卫生统计方法与应用进展PDF电子书下载

第一章 Cox比例风险模型的发展与应用 1

第一节 Cox比例风险模型 1

一、Cox比例风险模型的结构 1

二、参数估计 2

三、关于参数的解释 5

四、变量的不同编码方式对参数估计值的影响 6

第二节 比例风险性质的判别 8

一、比例风险的性质 8

二、比例风险的生存概率曲线识别法 9

三、比例风险的参数识别法 12

四、比例风险的残差分析法 12

第三节 非比例风险的Cox模型配合 18

一、配合协变量与时间交互作用模型（时依系数法） 18

二、配合带时依协变量的Cox模型（分段模型） 21

三、非比例风险的分层分析法 24

第四节 多次事件的生存分析 26

一、多次事件的资料结构 26

二、各种整理模式下的模型结构 27

三、多次事件资料的模型配合过程 28

四、多种事件的分析 39

第二章 生物信息分析统计方法 42

第一节 生物信息学概述 42

一、生物信息学研究现状与发展趋势 43

二、生物信息学的生物内涵 44

三、生物信息学的信息学内涵 46

四、生物信息学研究和发展中的交叉学科和大科学特点 50

第二节 序列比较方法 52

一、数据库搜索简介 52

二、序列相似性定义 56

三、序列类似性的统计显著性 59

四、算法的敏感性与准确度（选择性） 62

五、有空隔配准的BLAST程序与位置特异的迭代BLAST程序 63

第三节 基因芯片的统计分析方法 67

一、基因芯片 67

二、基于基因芯片的数据挖掘及可视化 68

三、基因转录调控网络分析 72

第四节 蛋白质序列模式和序列结构域摸式 74

一、基准序列（序列模式）：标纹、标志、指纹和位点 74

二、序列结构与模式匹配方法 75

第三章 非经典条件下的若干回归分析方法 77

第一节 稳健回归方法 77

一、稳健统计的基本理论 78

二、稳健回归方法进展 81

三、应用实例及软件实现 86

第二节 截取回归模型 88

一、Tobit模型概述 88

二、Tobit模型的异方差性和非正态性 91

三、应用实例及软件实现 95

第三节 非参数回归与广义可加模型 98

一、非参数回归的基本方法 99

二、偏倚-方差权衡和光滑参数的选择 103

三、可加模型 105

四、广义可加模型 107

五、应用实例及软件实现 112

第四章 结构方程模型 118

第一节 前言 118

第二节 结构方程模型中的几个基本概念 119

第三节 结构方程模型中的两类子模型 119

第四节 路径图及SEM的协方差结构 121

第五节 结构方程模型的分析步骤 123

第六节 结构方程模型中的模型识别 123

第七节 结构方程模型分析软件 125

第八节 结构方程模型参数估计 125

第九节 结构方程模型的拟合度评价 126

第十节 结构方程模型的修正 127

第十一节 应用实例 127

第五章 广义估计方程和多水平模型 153

第一节 广义估计方程 153

一、GEE模型简介 153

二、几种常见的组内相关矩阵 154

三、GEE的参数估计 155

四、GEE在生物医学领域中的应用 156

五、其他应用 160

第二节 多水平模型 160

一、多水平模型简介 160

二、多水平模型的参数估计 162

三、多水平logistic模型 163

四、多水平probit模型及余重对数模型 164

五、多水平Poisson模型 164

六、多类结果及有序结果的多水平logistic回归 167

七、多元重复测量资料的多水平模型 167

第三节 广义估计方程与多水平模型的正确应用 169

一、GEE中作业相关矩阵的选择 169

二、关于缺失数据 170

三、GEE与多水平模型的比较 170

四、GEE与多水平模型的软件实现 170

第六章 Bootstrap方法及其应用 172

第一节 发展简史 172

第二节 基本思想 172

第三节 与传统方法的比较 173

一、Bootstrap区间估计 174

二、Bootstrap假设检验 177

第四节 在生物医学领域的应用 177

一、主成分的可信区间估计 177

二、可加性logistic回归模型参数的估计 178

三、临床试验中生物等效性检验 180

第五节 Bootstrap方法的正确应用 181

一、Bootstrap方法的资料要求 181

二、Bootstrap的误差与自举样本数的确定 181

三、Bootstrap的刀切法诊断 182

