Ошибка представительности для показателей экстенсивности вычисляется

Экстенсивный
показатель
(показатель распределения, состава
явления, удельного веса) — показатель
структуры явления.

К таковым, например,
относятся: показатель структуры причин
смертности, показатель структуры причин
младенческой смертности, показатель
структуры заболеваемости, показатели
распределения населения по полу,
образованию, месту жительства, возрастной
состав населения, удельный вес детей в
структуре населения и т.д.

Методика расчета:
э.п. = (часть явления / целое явление)
основание.

Основание — чаще
всего 100, экстенсивный показатель
выражается в %.

Например: в 2006 году
число всех заболеваний детей в детском
саду составило
102 случая, в том числе 50 случаев энтеритов
и 52 случая дизентерии. Если принять все
случаи за 100 %, заболеваемость энтеритом
составит — 50/102
100% = 49%, а заболеваемость дизентерией —
52/102100% = 51%.

Показатель
наглядности —
показатель, который используется для
того, чтобы охарактеризовать изменения
явления в динамике.

Методика расчета:
первоначально исходный или конечный
(либо любой другой) уровень принимают
за 1 или 100, а затем путем составления
пропорций для каждого уровня находят,
во сколько раз или на сколько процентов
произошло уменьшение либо увеличение.

12. Общие положения о параметрических и непараметрических методах оценки достоверности результатов, их значение и практическое применение.

ОЦЕНКА ДОСТОВЕРНОСТИ
РЕЗУЛЬТАТОВ

СТАТИСТИЧЕСКОГО
ИССЛЕДОВАНИЯ

Задачей
статистического исследования является
выявление закономерностей, лежащих в
природе исследуемых явлений. Показатели
и средние величины должны служить
отображением действительности, для
чего необходимо определять степень их
достоверности. Правильное отображение
выборочной совокупностью генеральной
совокупности называется репрезентативностью.
Мерой
точности и достоверности выборочных
статистических величин являются средние
ошибки представительности
(репрезентативности), которые зависят
от численности выборки и степени
разнообразия выборочной совокупности
по исследуемому признаку.

Поэтому
для определения степени достоверности
результатов статистического исследования
необходимо для каждой относительной и
средней величины вычислить соответствующую
среднюю ошибку. Средняя ошибка показателя
m_p
вычисляется по формуле:

При числе наблюдений
менее 30
,
где

P — величина
показателя в процентах, промилле и т.д.

q
— дополнение этого показателя до 100,
если он в процентах, до 1000, если %₀
и т.д. (т.е. q
= 100–P, 1000–P и т.д.)

Например, известно,
что в районе в течение года заболело
дизентерией 224 человека. Численность
населения ― 33000. Показатель заболеваемости
дизентерией на

Средняя ошибка
этого показателя

Для решения вопроса
о степени достоверности показателя
определяют доверительный коэффициент
(t), который равен отношению показателя
к его средней ошибке, т.е.

В нашем примере

Чем выше t, тем
больше степень достоверности. При t=1,
вероятность достоверности показателя
равна 68,3%, при t=2 ― 95,5%, при t=3 ― 99,7%. В
медико-статистических исследованиях
обычно используют доверительную
вероятность (надежность), равную
95,5%–99,0%, а в наиболее ответственных
случаях – 99,7%. Таким образом в нашем
примере показатель заболеваемости
достоверен.

При числе наблюдений
менее 30, значение критерия определяется
по таблице Стьюдента. Если полученная
величина будет выше или равна табличной
― показатель достоверен. Если ниже ―
не достоверен.

При необходимости
сравнения двух однородных показателей
достоверность их различий определяется
по формуле:

(от большего числа
отнимают меньшее),

где P₁–P₂
― разность двух сравниваемых показателей,

― средняя ошибка разности двух
показателей.

Например,
в районе Б в течении года заболело
дизентерией 270 человек. Население района
― 45000. Отсюда заболеваемость дизентерией:

т.е. показатель
заболеваемости достоверен.

