統計學

 1.**標題和摘要**：摘要簡明扼要地概述了研究目的、方法和主要發現，明確指出收縮壓水平與澳大利亞住院患者院內死亡率之間的關係。 2.**引言**：引言部分應說明研究的理由、目標和假設。本研究確實說明瞭其目的及其旨在解決的現有研究中的空白，特別是缺乏有關澳大利亞住院高血壓的頻率和最佳管理的證據。 3.**方法***：    - 研究設計**：本研究是一項多中心回顧性隊列研究，適合研究問題。    - **地點**：在南澳大利亞州的兩家三級醫院進行，從電子病歷中提取數據。    - **參與者**：研究包括連續入院的醫療數據，但不包括非普通內科病房的入院數據以及未記錄血壓測量值的數據。    - **變量和數據來源/測量**：使用自動或手動袖帶測量血壓。研究還收集了人口統計學數據和夏爾森合併症指數。    - **偏倚**：討論承認該研究存在潛在的偏倚和局限性，包括回顧性、可能的測量誤差和未考慮的混雜因素。    - **研究規模**：研究涉及 16,896 名住院患者，樣本規模足以進行可靠的統計分析。    - 定量變量**：研究採用描述性統計和多變量邏輯回歸進行分析。 4.**結果**：    - **描述性數據**：結果部分提供了在隊列中觀察到的患者特徵和血壓模式的詳細信息。    - 結果數據和主要結果**：研究報告顯示，收縮壓≥140 mmHg 與院內死亡率之間存在明顯的反比關係。 5.**討論**：    - 局限性**：討論涉及研究的局限性，包括其回顧性、潛在的數據不準確性以及未解決的混雜因素。    - **解釋和可推廣性**：作者結合現有研究對研究結果進行瞭解釋，並討論了對未來研究和臨床實踐的影響。 6.**其他信息**：    - 資金來源**：本研究未獲得任何資助機構的專項撥款，也未申報任何利益衝突。    - 倫理和同意書**：已獲得倫理批准，並放棄了個人同意。    - **作者貢獻**：明確說明瞭每位作者的貢獻。    - **參考文獻...

 1.1:**混雜因素的可能性**：該研究控制了一些混雜因素，如年齡、性別和夏爾森合併症指數，但也承認可能存在未考慮的混雜因素，包括藥物使用、潛在的醫療條件和生活方式因素，這些因素可能會影響觀察到的關聯的有效性。 1.2:**分析方法**：該研究採用多變量邏輯回歸進行分析，但沒有明確提及根據接受干預的情況對參與者的隨訪時間進行分割。 1.3:**干預中止或轉換**：該研究沒有具體討論干預中斷或轉換與預後結果因素的關係。 1.4:**適當的分析方法**：該研究使用了多變量邏輯回歸法，適合控制混雜因素。但是，它沒有說明是否控制了所有重要的混雜因素。 1.5：**混雜因素測量的有效性和可靠性**：該研究使用既定方法（如夏爾森合併症指數）測量混雜因素，但承認手工輸入電子病歷（EMR）的血壓測量值可能存在錯誤或遺漏。 1.6:**干預後變量的控制**：該研究沒有明確討論干預後變量的控制問題，這些變量可能會受到干預的影響。 1.7:**針對時變混雜因素的分析方法**：研究未說明分析方法是否對時變混雜因素進行了調整。 1.8:**調整混雜因素的有效性和可靠性**：該研究使用了既定的方法來測量混雜因素，但也承認可能存在測量偏差，並且由於其回顧性的特點，在全面性方面存在局限性。 總體而言，雖然該研究採取了多項措施來控制混雜因素，但仍存在潛在的局限性，而且在一些領域，更詳細的方法或數據可以提高研究結果的可靠性。 2.1:**參與者的選擇**：該研究使用了連續入住內科病房的數據，沒有特別提及根據干預開始後觀察到的特徵選擇參與者。 2.2:**干預後的變量和選擇**：研究沒有明確指出影響選擇的干預後變量是否與干預有關。 2.3:**干預後變量的影響**：沒有明確說明影響選擇的干預後變量是受結果的影響還是結果的原因。 2.4:**開始隨訪和干預**：研究沒有提供具體細節，說明大多數參與者的隨訪開始時間和干預開始時間是否一致。 2.5:針對選擇偏差的**調整技術**：雖然該研究使用了多變量邏輯回歸來調整混雜因素，但目前尚不清楚這是否專門糾正了與干預後變量相關的選擇偏差。 該研究使用回顧性數據，主要側重於觀察收縮壓讀數及其與院內死亡率的關係，並未提供有關干預時機或干預後特徵相關選擇標準的詳細信息。 3.1:**干預組**：該研究根據收縮壓讀數（≥140 mmHg 或 <140 mm...

