新書推薦：
《
量价关系——透视股票涨跌脉络
》
售價：NT$
340.0
![创伤与记忆：身体体验疗法如何重塑创伤记忆 [美]彼得·莱文](http://103.6.6.66/upload/mall/productImages/24/46/9787111746645.jpg)
《
创伤与记忆：身体体验疗法如何重塑创伤记忆 [美]彼得·莱文
》
售價：NT$
295.0
《
复原力
》
售價：NT$
345.0
《
近代中国思维方式的演变（王中江著作系列）
》
售價：NT$
950.0
《
我可以近乎孤独地度过一生
》
售價：NT$
440.0
《
二十四节气生活美学
》
售價：NT$
340.0
《
古文观止（上+下）（2册）高中生初中生阅读 国学经典丛书原文+注释+译文古诗词大全集名家精译青少年启蒙经典读本无障碍阅读精装中国古代著名文学书籍国学经典
》
售價：NT$
440.0
《
宠物革命：动物与现代英国生活的形成
》
售價：NT$
360.0
|
| 編輯推薦： |
|
整体上从医学研究者的应用立场出发，根据研究者的医学资料背景及分析目的带动多因素统计方法的介绍，并在简要介绍多因素统计理论知识的基础上，体现出内容的创新性，增加介绍多因素统计分析方法的统计软件操作及学术论文中分析结果的撰写，全面满足不同领域、不同层次研究者的需求。
|
| 內容簡介： |
|
《医学数据多因素统计分析及SPSS软件实现》包括经典篇和拓展篇两篇，共15章。经典篇涵盖了以探索影响因素或相关因素为目的的多元线性回归、多元logistic回归、多元Cox回归，以分类为目的的判别分析、聚类分析，以降维评价为目的的主成分分析、因子分析；并介绍对应的SPSS软件实现、分析结果的整理和应用注意事项，便于读者进行系统的学习和掌握。拓展篇介绍了时空模型、非参数回归和半参数回归、时间序列分析、多水平模型、神经网络模型、支持向量机、随机森林等近年来发展的统计模型和机器学习方法，以及相应的软件语法，供学有余力的医学生学习和有需求的科研工作者参考。《医学数据多因素统计分析及SPSS软件实现》从使用者角度出发，将医学数据及其分析目的与多因素统计分析方法的应用结合起来；将多因素统计分析方法的理论与统计软件的操作、分析结果的整理和表述结合起来，利于多因素统计分析方法的推广应用；具有定位明确、内容优化、重点突出、通俗易懂、便于自学的特点。
|
| 目錄：
|
目录
经典篇
**章 绪论 3
**节 多因素统计分析方法的种类及其医学应用现况 3
第二节 多因素统计分析方法的发展史 8
第二章 多元方差分析 13
**节 医学研究资料及其分析目的 14
第二节 多元方差分析的应用 15
第三节 应用注意事项 22
思考与练习 23
第三章 多元线性回归 24
**节 医学研究资料及其分析目的 24
第二节 多元线性回归的应用 26
第三节 应用注意事项 35
思考与练习 38
第四章 多元logistic回归 40
**节 医学研究资料及其分析目的 40
第二节 多元logistic回归分析的应用 42
第三节 应用注意事项 50
思考与练习 52
第五章 多元Cox回归 53
**节 医学研究资料及其分析目的 53
第二节 多元Cox回归的应用 55
第三节 应用注意事项 65
思考与练习 66
第六章 判别分析 68
**节 医学研究资料及其分析目的 68
第二节 判别分析的应用 69
第三节 应用注意事项 84
思考与练习 85
第七章 聚类分析 87
**节 医学研究资料及其分析目的 87
第二节 聚类分析的应用 89
第三节 应用注意事项 98
思考与练习 99
第八章 主成分分析 102
**节 医学研究资料及其分析目的 102
第二节 主成分分析的应用 103