四、Bootstrap法的偏差校正 182

第七章 Permutation检验及其应用 184

第一节 发展简史 184

第二节 基本思想和实施步骤 184

一、基本思想 184

二、实施步骤 185

第三节 Permutation检验与传统方法的比较 185

一、在一元分析中的应用 185

二、在多元分析中的应用 194

第四节 在生物医学领域中的应用 197

一、微阵列数据分析中的应用 197

二、临床试验资料分析中的应用 198

第五节 Permutation检验的正确应用 199

一、Permutation含义和特点 199

二、检验统计量与模拟次数 200

三、应用前景 201

第八章 Monte Carlo方法及其在医学中的应用 203

第一节 简介 203

第二节 Monte Carlo方法的基本思想 203

一、Monte Carlo方法的基本原理 203

二、Mote Carlo方法的一般步骤 204

三、一个简单的例子 205

四、Monte Carlo方法的适用范围 205

第三节 Monte Carlo方法的收敛性和误差 206

一、Monte Carlo方法的收敛性 206

二、Monte Carlo方法的误差 206

三、减少方差的一些技巧 207

四、Monte Carlo方法的优缺点 208

第四节 随机数和伪随机数 209

一、随机数及其性质 209

二、产生随机数的方法 209

三、伪随机数的独立性和均匀性 210

四、伪随机数的产生方法 210

第五节 常用的Monte Carlo抽样方法 211

一、连续型变量的抽样方法 211

二、离散型变量的抽样方法 212

三、特殊的抽样方法 213

四、多维随机变量的抽样 214

五、关于正态分布的抽样 215

第六节 Monte Carlo方法在医学上的应用 216

一、回归分析中的应用 216

二、饮食暴露评价 217

三、生物医学现象（过程）的直接模拟 218

四、疾病预防与监测中抽样方案的考查 219

五、药物的临床实验 219

六、应用中的注意事项 219

第九章 数据挖掘技术及其应用 221

第一节 数据挖掘概述 221

一、数据挖掘的定义和范畴 221

二、数据挖掘的特点 223

三、数据挖掘算法的基本要求 223

四、数据挖掘的过程 223

第二节 概念描述 230

一、概念描述的生成过程 230

二、概念分层 230

三、数据泛化 230

第三节 数据挖掘基础数学理论 232

一、基于概率论和数理统计的数据挖掘 232

二、模糊理论 237

三、粗糙集理论 240

四、不确定性理论的关系 244

第四节 数据挖掘最优化理论 245

一、模拟退火算法 245

二、人工神经元模型 247

三、进化算法（evolutionary algorithm） 249

四、蚁群算法（ant colony alogrithm） 253

五、支持向量机 254

六、SA、ANN、EA、ACA、SVM的比较 260

第五节 分类方法 260

一、基于数理统计的分类算法 261

二、基于机器学习的分类算法 265

第六节 聚类方法 272

一、聚类分析概述 272

二、聚类处理的数据结构 273

三、相似性测度 274

四、聚类算法种类 275

五、典型聚类方法 276

第七节 关联规则 284

一、基本概念 285

二、关联规则挖掘算法 286

三、基于兴趣度的关联规则挖掘 289

第十章 Bayes统计方法应用 292

第一节 概述 292

一、Bayes定理 292

二、Bayes统计对信息的利用 293

三、先验分布的选择与确定 295

四、Bayes统计推断 296

五、Bayes统计学与经典统计学的联系 297

第二节 使用MCMC方法解决Bayes统计计算问题 298

一、Bayes统计学所面临的实际困难 298

二、MCMC方法概述 299

三、使用MCMC方法需要考虑的几个实际问题 299

第三节 Bayes统计分析软件—WinBUGS 299

一、构造统计模型 300

二、迭代收敛性的诊断 301

三、WinBUGS一般操作 303

第四节 应用实例 303

一、对各医院心脏手术死亡率的估计 303

二、一般线性回归 305

三、logistic回归 308

四、meta分析 312

五、应用Cox回归进行生存分析 314