Как видно,
заболеваемость в районе Б ниже, чем в
районе А. Определяем по формуле
достоверность разницы двух показателей:

При наличии
большого числа наблюдений (более 30)
разность показателей является
статистически достоверной, если t = 2 или
больше. Таким образом, в нашем примере
заболеваемость в районе А достоверно
выше, т.к. доверительный коэффициент
(t)
больше 2.

Зная величину
средней ошибки показателя, можно
определить доверительные границы этого
показателя в зависимости от влияния
причин случайного характера. Доверительные
границы определяются по формуле:

,
где

P ― показатель;

m ― его средняя
ошибка;

t ― доверительный
коэффициент выбирается в зависимости
от требуемой величины надежности: t=1
соответствует надежности результата
в 68,3% случаев, t=2
– 95,5%, t=2,6
– 99%, t=3
– 99,7%, t=3,3
– 99,9Величина
называется
предельной ошибкой.

Например, в
районе Б показатель заболеваемости
дизентерией с точностью до 99,79%
может колебаться в связи со случайными
факторами в пределах
т.е. от 49,1 до 70,9 .

Также, как и для
относительных величин необходимо для
средней арифметической определять ее
среднюю ошибку.

Средняя
ошибка средней арифметической m_x
― определяется по формуле:

или
(при числе наблюдений менее 30), где

― среднее квадратичное отклонение;

n ― число
наблюдений.

Определение
средней ошибки средней арифметической
необходимо:

1. Для оценки
достоверности средней арифметической,
которая определяется по формуле:

2. Для определения
достоверности разности двух средних
арифметических, которая определяется
по формуле:

В обоих случаях
оценка производится так же, как и при
определении достоверности показателей,
т.е. при числе наблюдений более 30
результаты достоверны, если величина
доверительного коэффициента (t)
равна или больше 2.

3. Для определения
доверительных границ средней
арифметической, т.е. в каких пределах
может колебаться средняя арифметическая
в зависимости от случайных факторов.

Например, обследовано
15 рабочих в цехе с высокой температурой
окружающего воздуха на частоту пульса.
Результаты:

15
1220 382,2

Определить среднюю
частоту пульса и ее достоверность.

Вначале по формуле
определяем среднюю арифметическую

уд. в мин.

По формуле определяем
среднее квадратичное отклонение

Затем по формуле
вычисляем среднюю ошибку средней
арифметической

Для оценки степени
достоверности средней арифметической
полученные данные подставляем в формулу

Величина достоверна.

Допустим известно,
что в цехе с нормальной температурой
окружающего воздуха (18―20⁰)
при обследовании 25 рабочих установлена
средняя частота пульса 72,4 уд. в мин.
Среднее квадратичное отклонение ― 4,8
уд. в мин, средняя ошибка 0,96. Требуется
определить достоверность разности в
частоте пульса у рабочих обоих цехов.
Для этого данные подставляем в формулу

Разница в частоте
ударов пульса у рабочих сравниваемых
цехов статистически достоверна.

Наконец, определяем
доверительные границы частоты пульса
у рабочих в цехе с высокой температурой
окружающего воздуха со степенью
вероятности 99,7 %.
т.е. от 77,1 до 85,5 уд. в мин.

ИЗМЕРЕНИЕ СВЯЗИ
МЕЖДУ ЯВЛЕНИЯМИ

Все явления в
природе и обществе находятся во взаимной
связи. По характеру зависимости явлений
различают:

функциональную
(полную);

корреляционную
(неполную) связи.

Функциональная
связь означает
строгую зависимость явлений, когда
любому значению одного из них всегда
соответствует определенное одно и тоже
значение другого. Функциональная связь
обычно выражается формулами:

(Объем тела
;и т.д.)

При корреляционной
же связи
одной и той же величине одного признака
соответствуют разные величины другого.
Например: между ростом и весом имеется
корреляционная связь, между заболеваемостью
злокачественными новообразованиямии
возрастом и т.д.

По направлению
различают прямые и обратные корреляционные
связи. При прямой ― увеличение одного
из признаков ведет к увеличению другого;
при обратном же ― с увеличением одного
признака второй уменьшается.