第三节 应用注意事项 110
思考与练习 112
第九章 因子分析 113
**节 医学研究资料及其分析目的 113
第二节 因子分析的应用 114
第三节 应用注意事项 122
思考与练习 127
拓展篇
第十章 时空模型 131
**节 医学研究资料及其分析目的 131
第二节 泊松贝叶斯空间模型的应用 132
第三节 泊松贝叶斯时空模型的应用 139
第四节 应用注意事项 143
思考与练习 143
第十一章 非参数回归和半参数回归简介 144
**节 医学研究资料及其分析目的 144
第二节 非参数回归和半参数回归的应用 146
第三节 应用注意事项 156
思考与练习 157
第十二章 时间序列分析 158
**节 医学研究资料及其分析目的 158
第二节 时间序列分析的应用 159
第三节 应用注意事项 169
思考与练习 170
第十三章 多水平模型简介 171
**节 医学研究资料及其分析目的 171
第二节 多水平模型的应用 172
第三节 应用注意事项 185
思考与练习 186
第十四章 神经网络模型 187
**节 医学研究资料及其分析目的 187
第二节 神经网络模型的应用 188
第三节 应用注意事项 196
思考与练习 196
第十五章 其他机器学习方法 198
**节 医学研究资料及其分析目的 198
第二节 支持向量机的应用 199
第三节 随机森林模型的应用 207
第四节 应用注意事项 213
思考与练习 214
参考文献 215免费在线读经典篇
**章 绪论
多因素统计分析作为数理统计学中的重要分支学科，在多个对象和多个指标互相关联的情况下分析数据间的统计规律，从而能够揭示各因素间的内在联系。不同于单因素统计分析方法，多因素统计分析方法可以进行多变量间的交叉分析，是一种可以在不损失既有信息的前提下进行模型构建，使复杂数据简单化的统计模型。应用多因素统计模型既可以帮助研究者从整体上把握事件的特征和发生规律，也可以利用已知发生的事件推算未知事件的发生概率。
本章主要介绍多因素统计分析方法的种类及其医学应用现况，同时简要阐述多因素统计分析方法及相应 SPSS统计软件中分析模块的发展史。
**节 多因素统计分析方法的种类及其医学应用现况
传统的多因素统计分析方法主要包括多元方差分析、多因素回归、多因素分类、降维方法。除此之外，还包括时间序列模型、多水平模型、非参数回归模型、时空模型和机器学习方法等其他统计模型方法。
一、多元方差分析
多元方差分析，亦称为多变量方差分析，作为单变量方差分析的推广，涉及的因变量为两个或多个，共同反映其与自变量的关系。采用多元方差分析方法而构建的模型就称为多元方差分析模型，其在医学领域应用广泛，例如，将年龄、性别、病程、吸烟指数等作为自变量（X），将气道壁厚度、气道壁指数、气道壁面积等作为因变量（Y），探讨自变量中对气道重塑表型的可能影响因素时就可以应用多元方差分析模型进行建模分析。研究者在关于青春期女性对月经的态度、焦虑的研究中，就将焦虑（高与低）等作为自变量（X），将对月经的态度（令人衰弱、烦人、自然等）作为因变量（Y），通过构建多元方差分析模型，分析探讨青春期女性对月经的态度的可能影响。
二、多因素回归
多因素回归模型包括多元线性回归模型、多元 logistic回归模型和多元 Cox 回归模型等。
