如何用SAS软件正确分析生物医学科研资料 XXIV. 结果变量为多值有序变量的高维列联表资料的统计分析与SAS软件实现（二）

生物统计学是生物学领域科学研究和实际工作中必不可少的工具，在分子生物学迅速发展的今天，生物统计学更显示出了它的重要性。实验设计与数据统计分析是现代生物学的基石，是生物学研究者检验假说、寻找模式、建立生物学理论的有利工具，也是生物学研究者探索微观和宏观生物世界的必备基础知识。对于每天甚至是每时每刻涌现的大量的、以天文数字计量的分子遗传数据，必须借助统计学知识加以分析处理，才能从中获得有意义的信息。“生物多样性数据分析”是开展生物多样性研究的一个重要方面，数据分析能力的高低极大地影响着我们对各种生态学现象认识的深度和广度。现在，电子计算机的普及使得生物统计分析过程大大简化，生物统计分析软件包的普及将生物统计学从统计学家的书本里解放了出来，简化了生物统计分析过程，使之成为生物学研究者的常用工具。本刊特邀军事医学科学院生物医学统计学咨询中心主任胡良平教授，以“如何用 SAS 软件正确分析生物医学科研资料”为题，撰写系列统计学讲座，希望该系列讲座能对生物医学科研工作者有所帮助。     

如何用SAS软件正确分析生物医学科研资料ⅩⅩⅡ.结果变量为二值变量的高维列联表资料的统计分析与SAS软件实现(二)

当观测结果是定性资料时,人们习惯将资料整理成列联表形式.比如"2×2列联表资料"、"R×C列联表资料"和"高维列联表资料"等.所谓高维列联表,也就是表中涉及到的定性变量的个数k≥3.对于高维列联表资料,根据结果变量的性质可将高维列联表分为以下三类:一是结果变量为二值变量的高维列联表;二是结果变量为多值有序变量的高维列联表;三是结果变量为多值名义变量的高维列联表.在上一期中,我们已经介绍了用CMHx2检验和加权x2检验处理结果变量为二值变量的高维列联表资料,本文将继续介绍结果变量为二值变量的高维列联表资料的其他分析方法及SAS实现.     

如何合理选定试验设计三要素中的受试对象

受试对象是试验设计三要素中的第一要素,正确选择受试对象对于科研工作的成败至关重要。试验设计的核心内容为三要素、四原则和设计类型。本文重点阐述了选择受试对象的一般原则,受试对象的种类和数量,以及研究者在选择受试对象时常犯的错误,提出了合理选择受试对象的方法学建议。受试对象虽然仅是试验设计三要素中的一个要素,但对整个科研课题的成败起着举足轻重的作用,必须合理选定。     

配对设计一元定性资料的统计推断与实验设计

In general,there are two methods to achievestatistical inference of qualitative data of paireddesign:hypothesis testing(including the differ-ence test andthe consistent test)andinterval esti-mation,which will be introducedinthis article indetail.Asidefromthis,this article will alsointroducethe corre     

胃癌患者血清巨噬细胞集落刺激因子、癌胚抗原检测的临床意义

目的探讨巨噬细胞集落刺激因子（M．CSF）和癌胚抗原（CEA）在胃癌患者中的表达及其对胃癌的诊断价值。方法胃癌、胃溃疡患者及健康者各50例,采用放免法检测其空腹血清M-CSF、CEA并加以比较,胃癌者于术后30d再次检测M—CSF、CEA,并与术前进行比较。结果胃癌组血清M—CSF、CEA水平均高于胃溃疡组及对照组（P均〈0．01）;胃癌组术后和术前相比,M-CSF、CEA含量明显下降（P〈0．01）。胃癌组血清M—CSF阳性率40．O％,血清CEA阳性率22．0％,M—CSF＋CEA阳性率76．9％。M—CSF、CEA联合检测对胃癌诊断的敏感率和准确率均高于M—CSF或CEA单项指标的检测（P均〈0．05）。结论M-CSF和CEA与肿瘤生长有关,对于监测病情、预测预后有一定的参考价值,联合检测血清M—CSF、CEA水平可以提高早期胃癌的检出率。     

三项型指数曲线在“药-时”曲线拟合中的应用

目的 探讨三项型指数曲线在“药-时”曲线拟合中的应用及其SAS实现.方法 借助SAS软件,调用REG过程以常规的残数法得到曲线上各参数的估计值,然后以这些估计值为初始值,调用NLIN过程进行非线性最小二乘估计,得到优化的曲线回归方程.结果 残数法与非线性最小二乘法相结合所得最终曲线回归方程较仅用残数法计算而得的曲线回归方程有更好的拟合效果.结论 运用高级SAS编程技术可便捷地对“药-时”关系资料实现三项型指数曲线的拟合,且拟合效果较好,具有广阔的应用前景.     

样本量估计与检验效能分析(六)

所谓单因素多水平设计,是指试验中仅涉及一个具有k个水平(k≥3)的试验因素,未对其他任何重要非试验因素进行有计划的安排.本文向读者介绍单因素多水平设计一元定量资料与结果变量为二值变量的单因素多水平设计一元定性资料的样本含量与检验效能估计.     

无法考察交互作用的三因素设计（一）

无法考察交互作用的三因素设计包括交叉设计和拉丁方设计两种。这两种设计类型较为特殊,所考察的3个因素包括1个实验因素和2个区组因素。尽管这两种设计在实际科研中运用的频率不是很高,但若在合适的场合正确运用这两种设计类型,将有效控制样本量,取得很好的实验效果。由于篇幅限制,本文重点介绍交叉设计的前两种类型。     

无法考察交互作用的两因素设计（一）

实验中经常遇到涉及两个因素的实验,若两因素有交互作用,则需采用析因设计、正交设计等设计类型,但这些设计通常需要进行较多次实验。若在理论和专业上可以证明实验中涉及到的两个因素不存在交互作用,或交互作用对观测结果的影响无统计学意义,并且特定实验条件（通常为各因素不同水平的一种组合）下实验数据的测定误差在专业上允许的范围之内,则可：果用无重复实验的随机区组设计、无重复实验的平衡不完全随机区组设计、具有一个重复测量的单因素设计、无重复实验双因素设计和两因素嵌套设计。本文结合实例,重点阐明前3种实验设计类型。     

科研设计应遵守均衡原则

在试验设计的四原则中,均衡原则与随机、对照和重复原则是密切相关的,而且均衡原则是核心,它贯穿于随机、对照和重复原则之中,相辅相成,相得益彰。然而,在试验设计中,均衡原则是最易被人们忽视的,同时又是最重要的。很多试验设计方案,若在均衡性方面做得不到位,其研究结论就最容易被推翻,从而导致整个试验的失败。因而正确把握试验设计的均衡原则是至关重要的。本文着重介绍均衡原则的概念和作用,提高均衡性的策略及具体措施,并针对科研中违犯均衡原则的常见错误进行辨析与释疑。