的錢!或許他不是那麼的帥!

    但是他對我的好比什麼都重要!

    謝謝你!因為你現在的我們都很幸福...

    也希望在這的各位也能和我們一樣!

    曾經我們彼此都尋尋覓覓了很久...

    但是在這我找到屬於我的他!

    在這幸福的同時我想最要感謝的是你!李姐!

    你教會了我很多...

    再多感謝的話語都不足我對你的感激...

    再次的對你說謝謝!

    有你真好!

  • Anonymous
    6 years ago

    女朋友放不開就買.春藥讓她發浪!

    性冷感嗎?讓妳馬上變蕩婦!!!

    你還在等什麼?快來本站

    http://9oo.jp/efiDOX

Still have questions? Get your answers by asking now.