1. 多元线性回归模型 多元线性回归模型是采用多元线性回归方法，通常用于研究一种事物或现象（因变量 Y）与其他多种事物或现象（自变量 Xi，i=1，2，3，.，n）在数量上相互联系和相互制约关系的回归分析方法，如研究肺活量与胸围、体重之间的关系。研究者在一项内脏脂肪增加与味觉、嗅觉之间关系的研究中，便使用了多元线性回归模型来确定那些与嗅觉异常有关的因素，研究中以嗅觉评分为因变量（Y），将年龄、体重指数、瘦素、脂肪量、无脂肪量、内脏脂肪分级和吸烟作为自变量（X）纳入模型，发现在该多元线性回归模型中，**有助于解释嗅觉评分的参数是内脏脂肪分级。研究者在研究影响韩国老年人剩余牙齿数量与唾液血红蛋白的关系中，将剩余牙齿的数量作为结果变量，并与研究参与者的一般特征（年龄、性别、每日药物摄入量等）、唾液血红蛋白水平、口腔生物膜产酸性、唾液流量和口腔卫生行为等变量之间的关系进行了评估。模型结果显示，唾液中血红蛋白水平较高（P＜0.05）、使用水平擦洗法刷牙（P＜0.001）并且未使用近端清洁装置（P＜0.01）的老年人更容易缺失牙齿，但口腔生物膜产酸性则与剩余牙齿的数量无关，结果提示监测唾液血红蛋白可能有助于预防牙周病引起的牙齿脱落。
2. 多元logistic回归模型 多元logistic回归模型作为多元回归模型中的一种，常用于医学领域中危险因素的探索，其因变量（Y）为二分类或多分类变量，自变量既可以为分类变量，也可以为连续变量。例如，在探索胃癌发生危险因素时，以是否发生胃癌作为因变量，为二分类变量（“是”或“否”），危险因素包括性别、年龄、幽门螺杆菌感染等。通过多元 logistic回归模型就可以探究哪些因素是影响胃癌发生的危险因素。研究者使用多元 logistic回归模型探究炎症性肠病（inflammatory bowel disease，IBD）与系统性红斑狼疮（systemic lupus erythematosus，SLE）的并存关系，模型显示 SLE与溃疡性结肠炎（ulcerative colitis，UC）不相关（其中 OR=1.67，P＜0.052），而在克罗恩病（Crohn’s disease，CD）中则提示 SLE患者的克罗恩病患病率高于对照组（P＜0.001），并且 SLE与克罗恩病合并症相关（OR=2.23，P＜0.001）。应用多元 logistic回归模型探究病态肥胖减肥手术（如 Roux-en-Y胃旁路手术）后幽门螺杆菌与边缘溃疡关系的研究显示，幽门螺杆菌（自变量 X）作为众多危险因素之一，是边缘溃疡*强的独立预测因子，术前对幽门螺杆菌进行测试和根除可能是降低溃疡发生率的重要预防措施。
3. 多元Cox回归模型 多元Cox回归模型中*常用的是 Cox比例风险回归模型，简称 Cox模型。模型的因变量常为生存时间和生存结局，能够同时分析众多因素对生存期的影响，适用于带有删失生存时间的资料，且对资料分布类型不做要求，广泛应用于医学随访研究。在一项探讨非小细胞肺癌（non-small cell lung cancer，NSCLC）患者血小板指数与预后的关系研究中，研究者将年龄、性别、 TNM分期、血小板计数和血小板分布宽度（platelet distribution width，PDW）等自变量纳入多元 Cox回归模型中发现，年龄、性别、 TNM分期和 PDW为总体生存的独立预后因素（PPDW＜0.001），PDW减少是 NSCLC患者生存的一个不利预测因素。一项对晚期癌症患者姑息治疗服务时间与生存率的关系研究中，在*终的多变量 Cox回归模型中保留了四个参数作为晚期癌症患者生存的独立预后因素（其中年龄风险比 =0.99，P=0.002；1~10天姑息治疗持续时间风险比 =2.64，P＜0.001；11~30天姑息治疗持续时间风险比=2.43，P＜0.001；31~90天姑息治疗持续时间风险比=1.87，P＜0.001），结果表明较短的姑息治疗服务时间可能导致较差的预后，化疗结束后及时转诊是必要的。
三、多因素分类
多因素分类主要包括判别分析和聚类分析。
