統計學

https://poe.com/preview/9or7DmjGwEEGW6nZWcA1 import React, { useState } from 'react'; import { LineChart, Line, XAxis, YAxis, CartesianGrid, Tooltip, Legend } from 'recharts'; const PValueDistribution = () => {     const [power, setPower] = useState(0.8);     const [alpha, setAlpha] = useState(0.05);          const data = [];     const lambda = -Math.log(1 - power) / alpha;          for (let x = 0; x <= 1; x += 0.01) {         data.push({             pValue: x,             null: 1,             alt: Math.exp(-x * lambda) * lambda / (1 - Math.exp(-lambda))         });     }     return (         <div className="p-4 max-w-4xl mx-auto">             <div className="text-center mb-6">     ...

在統合分析（meta-analysis）中，選擇適當的效應量指標至關重要。本篇比較 對數反應比（log response ratio, lnRR） 與 標準化均數差（standardized mean difference, SMD），並根據統計特性與適用情境探討其優缺點。 一、統計特性比較 1. 尺度無關性與解釋直觀性 lnRR（對數反應比） • 基於比例尺度（ratio scale），直接反映兩組均值的相對變化（如實驗組均值為對照組的1.2倍）。 • 自然對數轉換 使效應量對稱化，避免原始比例的偏態問題。解讀時可轉換為百分比變化（如：e^0.182 ≈ 20%增加），適合生物醫學與生態學研究中的自然測量（如體重、存活率、細胞計數）。 • 適用於數據無負值、具自然零點的變數。 SMD（標準化均數差） • 依賴標準差標準化，易受標準化方法不一致影響，例如使用變化分數標準差（change score SD）而非基線標準差（baseline SD），可能導致效應量高估或異質性增加。 • 跨研究的標準差變異可能引入人工異質性，影響分析的穩健性。 • 適用於無比例概念的數據，如心理測驗分數、問卷量表等。 2. 偏誤與異質性控制 SMD 的潛在問題 • 標準化標準差的選擇影響效應量： • 使用變化分數 SD：可能高估效應，例如某研究 SMD = 1.03。 • 改用基線 SD：修正後 SMD = 0.37，顯示標準化方式對結果影響顯著。 • 不同研究間的標準差變異會導致人工異質性，增加統合分析的不確定性。 lnRR 的穩健性 • 無需標準化，避免因標準差選擇不當引入的偏誤。 • 對乘性變化具有線性特性，可應用於不同單位的測量（如公分 vs. 英吋）。 • 對技術誤差較為穩健，特別適用於測量誤差可能影響標準差的研究場景。 二、適用情境與限制 1. lnRR 適用情境 ✅ 適合比例尺度數據：當變數具自然零點且關心相對變化時，如： • 體重變化 • 代謝速率 • 細胞增殖率 • 存活時間 ✅ 適用於跨研究單位不一致的情況，如不同研究測量單位不同但需合併分析（如公克與毫克）。 ✅ 適合避免標準化偏誤，特別是在基線標準差難以準確估計或存在重複測量（如交...

以下為使用 OR 為 0.9、95% 信賴區間 (95% Confidence Interval) 為 (0.78, 1.04) 時，依據程式碼計算出的各項結果（數值皆為近似值）： 1. 似然分布參數 (Likelihood Parameters) • 點估計值 (Point Estimate)：0.9 • 對數轉換 (Log Transformation) • ln(OR) = ln(0.9) ≈ –0.1054 • 標準誤 (Standard Error, SE)： 根據上限信賴區間計算： • ln(上限) = ln(1.04) ≈ 0.0392 • SE = (ln(1.04) – ln(0.9)) / 1.96 ≈ (0.0392 – (–0.1054)) / 1.96 ≈ 0.0739 因此，似然分布參數為： • mean ≈ –0.1054 • sd ≈ 0.0739 2. 先驗分布參數 (Prior Parameters) 程式碼中預設先驗參數為： • Prior Mean：1.0（轉換至對數尺度 ln(1.0) = 0） • Prior Standard Deviation (Prior SD)：0.42 • targetValue：0.9（用於計算後驗機率） • Credible Interval：0.95 3. 後驗分布參數 (Posterior Parameters) 依據 Bayesian 計算，結合先驗與似然資訊，計算步驟如下： • 先驗精度 (Prior Precision) = 1 / (0.42²) ≈ 5.67 • 似然精度 (Likelihood Precision) = 1 / (0.0739²) ≈ 183.2 • 後驗精度 (Posterior Precision) = 5.67 + 183.2 ≈ 188.87 • 後驗均值 (Posterior Mean, on log scale)： = [ (ln(Prior Mean) × Prior Precision) + (ln(OR) × Likelihood Precision) ] / Posterior Precision = [ (0 × ...