По силе связь может
быть сильной, средней и слабой.

На основе
статистического анализа можно установить
наличие связи, ее направление и измерить
ее силу. Одним из способов измерения
связи между явлениями является вычисление
коэффициента корреляции, который
обозначается r_ху.
Он может
быть вычислен различными способами.
Наиболее точным является метод квадратов
(Пирсона), при котором коэффициент
корреляции определяется по формуле:

,
где

r_ху
― коэффициент корреляции между
статистическим рядом X
и Y.

d_х
― отклонение каждого из чисел
статистического ряда X
от своей средней арифметической.

d_у
― отклонение каждого из чисел
статистического ряда Y
от своей средней арифметической.

В зависимости от
силы связи и ее направления коэффициент
корреляции может находиться в пределах
от 0 до 1 (-1). Коэффициент корреляции,
равный 0, говорит о полном отсутствии
связи. Чем ближе уровень коэффициента
корреляции к 1 или (-1), тем соответственно
больше, теснее измеряемая им прямая или
обратная связь. При коэффициенте
корреляции равном 1 или (-1) связь полная,
функциональная.

Схема оценки
силы корреляционной связи по коэффициенту
корреляции

Для вычисления
коэффициента корреляции по методу
квадратов составляется
таблица из 7 колонок. Разберем процесс
вычисления на примере:

ОПРЕДЕЛИТЬ СИЛУ
И ХАРАКТЕР СВЯЗИ МЕЖДУ

СОДЕРЖАНИЕМ ЙОДА
В ВОДЕ И ПОРАЖЕННОСТЬЮ ЗОБОМ:

1. Определяем
среднее содержание йода в воде (в мг/л).

мг/л

2.Определяем среднюю
пораженность зобом в %.

3. Определяем
отклонение каждого V_x
от М_x,
т.е. d_x.

201–138=63; 178–138=40 и
т.д.

4. Аналогично
определяем отклонение каждого V_у
от M_у,
т.е. d_у.

0,2–3,8=-3,6; 0,6–38=-3,2
и т.д.

5. Определяем
произведения отклонений. Полученное
произведение суммируем и получаем.

6.
d_х
возводим в квадрат и результаты суммируем,
получаем.

7.
Аналогично возводим в квадрат d_у,
результаты суммируем, получим

8.
Наконец, все полученные суммы подставляем
в формулу:

Для решения вопроса
о достоверности коэффициента корреляции
определяют его среднюю ошибку по формуле:

(Если
число наблюдений менее 30, тогда в
знаменателе n–1).

В нашем примере

Величина коэффициента
корреляции считается достоверной, если
не менее чем в 3 раза превышает свою
среднюю ошибку.

В нашем примере

Таким образом,
коэффициент корреляции не достоверен,
что вызывает необходимость увеличения
числа наблюдений.

Коэффициент
корреляции можно определить несколько
менее точным, но намного более легким
способом ― методом рангов (Спирмена).

Применение
непараметрических критериев в медицинской
статистике

Для установления
эффективности влияния некоторых факторов
(лекарственного

препарата, метода
лечения, курения, занятий спортом и
т.д.) на

определенный
контролируемый показатель используются
критерии достоверности.

При числовом
выражении признаков, их нормальном
распределении в

совокупности,
одинаковой или незначительно различающейся
дисперсии по

сравниваемым
группам используются критерии
параметрической

статистики
(параметрические критерии). Однако если
имеются сомнения в

возможности
применения указанных критериев или
если исследуемый признак

является качественным,
следует использовать непараметрические
критерии.

Название
«непараметрические» многие авторы
связывают с тем, что методы

сравнения наблюдений
не зависят от вида распределения и нет
необходимости

расчета параметрических
критериев.