1. 判别分析 判别分析是根据多种因素对事物的影响，对事物的属性进行判别分类的统计方法，由此建立的模型称为判别分析模型。它所要解决的问题是在一些已知研究对象用某种方法分成若干类的情况下，确定未知类别个体属于已知类中的哪一类。*常采用的是 Fisher线性判别，建立判别函数采用的方法主要包括全模型法和逐步选择法。判别分析按判别的组数可分为两组判别分析和多组判别分析；按区分不同总体所用的数学模型分为 Fisher线性判别和 Bayes判别等。判别分析在医学上主要用于疾病诊断、疾病预报和预后估计等，例如，根据患者的症状、体征及化验结果判定患者患的是什么病或判断预后情况。有研究者在正常压力脑积水和脑萎缩患者颅内容积变量的判别分析研究中，开发了一种计算机定量评价颅内脑脊液（cerebrospinal fluid，CSF）分布的方法，研究中使用蛛网膜下腔和基底池中的 CSF体积、颅内心室系统中的 CSF体积、脑体积、颅内 CSF总体积和颅内总体积五个特征，可将每位患者判定为患有 CSF吸收障碍（正常压力脑积水）和没有 CSF吸收障碍（各种类型脑萎缩）两组，判别分析作为计算机辅助方法是一种辅助诊断 CSF吸收障碍的有用工具。
2. 聚类分析 聚类分析是通过统计变量的分布情况，并在分析过程中将具有同类性质的变量予以归纳总结，从而实现减少系统变量的一种统计学方法，由此而建立的模型称为聚类分析模型。实际上，聚类分析的原理就是寻找一种可以客观反映变量间密切关联程度的统计量，从而对这些变量进行分类。通过聚类，相似度高的变量被要求分在同一个集合中，而不同集合之间具有明显的差别。常用的聚类分析方法主要是系统聚类分析法。在对过敏性哮喘患者表型分析的研究中，研究者选择 19个变量并运用系统聚类分析将过敏性哮喘患者分为三类：**类由间歇性或轻度持续性哮喘患者组成（患者占比 59.11%），没有特应性、哮喘或鼻炎的家庭先例，该组的总 IgE水平*低；第二类由有特应性、哮喘或鼻炎家族史的轻度哮喘患者组成（患者占比 28.88%），IgE总水平处于中等水平；第三类包括中度或重度持续性哮喘患者（患者占比 12%），需要用皮质类固醇和长效 β激动剂治疗，该组显示的总 IgE水平**。
四、降维方法
降维方法主要包括主成分分析和因子分析。
1. 主成分分析 主成分分析的方法论是基于数学降维思想，其宗旨在于寻找少数的新变量代替相互之间相关性较大的原始变量，同时新变量间互不相关，这种把多个相互之间相关性较大的指标转化为少数几个综合指标的方法就称为主成分分析。主成分分析本身往往并不是*终目的，只是达到目的的一种手段，它是原变量的线性组合，既不增加总信息量也不减少总信息量，只是对原信息量进行了重新分配。同时，主成分分析多用于大型研究项目的某个中间环节，例如，应用在多元回归中即为主成分回归等，或者在医学研究中常需要对患者的健康状况、卫生资源的利用等进行评价时主成分分析就会显示其优越性。有研究者在白内障超声乳化术学习者感知困难和并发症研究中通过构建主成分分析模型，将感知困难的各种原因分为三个因素，涉及精确手动控制的步骤、手动操作*少的步骤及涉及频繁双目镜操作的步骤，其中涉及频繁双目镜操作的步骤和涉及精确手动控制的步骤是白内障超声乳化术受训者术中的两种主要困难步骤。这提示医院在开展白内障超声乳化术受训者培训时应有针对性地提高手术技能，立体视觉和手部控制训练应成为模拟和现实情况下白内障手术受训者训练模块的主要部分。