binom=dbinom(0:8, 8, 0.5) barplot(binom, xlab = "Number of heads", ylab = "Probability") p <- seq(0, 1, 0.01) y <- dbinom(4, 8, p) plot(p, y, type = "l", main = "Binomial PMF for x = 4, n = 8", xlab = "Probability", ylab = "Likelihood") x <- seq(-0.5, 1.5, 0.01) y <- dnorm(x, mean = 0.5, sd = 0.2) plot(x, y, type = "l", main = "Normal PDF for x = 0.1, mean = 0.5, sd = 0.2", xlab = "x", ylab = "Probability density") abline(v=0.3)

機率：p(D|H)，D 資料，H 假設，θ 母數、參數，O 觀察到的資料 用 pnorm (x, mean, sd) 找出 CDF 中 θ ≤ x 的機率 p(θ ≤ x)，用 dnorm (x, mean, sd) 找出 PDF 中 x 的密度（最大似然率）。mean, sd default to 0, 1, p(θ ≤ x)= p(θ < x)。 How to use likelihood ratios to interpret evidence from randomized trials 21 https://www.jclinepi.com/article/S0895-4356(21)00132-3/fulltext Table 1 dnorm(-5, -5.17, 1)/dnorm(0, -5.17, 1) # LR=6.28 x 10^5 dnorm(-5, -5.17, 1)/dnorm(-2.5, -5.17, 1) # LR=34.8 只看點估計（樣本平均值 X̄）是沒有意義的！ https://www.facebook.com/1484893288/posts/10228052189718433/?mibextid=8nno9T 邊際機率：p(D) 條件機率：p(D|H) 由邊際機率（摘要性統計量）無法知道條件機率。 逆機率（似然率）： 邊際：p(H) 條件：p(H|D) • 頻率學派：模型 M 為真時看見某資料的機率是 p(D|M)。 • 貝氏學派：看見某資料時模型 M 為真的似然率（逆機率）是 p(M|D)，假設 M 是隨機的變數、D 是已知的固定數。 • 頻率學派：無法計算 p(M|D)，因為它假設 M 是未知的固定數（沒有機率可言）、D 是隨機的變數。 • 二個互斥模型之間的貝氏因子或似然比：p(D|M1)/p(D|M2)。當貝氏學派把 D 看成是已知的固定數、把 M 看成是隨機的變數時，p(D|M) 就變成是似然率了。 似然率原則：跟推論有關的資訊都在似然率函數（資料符合參數的程度）L(θ|O)=P(O|θ) 中，亦即推論跟抽樣方法、樣本數無關。 最大似然率：找出能讓機率 P(O|θ) 最大化-亦即讓 log(L(θ|O) 最小化-的 θ。 What is the difference between "likelih...

# 連續變量 set.seed(123) # 再現性 n_researchers <- 10 # 研究者的數目 n_studies <- 100 # 研究的數目 true_effects <- rnorm(n_studies, mean = 50, sd = 10) # 每一個研究效果的真值 # 每一個研究者估計每一種研究的效果量 estimates <- matrix(rnorm(n_studies * n_researchers, mean = true_effects, sd = 5), nrow = n_studies, ncol = n_researchers) # 在每一個研究中，所有研究者中最大的效果量 winning_estimates <- apply(estimates, 1, max) winner_overestimation <- winning_estimates - true_effects # 贏家詛咒造成的平均高估效果量 mean_winner_overestimation <- mean(winner_overestimation) # 二元變量 n_patients <- 1000 # 病人的數目 prob_recovery <- 0.2 # 某治療有效的比率真值 # 某治療是否有效（1 有效、0 無效） true_outcomes <- rbinom(n_patients, size = 1, prob = prob_recovery) # 每一個研究者估計每一種研究的效果量 estimates_binomial <- matrix(rbinom(n_patients * n_researchers, size = 1, prob = prob_recovery), nrow = n_patients, ncol = n_researchers) # 在每一個研究中，所有研究者中最大的效果量 winning_outcomes <- apply(estimates_binomial, 1, max) winner_overoptimism <- winning_outcomes - true_outcomes # 贏家詛咒造成的平均高估效果量（有效的比...