Учебная работа. Возможности анализа данных медико-биологических экспериментов в программе Statistica

Но при использовании ППО STATISTICA, как и при работе с хоть какими иными пакетами статистических программ, принятие решений остается за исследователем. программка высвобождает исследователя от рутинной вычислительной работы, но интерпретация приобретенных результатов зависит от его опыта и познаний.

Применение статистики в мед и био исследовательских работах не ограничивается анализом результатов. Статистические способы следует употреблять также на шаге планирования био опыта либо мед исследования. Следует выделить, что исходя из убеждений медицинской эпидемиологии для получения надежных, научно обоснованных результатов нужны 2 компонента:

· правильное планирование структуры исследования (обеспечивающей возможность получения ответов на поставленные вопросцы)

· грамотный статистический анализ [6].

Статистика в медико-биологическом исследовании

statistica статистика мед био

Всякое исследование обязано удовлетворить последующим требованиям:

1. целеустремленность (конкретность задач). При анализе приобретенных данных могут быть выявлены и доп результаты, не запланированные в исследовании (вторичные данные), но обычно они представляют наименьшую Ценность, чем главные (надлежащие поставленной цели) результаты проводимого опыта.

2. эффективность, т. е. приобретенные выводы должны быть достоверны. Достоверность медико-биологических тестов обычно оценивается 5% уровнем значимости, и приобретенные значения, возможность ошибки 1 рода для которых наименее 5 %, автоматом выделяются в STATISTICA красноватым цветом шрифта. Но, величина р может составлять 0,049; такое различие статистически значимо, но так близко к пороговой величине (0,05), что фактически не различается от, например, 0,051, т. е. статистически незначимого уровня. наличие схожей условной черты (0,05) представляет собой одну из заморочек при использовании величины р.

3. экономность (малая издержка сил и средств, риску подвержено малое количество участников (как людей, так и звериных)). Экономность быть может достигнута подбором малой численности групп, достаточной для получения достоверных результатов [5, 6, 8, 10].

4. Приобретенная последовательность случайных чисел может употребляться различными методами:

5. — четные числа могут соответствовать одной группе, а нечетные — иной (в случае 2-ух групп);

—при числах в спектре от 0 до 99, числа наименьшие 50, могут соответствовать одной группе, а огромные либо равные 50 — иной (в случае 2-ух групп);

В итоге обычной рандомизации группы могут существенно различаться по числу участников, при этом различие оказывается очень значимым, если подборки невелики по размеру. В связи с сиим ординарную рандомизацию рекомендуется употреблять только в масштабных КИ [7].

Формулирование целей

v

Планирование

v

Выполнение (сбор данных)

v

Подготовка данных

v

анализ данных

v

Интерпретация результатов

v

Формулировка выводов

v

Публикация

Рис. 1—Этапы научного исследования [7].

ППО STATISTICA не имеет модуля для расчета размера выборок.

При подготовке результатов к анализу ввод может осуществляться как в файлы данных ППО STATISTICA (имеют формат *.stа), так и в таблицы пакета МS Ехсеl с следующим импортом в STATISTICA [7]. Данные следует располагать в строчках и столбцах электрической таблицы. В строчках размещаются наблюдения (объекты исследования), в столбцах — переменные (признаки). Высококачественные данные могут быть представлены текстовыми значениями, которые автоматом кодируются числовыми значениями, но такое анализ данных, является анализ типов данных. Это нужно созодать для определения метода представления и статистического способа обработки данных. Не рекомендовано проведение таковых подготовительных расчетов как:

1. Подготовительная разбивка области значении непрерывного количественного признака на интервалы. При всем этом во-1-х происходит утрата инфы, а во-вторых— способности статистического пакета разрешают автоматом выполнить разбивку областей значений количественных признаков на интервалы.

2. Вычисление разных расчетных индексов (коэффициентов, отношений и т.п.). Эти вычисления с большей точностью также могут быть проведены в STATISTICA.

Ошибки ввода (набора) можно выявить последующим способом—дважды щелкнув по имени столбца в открывшемся диалоговом окне избрать Values/Stats. Ошибки (выпадающие

Рис.2—Типы данных [7].

STATISTICA дозволяет работать со всеми типами данных. В большинстве модулей анализа ППО ограничивает тип вводимых данных в согласовании с применимостью того либо другого способа. Так, при работе в модуле логистической регрессии могут быть применены лишь бинарные данные (кодируются 0 и 1). Статистическую обработку данных комфортно разбить на последующие четыре шага.

1. Исходная обработка, т.е. анализ данных, направленный на выяснение общей формы данных и предложение путей наиболее серьезного анализа. Нередко таковой подготовительный анализ удачно проводится ординарными графическими способами либо методом табличного представления данных.

3. Итоговый анализ (статистическая обработка), цель которого — отдать базу для выводов.

4. области исследования [6].

Хоть какой статистический анализ начинается с определения главных характеристик описательной статистики, таковых как мода, медиана, значения перцентилей и т. д. вычисление характеристик описательной статистики осуществляется в модуле Basic Statistics/Tables (Главные статистики и таблицы).