2. 因子分析 因子分析方法是在主成分分析的基础上发展起来的统计方法，是将每个原始变量的信息分解为少数个公共因子，依据因子分析方法而建立的模型称为因子分析模型。因子分析在医学领域中的应用较为常见。有研究者采用主观记忆抱怨（subjective memory complaint，SMC）量表对抑郁状态的个体与认知障碍的个体进行区分时使用了探索性因子分析，以识别 SMC量表项目的因子结构，在*终因子分析模型中，提取了两个主因子，分别包括定义为“思维干扰因子”的因子 1和被定义为“记忆干扰因子”的因子 2，后经多元 logistic回归分析可知，因子 1与抑郁状态相关，因子 2则与认知障碍相关，表明对于 SMC患者，通过使用 SMC量表进行详细的调查，可将抑郁状态或抑郁患者与认知障碍或痴呆患者区分开来。在关于探究华中科技大学学生吸烟者开始吸烟和持续吸烟背后的显著潜在结构研究中，研究者从 39个影响学生吸烟行为的变量中提取了 13个主因子，其中**主因子为“关系影响”，因此他们呼吁教育、公共卫生机构和
|
| 內容試閱：
|
|
经典篇 第一章 绪论 多因素统计分析作为数理统计学中的重要分支学科，在多个对象和多个指标互相关联的情况下分析数据间的统计规律，从而能够揭示各因素间的内在联系。不同于单因素统计分析方法，多因素统计分析方法可以进行多变量间的交叉分析，是一种可以在不损失既有信息的前提下进行模型构建，使复杂数据简单化的统计模型。应用多因素统计模型既可以帮助研究者从整体上把握事件的特征和发生规律，也可以利用已知发生的事件推算未知事件的发生概率。 本章主要介绍多因素统计分析方法的种类及其医学应用现况，同时简要阐述多因素统计分析方法及相应 SPSS统计软件中分析模块的发展史。 第一节 多因素统计分析方法的种类及其医学应用现况 传统的多因素统计分析方法主要包括多元方差分析、多因素回归、多因素分类、降维方法。除此之外，还包括时间序列模型、多水平模型、非参数回归模型、时空模型和机器学习方法等其他统计模型方法。 一、多元方差分析 多元方差分析，亦称为多变量方差分析，作为单变量方差分析的推广，涉及的因变量为两个或多个，共同反映其与自变量的关系。采用多元方差分析方法而构建的模型就称为多元方差分析模型，其在医学领域应用广泛，例如，将年龄、性别、病程、吸烟指数等作为自变量（X），将气道壁厚度、气道壁指数、气道壁面积等作为因变量（Y），探讨自变量中对气道重塑表型的可能影响因素时就可以应用多元方差分析模型进行建模分析。研究者在关于青春期女性对月经的态度、焦虑的研究中，就将焦虑（高与低）等作为自变量（X），将对月经的态度（令人衰弱、烦人、自然等）作为因变量（Y），通过构建多元方差分析模型，分析探讨青春期女性对月经的态度的可能影响。 二、多因素回归 多因素回归模型包括多元线性回归模型、多元 logistic回归模型和多元 Cox 回归模型等。 1. 多元线性回归模型 多元线性回归模型是采用多元线性回归方法，通常用于研究一种事物或现象（因变量 Y）与其他多种事物或现象（自变量 Xi，i=1，2，3，.，n）在数量上相互联系和相互制约关系的回归分析方法，如研究肺活量与胸围、体重之间的关系。研究者在一项内脏脂肪增加与味觉、嗅觉之间关系的研究中，便使用了多元线性回归模型来确定那些与嗅觉异常有关的因素，研究中以嗅觉评分为因变量（Y），将年龄、体重指数、瘦素、脂肪量、无脂肪量、内脏脂肪分级和吸烟作为自变量（X）纳入模型，发现在该多元线性回归模型中，**有助于解释嗅觉评分的参数是内脏脂肪分级。研究者在研究影响韩国老年人剩余牙齿数量与唾液血红蛋白的关系中，将剩余牙齿的数量作为结果变量，并与研究参与者的一般特征（年龄、性别、每日药物摄入量等）、唾液血红蛋白水平、口腔生物膜产酸性、唾液流量和口腔卫生行为等变量之间的关系进行了评估。模型结果显示，唾液中血红蛋白水平较高（P＜0.05）、使用水平擦洗法刷牙（P＜0.001）并且未使用近端清洁装置（P＜0.01）的老年人更容易缺失牙齿，但口腔生物膜产酸性则与剩余牙齿的数量无关，结果提示监测唾液血红蛋白可能有助于预防牙周病引起的牙齿脱落。 