В основе расчета
непараметрических критериев лежит
упорядочивание

(ранжирование)
имеющихся значений по отношению друг
к другу, типа

«больше ― меньше»
или «лучше ― хуже». Это разграничение
значений не

предполагает
точных количественных соотношений, а
следовательно, и

ограничений на
параметры и вид распределения. Поэтому
для

использования
непараметрических критериев нужно
меньше информации,

нежели для
использования критериев параметрических.
В качестве

оценок при
непараметрических методах используются
относительные

характеристики
– ранги, инверсии, серии, знаки и др. В
случае

применимости
параметрических критериев (нормальное
распределение

признака и
незначительно различающиеся групповые
дисперсии) они, как

учитывающие большее
количество информации, оказываются
более

мощными, чем
непараметрические критерии, и именно
им следует отдать

предпочтение,
хотя они и более трудоемки.

Впрочем, при
современной вычислительной технике
понятие «трудоемкость»

становится
условным. Персональный компьютер
позволяет начинать

сравнение
вариационных рядов с параметрических
методов (критерий

Стьюдента,
дисперсионный анализ). Такая практика
особенно выгодна в

тех научных работах,
когда анализируются результаты многих

(физиологических,
биохимических, гематологических,

психофизиологических,
социологических и др.) исследований,
полученных у

одних и тех же лиц
в динамике. В этом случае на ПК вариационные
ряды

удобно сравнивать
по единой программе. Однако напомним о
возможной

ошибке: сравнение
их параметрическими методами будет
заканчиваться

получением
недостаточно достоверных данных. В этих
случаях исследование

следует продолжить
с применением непараметрических
критериев. Особенно

эффективно
применение непараметрических критериев
при малых выборках

(п
= 30). Мощность непараметрических критериев,
как правило, лишь

незначительно
меньше мощности соответствующих
параметрических критериев,

а значит, используя
параметрические критерии даже в случае

применимости
параметрических, мы не слишком рискуем
ошибиться.

Непараметрические
методы нашли широкое применение в

микробиологических,
иммунологических, фармакологических

исследованиях.
Гигиенистам, физиологам часто приходится
иметь дело

с малой численностью
персонала при изучении условий
жизнедеятельности на

обитаемых технических
объектах, а врачам-клиницистам ― при
изучении

редких клинических
форм. Учитывая ряд преимуществ исследований
при малых

выборках, они часто
применяются и во многих других случаях.

Непараметрические
критерии существенно проще в вычислительной
части, что

позволяет
использовать их для «быстрой проверки»
результатов.

Непараметрические
методы, используемые для сравнения
результатов

исследований, т.е.
для сравнения выборочных совокупностей,
заключаются в

применении
определенных формул и других операций
в строгой

последовательности
(алгоритмы, шаги). В конечном результате

высчитывается
определенная числовая величина. Эту
числовую величину

сравнивают с
табличными пороговыми значениями.
Критерием достоверности

будет результат
сравнения полученной величины и
табличного значения при

данном

числе наблюдений
(или степеней свободы) и при заданном
пороге

безошибочного
прогноза. Таким образом, критерий в
статистической

процедуре имеет
основное значение, поэтому процедуру
статистической

оценки в целом
иногда называют тем или иным критерием.

Использование
непараметрических критериев связано
с такими понятиями,

как нулевая гипотеза
(Н₀),
уровень значимости, достоверность
статистических

различий. Нулевой
гипотезой называют гипотезу, согласно
которой две

сравниваемые
эмпирические выборки принадлежат к
одной и той же

генеральной
совокупности. Если вероятность (Р)
нулевой гипотезы мала, то

отклонение от нее
утверждает, что сравниваемые статистические
выборки

принадлежат к
разным генеральным совокупностям.
Уровень значимости ―

это такая вероятность,
которую принимают за основу при
статистической оценке

гипотезы. В качестве
максимального уровня значимости, при
котором нулевая

гипотеза еще
отклоняется, принимается 5 %. При уровне
значимости больше 5 %

нулевая гипотеза
принимается, и различия между сравниваемыми

совокупностями
принимаются статистически недостоверными,
незначимыми.

Особого внимания
заслуживает вопрос о мощности
(чувствительности) критериев.

Каждый из изучаемых
критериев имеет характерную для себя
мощность.