В модуле Basic Statistics/Tables в разделе Summary.Descriptive на вкладке Advaced дозволяет вычислить последующие характеристики описательной статистики:

· Valid N — общее число вариантов в выборке;

· Mean — среднее арифметическое;

· Sum — сумма всех значений вари; Median — медиана;

· Standard Deviation — среднее квадратическое отклонение подборки;

· Variance — дисперсия подборки;

· Standard error of mean — ошибка среднего арифметического;

· 95% confidence limits of mean — 95% доверительный интервал для среднего;

· Minimum & maximum — минимум и максимум;

· Lower & upper quartiles — границы 1 и 3 квартилей;

· Range — размах подборки (определяется как разность меж наибольшим и наименьшим значениями вариантов);

· Quartile range — спектр квартилей;

· Skewness — коэффициент асимметрии

· Kurtosis — коэффициент эксцесса

· Standard error of skewness — обычная ошибка асимметрии

· Standard error of kurtosis — обычная ошибка эксцесса [7].

Выбор способа анализа в согласовании с типом распределения данных

Существует огромное количество способов статистического анализа данных. В любом определенном случае можно избрать несколько вероятных вариантов анализа. Но при несоблюдении критериев использования того либо другого способа приобретенный итог может оказаться неточным.

Более соответствующими являются ошибки:

· внедрение параметрических способов (основанных на предположении о обычном распределении данных) для анализа данных, не подчиняющихся нормальному распределению (1);

· внедрение способов, созданных для независящих выборок, при анализе парных данных (2) [10, 11].

STATISTICA дозволяет проверить описываются ли распределение признаков обычным законом распределения (з. Гаусса). В тех вариантах, если данные распределяются по какому-либо иному закону, недозволено проводить сопоставление по довольно пользующимся популярностью аспектам Стьюдента либо подсчет корреляции по способу Пирсона. Если данные являются дискретными, их сравнение проводится по аспектам 2, а непрерывные данные сопоставляются по аспекту Колмогорова — Смирнова. Высчитать аспекты Колмогорова — Смирнова для обычного расправления можно в модуле Basic Statistics/Tables (Descriptive Statistics—Normality —Kolmogorov-Smirnov & Lilliefors test for normality) при помощи Frequency tables или Histograms.

В пакете STATISTICA можно сравнить данные не только лишь с обычным, да и с некими иными законами распределения c помощью Distributiom fitting (в меню Statistics). Если данные являются дискретными величинами, выбор распределения проводится в разделе Discrete Distributions, если же они являются непрерывными величинами — то в разделе Continuous Distributions. Невзирая на то что аспекты Колмогорова—Смирнова и 2 довольно верно разрешают ответить на вопросец, каким законом описываются приобретенные данные, их недочетом будет то, что при малых значениях подборки достоверность оценки понижается.

При обычном распределении данных коэффициент асимметрии должен быть равен нулю, а коэффициент эксцесса должен быть равен трем, что является ещё одним способом проверки типа распределения.

Для выявления связи нескольких переменных, измеряемых по порядковой либо интервальной шкале коэффициент корреляции Пирсона. Этот коэффициент, как и всякий параметрический показатель, очень подвержен воздействию значений, резко отклоняющихся от среднего [9].

Рис.3 — Воздействие выпадающего значения на линейное уравнение регрессии [9].

На рисунке проиллюстрирован вариант, когда высочайшее регрессия

Наиболее правильно внедрение ранговых методов— вычисления коэффициента корреляции Кендалла (для порядковых переменных/шкал) либо коэффициента корреляции Спирмена — непараметрического аналога коэффициента Пирсона для интервальных и порядковых переменных, не подчиняющихся нормальному распределению. Коэффициент Пирсона равен 1 (либо минус 1) и тогда лишь тогда, когда две переменные (х и у) соединены линейной зависимостью (у=в+ах). Коэффициент Спирмена (либо Кендалла) равен 1, если две переменные соединены правилом: большему значению переменной х постоянно соответствует большее

Следует держать в голове, что наличие корреляции 2-ух переменных не значит их причинно-следственной связи [8].

Есть последующие методы сопоставления 2-ух групп по количественным признакам: вычисление доверительного интервала для разности средних либо проверка гипотез (параметрическими либо непараметрическими способами). В случае соответствия нормальному закону распределения переменных в каждой группе сопоставление групп проводится по аспектам Стьюдента (статистический модуль Basic Statistics/Tables). В неприятном случае употреблять непараметрические аспекты, которые находятся в модуле Nonparametrics [5].

При сопоставлении наиболее 2-ух групп по количественным признакам употребляют однофакторный дисперсионный анализ (параметрический либо непараметрический) в случае независящих групп и непараметрический способ Фридмена в случае зависимых групп. Для сопоставления групп по высококачественным признакам употребляют лишь непараметрические аспекты.

неувязка неверного использования способов сопоставления, созданных для несвязанных (независящих групп), к зависимым группам частично решается структурой таблиц данных (размещение результатов поочередных измерений (принадлежащих к зависимым группам) в строчках, а независимых—в столбец в согласовании со столбцом, содержащим код группы (Indep. (grouping) variable)). Наиболее того, в программке пиктограммы, сопровождающие наименования способов анализа носят нрав подсказки: показано обоюдное размещение сравниваемых массивов данных (рис.4).

Рис. 4—Перечень инструментов анализа с пиктограммами в модуле непараметрических способов.

При интерпретации результатов при отсутствии достоверных различий неверным является заключение о их отсутствии, и быть может принято лишь заключение о том, что различия конкретно не были выявлены, хотя могут и находиться (типично для выборок малой численности). С иной стороны, в особенности на огромных подборках могут быть выявлены различия, не имеющие био либо мед значения. И напротив, даже большое отличие, выявленное при сопоставлении маленьких групп, имеющее клиническое несколько нездоровых в терминальном состоянии, хотя бы один из участников в какой-нибудь из групп выживет, таковой итог будет клинически весомым, хотя статистически важное различие в частоте выживания меж группами может отсутствовать [11].