00-医学统计学（伪）高级部分

作者

Simonzhou

发布于

2025年6月9日

修改于

2025年8月3日

1 高级医学统计

“高级医学统计学”（Advanced Medical Statistics）是医学统计学中的高阶分支，主要研究和应用复杂统计理论与方法，以解决医学研究中更具挑战性的问题。它通常面向具有一定统计基础和医学背景的研究人员和研究生，是医学科研方法论的重要组成部分。

1.1 一、主要研究内容

高级医学统计学涵盖以下几类主要内容：

1.1.1 1. 回归模型的拓展

广义线性模型（GLM）：如 Logistic 回归、Poisson 回归；
广义估计方程（GEE）：用于相关数据（如重复测量）；
混合效应模型（Mixed Models）：线性/非线性，适用于多层级数据。

1.1.2 2. 生存分析

Cox 比例风险模型：分析事件发生时间；
竞争风险模型；
多状态模型；
加速失效时间模型（AFT）。

1.1.3 3. 贝叶斯统计方法

先验信息的引入；
MCMC 模拟；
贝叶斯参数估计与预测。

1.1.4 4. 因果推断方法

倾向得分匹配（PSM）、加权（IPTW）；
工具变量（IV）；
双重稳健估计；
结构方程模型（SEM）；
鲁宾因果模型（RCM）与结构因果模型（SCM）。

1.1.5 5. 多重比较与错误率控制

Bonferroni、Holm 方法；
FDR（False Discovery Rate）；
多重检验在组学/影像/大数据中的应用。

1.1.6 6. 缺失数据处理

多重插补（MI）；
最大似然估计（MLE）；
蒙特卡洛模拟。

1.1.7 7. 复杂数据结构分析

纵向数据分析；
时间序列分析；
空间统计分析；
网络医学统计（如脑连接网络）；
高维数据统计学（如组学、大数据中的变量选择）。

1.1.8 8. 临床试验统计设计与分析

随机对照试验（RCT）；
自适应设计；
非劣效设计；
样本量估计、功效分析。

1.2 二、常用工具和软件

R / Python：用于建模、可视化、高维数据分析；
SAS：广泛用于临床试验数据管理与分析；
Stata：广泛应用于经管类的数据建模与分析，适用于医疗政策评估等内容的应用；
WinBUGS / JAGS / Stan：贝叶斯建模；
SPSS：较适用于传统统计分析。

1.3 三、应用场景

高级医学统计学的应用包括但不限于：

复杂临床试验设计与分析；
公共卫生大数据分析；
预测模型开发（如疾病风险模型）；
基因组学、蛋白质组学等组学研究；
医疗政策评估；
医学人工智能建模（统计学习、机器学习的融合）。

1.4 四、学习资料

[因果推断：从概念到实践](https://github.com/xieliaing/CausalInferenceIntro)

--- title: "00-医学统计学（伪）高级部分" author: "Simonzhou" date: "2025-06-09" date-modified: today format: html: code-fold: true code-line-numbers: true code-highlight: true fig_caption: true number-sections: true toc: true toc-depth: 3 --- # 高级医学统计 “**高级医学统计学**”（Advanced Medical Statistics）是医学统计学中的高阶分支，主要研究和应用复杂统计理论与方法，以解决医学研究中更具挑战性的问题。它通常面向具有一定统计基础和医学背景的研究人员和研究生，是医学科研方法论的重要组成部分。 ## 一、主要研究内容高级医学统计学涵盖以下几类主要内容： ### 1. **回归模型的拓展** - **广义线性模型（GLM）**：如 Logistic 回归、Poisson 回归； - **广义估计方程（GEE）**：用于相关数据（如重复测量）； - **混合效应模型（Mixed Models）**：线性/非线性，适用于多层级数据。 ### 2. **生存分析** - **Cox 比例风险模型**：分析事件发生时间； - **竞争风险模型**； - **多状态模型**； - **加速失效时间模型（AFT）**。 ### 3. **贝叶斯统计方法** - 先验信息的引入； - MCMC 模拟； - 贝叶斯参数估计与预测。 ### 4. **因果推断方法** - 倾向得分匹配（PSM）、加权（IPTW）； - 工具变量（IV）； - 双重稳健估计； - 结构方程模型（SEM）； - 鲁宾因果模型（RCM）与结构因果模型（SCM）。 ### 5. **多重比较与错误率控制** - Bonferroni、Holm 方法； - FDR（False Discovery Rate）； - 多重检验在组学/影像/大数据中的应用。 ### 6. **缺失数据处理** - 多重插补（MI）； - 最大似然估计（MLE）； - 蒙特卡洛模拟。 ### 7. **复杂数据结构分析** - **纵向数据分析**； - **时间序列分析**； - **空间统计分析**； - **网络医学统计**（如脑连接网络）； - **高维数据统计学**（如组学、大数据中的变量选择）。 ### 8. **临床试验统计设计与分析** - 随机对照试验（RCT）； - 自适应设计； - 非劣效设计； - 样本量估计、功效分析。 ## 二、常用工具和软件 - **R / Python**：用于建模、可视化、高维数据分析； - **SAS**：广泛用于临床试验数据管理与分析； - **Stata**：广泛应用于经管类的数据建模与分析，适用于医疗政策评估等内容的应用； - **WinBUGS / JAGS / Stan**：贝叶斯建模； - **SPSS**：较适用于传统统计分析。 ## 三、应用场景高级医学统计学的应用包括但不限于： - 复杂临床试验设计与分析； - 公共卫生大数据分析； - 预测模型开发（如疾病风险模型）； - 基因组学、蛋白质组学等组学研究； - 医疗政策评估； - 医学人工智能建模（统计学习、机器学习的融合）。 ## 四、学习资料 - \[**因果推断：从概念到实践**\](<https://github.com/xieliaing/CausalInferenceIntro>)