Оценки значимости
различий необходимо начинать с наименее
мощного критерия.

Если этот критерий
опровергает нулевую гипотезу, то на
этом анализ заканчивается.

Если же нулевая
гипотеза этим критерием не опровергается,
то следует

проверить изучаемую
гипотезу более мощным критерием. Однако
если

значение
характеристики, вычисленной для менее
мощного критерия, оказалось

очень далеким от
критического значения, то мало надежды,
что более мощный

критерий опровергнет
нулевую гипотезу.

Следует сказать
и о выборе для статистической оценки
результатов подходящих

критериев.
Предлагаются примеры выбора адекватных
методов статистической

обработки данных
в зависимости от задач медико-биологических
исследований.

Разумеется,
предпочтение следует отдавать менее
трудоемким методам, хотя

данное требование
имеет относительное значение в тех
случаях, когда

имеется возможность
использовать современную вычислительную
технику.

Перед выбором
адекватного метода статистического
сравнения данных

необходимо ответить
на следующие основные вопросы:

1.Результаты
получены в количественном или
альтернативном (атрибутивном)

виде, т.е., иными
словами, результат каждого измерения
представлен числом

или альтернативной
(атрибутивной, двухвариантной) оценкой:
«есть признак» ―

«нет признака»,
«есть симптом» ― «нет симптома» и т.д.?

2.
Сравниваются независимые выборки
(результаты исследования основной и

контрольной групп)
или зависимые выборки, т.е. результаты
исследования одних

и тех же лиц
(экспериментальных животных) в динамике?

3. Сравниваются
две или несколько выборок?

Таким образом,
полученный в медико-биологическом
исследовании материал

может быть отнесен
к одному из вариантов, для каждого из
которых

приведены адекватные
методы сравнения выборок.

Фактический
материал исследования в выборках
представлен в

количественном
виде, выборки независимые, сравниваются
две выборки.

Адекватные методы
сравнения выборок:

критерий Стьюдента
(t);

сравнение средних
значений двух независимых малых

выборок по Лорду
(U);

критерий
Вилкоксона-Манна-Уитни (U);

критерий Мостеллера;

критерий Розенбаума
(Q);

критерий Уайта
(К).

Варианты в выборках
имеют количественное выражение,

выборки независимые,
сравниваются несколько выборок.

Адекватные методы
сравнения:

дисперсионный
анализ;

сравнение нескольких
независимых выборок по Немени.

Варианты имеют
количественное выражение, выборки
функционально

связаны (зависимые,
согласованные), т.е. с попарно связанными

вариантами;
сравниваются две выборки. Адекватные
методы сравнения:

критерий Стьюдента
(разностный метод) (t);

ранговый критерий
Манна-Уитни для разностей пар (Т);

критерий знаков
(Z);

максимум-критерий
для разностей пар.

Варианты представлены
в количественном виде, выборки зависимые,

сравниваются
несколько выборок. Адекватные методы
сравнения:

ранговый дисперсионный
анализ для нескольких зависимых

выборок по Фридману
(²
―критерий);

множественное
сравнение зависимых выборок по Вилкоксону
(W).

Варианты в выборках
представлены в альтернативном виде

(«есть признак» ―
«нет признака»), выборки независимые,

сравниваются две
выборки. Адекватные методы сравнения:

критерий
Стьюдента (t)
(для сравнения данных

исследования в
относительных величинах с применением
при

необходимости
поправок Йейтса);

критерий
²;

точный метод Фишера
(ТМФ);

критерий
Вандер-Вардена (X).

Варианты представлены
в альтернативном виде, сравниваются
несколько

независимых
выборок. Адекватные методы сравнения:

дисперсионный
анализ;

критерий
²
(по Р.
Руниони).

VII.Выборки
представлены в альтернативном виде,
выборки зависимые,

сравниваются две
выборки. Адекватные методы сравнения:

модифицированный
критерий Макнимара (²
― критерий
Макнимара);

критерий итерации
по Веберу.