2. 多元logistic回归模型 多元logistic回归模型作为多元回归模型中的一种，常用于医学领域中危险因素的探索，其因变量（Y）为二分类或多分类变量，自变量既可以为分类变量，也可以为连续变量。例如，在探索胃癌发生危险因素时，以是否发生胃癌作为因变量，为二分类变量（“是”或“否”），危险因素包括性别、年龄、幽门螺杆菌感染等。通过多元 logistic回归模型就可以探究哪些因素是影响胃癌发生的危险因素。研究者使用多元 logistic回归模型探究炎症性肠病（inflammatory bowel disease，IBD）与系统性红斑狼疮（systemic lupus erythematosus，SLE）的并存关系，模型显示 SLE与溃疡性结肠炎（ulcerative colitis，UC）不相关（其中 OR=1.67，P＜0.052），而在克罗恩病（Crohn’s disease，CD）中则提示 SLE患者的克罗恩病患病率高于对照组（P＜0.001），并且 SLE与克罗恩病合并症相关（OR=2.23，P＜0.001）。应用多元 logistic回归模型探究病态肥胖减肥手术（如 Roux-en-Y胃旁路手术）后幽门螺杆菌与边缘溃疡关系的研究显示，幽门螺杆菌（自变量 X）作为众多危险因素之一，是边缘溃疡*强的独立预测因子，术前对幽门螺杆菌进行测试和根除可能是降低溃疡发生率的重要预防措施。 3. 多元Cox回归模型 多元Cox回归模型中*常用的是 Cox比例风险回归模型，简称 Cox模型。模型的因变量常为生存时间和生存结局，能够同时分析众多因素对生存期的影响，适用于带有删失生存时间的资料，且对资料分布类型不做要求，广泛应用于医学随访研究。在一项探讨非小细胞肺癌（non-small cell lung cancer，NSCLC）患者血小板指数与预后的关系研究中，研究者将年龄、性别、 TNM分期、血小板计数和血小板分布宽度（platelet distribution width，PDW）等自变量纳入多元 Cox回归模型中发现，年龄、性别、 TNM分期和 PDW为总体生存的独立预后因素（PPDW＜0.001），PDW减少是 NSCLC患者生存的一个不利预测因素。一项对晚期癌症患者姑息治疗服务时间与生存率的关系研究中，在最终的多变量 Cox回归模型中保留了四个参数作为晚期癌症患者生存的独立预后因素（其中年龄风险比 =0.99，P=0.002；1~10天姑息治疗持续时间风险比 =2.64，P＜0.001；11~30天姑息治疗持续时间风险比=2.43，P＜0.001；31~90天姑息治疗持续时间风险比=1.87，P＜0.001），结果表明较短的姑息治疗服务时间可能导致较差的预后，化疗结束后及时转诊是必要的。 三、多因素分类 多因素分类主要包括判别分析和聚类分析。 1. 判别分析 判别分析是根据多种因素对事物的影响，对事物的属性进行判别分类的统计方法，由此建立的模型称为判别分析模型。它所要解决的问题是在一些已知研究对象用某种方法分成若干类的情况下，确定未知类别个体属于已知类中的哪一类。*常采用的是 Fisher线性判别，建立判别函数采用的方法主要包括全模型法和逐步选择法。判别分析按判别的组数可分为两组判别分析和多组判别分析；按区分不同总体所用的数学模型分为 Fisher线性判别和 Bayes判别等。判别分析在医学上主要用于疾病诊断、疾病预报和预后估计等，例如，根据患者的症状、体征及化验结果判定患者患的是什么病或判断预后情况。