卫生统计学自考知识点(自考卫统重点)

• 变量类型：分为分类变量（如性别、疾病类型）和数值变量（如年龄、血压值），后者可进一步分为离散型与连续型。
• 数据描述：集中趋势用均数、中位数、众数表示；离散趋势通过标准差、方差、四分位数间距衡量。
• 统计图表：直方图适用于连续变量分布，饼图展示构成比，箱线图识别异常值。

例如，描述某地高血压患病率时，需明确人群的年龄分层（分类变量）与血压测量值（连续变量），并选择合适的统计量汇总。

• 基本概率规则：加法法则、乘法法则及条件概率的应用，如计算联合患病风险。
• 常见分布：
  • 二项分布：描述n次独立试验中某事件发生的次数（如阳性检测结果数）；
  • 正态分布：多数生物医学数据（如身高、体重）服从此分布，其对称性与68-95-99.7规则尤为重要。

实际应用中，若某地糖尿病患病率为10%，则100人中恰好15人患病的概率可通过二项分布公式计算。

• 置信区间：如总体均数的95%置信区间表示重复抽样下有95%的概率包含真实值，计算需依赖标准误。
• 假设检验步骤：
  1. 建立原假设（H₀）与备择假设（H₁）；
  2. 选择检验统计量（如t值、Z值）；
  3. 确定显著性水平（通常α=0.05）；
  4. 根据P值决策是否拒绝H₀。

例如，比较两种降压药疗效时，若独立样本t检验得P<0.01，可认为两药效果差异显著。

• 卡方检验：检验两分类变量的独立性，如吸烟与肺癌的关联性分析，要求期望频数≥5。
• Fisher确切概率法：适用于小样本或频数过低的情况。
• 相对危险度（RR）与比值比（OR）：RR用于队列研究，OR常用于病例对照研究，需注意二者的解释差异。

若某疫苗试验中，接种组与对照组发病率分别为2%和10%，则RR=0.2，表明接种组风险降低80%。

• Pearson相关系数：衡量线性相关强度（-1≤r≤1），要求双变量正态分布。
• 线性回归：因变量为连续变量时，建立方程Y=a+bX，需检验斜率b的显著性。
• Logistic回归：适用于二分类因变量（如患病/未患病），结果以OR值呈现。

分析年龄与血压的关系时，若回归系数b=0.5（P<0.05），提示年龄每增1岁，血压平均上升0.5 mmHg。

• 生存函数：S(t)表示个体存活超过时间t的概率。
• Kaplan-Meier法：非参数法绘制生存曲线，Log-rank检验比较组间差异。
• Cox比例风险模型：多因素分析中，评估协变量（如治疗方案）对风险率的影响。

比较两种癌症疗法的5年生存率时，若Log-rank检验P=0.03，可认为两疗法效果不同。

• 横断面研究：描述某时点疾病分布，计算患病率，但无法推断因果。
• 队列研究：由因及果，计算发病率与RR，但耗时较长。
• 病例对照研究：由果推因，适用于罕见病，需注意回忆偏倚。

若研究饮食习惯与胃癌的关系，队列研究可追踪健康人群的饮食暴露，病例对照研究则比较患者与非患者的既往饮食史。

• 数据清洗：处理缺失值（删除或插补）、异常值（箱线图识别）。
• SPSS操作：
  • 频数分析：Analyze → Descriptive Statistics → Frequencies；
  • t检验：Compare Means → Independent-Samples T Test。

录入数据时，需定义变量类型（如数值型、字符型），错误设置可能导致分析失败。

• P值误解：P<0.05仅表示差异显著，不能证明效应大小或实际重要性。
• 数据偏倚：抽样偏倚（如仅调查医院患者）或测量偏倚（仪器误差）会扭曲结果。
• 多重比较问题：多次检验增加假阳性风险，需校正α水平（如Bonferroni法）。

例如，若一项研究进行20次检验，按α=0.05标准，平均会出现1次假阳性结论。

• 公共卫生监测：如传染病发病率趋势分析，需结合时间序列模型。
• 健康干预评估：随机对照试验（RCT）中，采用协方差分析控制基线差异。

某地推广控烟政策后，可通过比较政策前后肺癌发病率的变化（结合混杂因素调整）评估效果。