有研究者在正常压力脑积水和脑萎缩患者颅内容积变量的判别分析研究中，开发了一种计算机定量评价颅内脑脊液（cerebrospinal fluid，CSF）分布的方法，研究中使用蛛网膜下腔和基底池中的 CSF体积、颅内心室系统中的 CSF体积、脑体积、颅内 CSF总体积和颅内总体积五个特征，可将每位患者判定为患有 CSF吸收障碍（正常压力脑积水）和没有 CSF吸收障碍（各种类型脑萎缩）两组，判别分析作为计算机辅助方法是一种辅助诊断 CSF吸收障碍的有用工具。 2. 聚类分析 聚类分析是通过统计变量的分布情况，并在分析过程中将具有同类性质的变量予以归纳总结，从而实现减少系统变量的一种统计学方法，由此而建立的模型称为聚类分析模型。实际上，聚类分析的原理就是寻找一种可以客观反映变量间密切关联程度的统计量，从而对这些变量进行分类。通过聚类，相似度高的变量被要求分在同一个集合中，而不同集合之间具有明显的差别。常用的聚类分析方法主要是系统聚类分析法。在对过敏性哮喘患者表型分析的研究中，研究者选择 19个变量并运用系统聚类分析将过敏性哮喘患者分为三类：**类由间歇性或轻度持续性哮喘患者组成（患者占比 59.11%），没有特应性、哮喘或鼻炎的家庭先例，该组的总 IgE水平**；第二类由有特应性、哮喘或鼻炎家族史的轻度哮喘患者组成（患者占比 28.88%），IgE总水平处于中等水平；第三类包括中度或重度持续性哮喘患者（患者占比 12%），需要用皮质类固醇和长效 β激动剂治疗，该组显示的总 IgE水平**。 四、降维方法 降维方法主要包括主成分分析和因子分析。 1. 主成分分析 主成分分析的方法论是基于数学降维思想，其宗旨在于寻找少数的新变量代替相互之间相关性较大的原始变量，同时新变量间互不相关，这种把多个相互之间相关性较大的指标转化为少数几个综合指标的方法就称为主成分分析。主成分分析本身往往并不是最终目的，只是达到目的的一种手段，它是原变量的线性组合，既不增加总信息量也不减少总信息量，只是对原信息量进行了重新分配。同时，主成分分析多用于大型研究项目的某个中间环节，例如，应用在多元回归中即为主成分回归等，或者在医学研究中常需要对患者的健康状况、卫生资源的利用等进行评价时主成分分析就会显示其优越性。有研究者在白内障超声乳化术学习者感知困难和并发症研究中通过构建主成分分析模型，将感知困难的各种原因分为三个因素，涉及精确手动控制的步骤、手动操作*少的步骤及涉及频繁双目镜操作的步骤，其中涉及频繁双目镜操作的步骤和涉及精确手动控制的步骤是白内障超声乳化术受训者术中的两种主要困难步骤。这提示医院在开展白内障超声乳化术受训者培训时应有针对性地提高手术技能，立体视觉和手部控制训练应成为模拟和现实情况下白内障手术受训者训练模块的主要部分。 2. 因子分析 因子分析方法是在主成分分析的基础上发展起来的统计方法，是将每个原始变量的信息分解为少数个公共因子，依据因子分析方法而建立的模型称为因子分析模型。因子分析在医学领域中的应用较为常见。有研究者采用主观记忆抱怨（subjective memory complaint，SMC）量表对抑郁状态的个体与认知障碍的个体进行区分时使用了探索性因子分析，以识别 SMC量表项目的因子结构，在最终因子分析模型中，提取了两个主因子，分别包括定义为“思维干扰因子”的因子 1和被定义为“记忆干扰因子”的因子 2，后经多元 logistic回归分析可知，因子 1与抑郁状态相关，因子 2则与认知障碍相关，表明对于 SMC患者，通过使用 SMC量表进行详细的调查，可将抑郁状态或抑郁患者与认知障碍或痴呆患者区分开来。在关于探究华中科技大学学生吸烟者开始吸烟和持续吸烟背后的显著潜在结构研究中，研究者从 39个影响学生吸烟行为的变量中提取了 13个主因子，其中**主因子为“关系影响”，因此他们呼吁教育、公共卫生机构和
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