Выборки представлены
в альтернативном виде, выборки зависимые,

сравниваются
несколько выборок. Адекватный метод:

критерий Кохрана
(Q).

Методы в каждой
из приведенных 8 групп расположены в
порядке убывания их

мощности. Мощность
определяется вероятностью выявления
существующих

достоверных
различий. Вместе с тем, чем она больше,
тем более трудоемок метод.

Для некоторых
методов имеются ограничения, обусловленные,
главным образом,

числом единиц
наблюдения в выборочной совокупности,
что также необходимо

учитывать при
выборе метода.

Таким образом,
непараметрические критерии обладают
рядом важных и

неоспоримых
достоинств. Использование их не требует
знания законов

распределения
изучаемых совокупностей, они могут быть
применены к

совокупностям не
только количественным, но также к
полуколичественным

и качественным.
Эти методы позволяют проводить
статистическую обработку

результатов
исследования при малом числе наблюдений.
Они сочетают в

себе простоту
расчетов с достаточной мощностью.

Критерий согласия
(²)

С помощью
²
определяют
соответствие (согласие) эмпирического

распределения
теоретическому и тем самым оценивают
достоверность различия

между выборочными
совокупностями. Критерий
²
применяется
в тех случаях,

когда нет
необходимости знать величину того или
иного параметра

(среднюю или
относительную величину) и требуется
оценить достоверность

различия не только
двух, но и большего числа групп.

В практике работы
врача метод
²
может широко
использоваться

при оценке
эффективности прививок, действия
препаратов, результатов

различных методов
лечения и профилактики заболеваний,
влияния условий труда

и быта на
заболеваемость рабочих. С помощью
критерия
²
можно
определить,

влияют или нет
сроки госпитализации на течение
заболевания, влияет ли

материальное
обеспечение населения на уровень
заболеваемости и т.д.

Критерий²
определяется
по формуле:

,

где Р ― фактические
(эмпирические) данные; Р₁
― «ожидаемые» (теоретические)

данные, вычисленные
на основании нулевой гипотезы.

Определение
критерия
²
основано
на расчете разницы между

фактическими и
«ожидаемыми» данными. Чем больше эта
разность (Р — Р₁),

тем с большей
вероятностью можно утверждать, что
существуют различия в

распределении
сравниваемых выборочных совокупностей.
Полученную

величину
²
оценивают
по специальной таблице. При этой оценке

учитывается число
степеней свободы, т.е. число «свободно
варьирующих»

элементов, или
число клеток таблицы, которые могут
быть заполнены

любыми числами
без изменения общих итоговых цифр.

Для
нахождения числа степеней свободы (k)
можно применять

формулу:
k
= (s
—
1)(r
—
1), где s
― число граф первоначальной

таблицы
(без графы «итого»); r
― число строк таблицы (без строки
«всего»).

Для того чтобы
опровергнуть нулевую гипотезу, вычисленный
критерий

согласия
²
должен быть
равен или больше табличного (критического)

значения
²
при уровне
вероятности нулевой гипотезы р
= 5%.

Если условие задачи
содержит только одну степень свободы,
то расчет критерия

²
можно
проводить алгебраическим способом,
обозначив поля таблицы

«а»,
«b»,
«с»,
«d».
Вычисление критерия
²
в этом
случае производится по

формуле:

.

Применение критерия
²
очень эффективно в случаях, когда

надо сопоставить
статистические совокупности с большим
количеством

групп (градаций
признака) или когда сравниваемых
совокупностей больше двух.

Критерий Манна
― Уитни
(критерий однородности Т)

Непараметрическим
аналогом критерия Стьюдента является
критерий

Манна-Уитни. Данный
критерий не связан с конкретными законами

распределения.
Сущность критерия Манна-Уитни состоит
в том, что

обе группы наблюдений
объединяются в одну и она упорядочивается
по

возрастанию.
Каждому элементу группы предписывается
его ранг. При

этом элемент,
обладающий наименьшим значением,
получает ранг №1, следующим

²
― ранг №2
и т.д. Последний ранг N, где N ― суммарная
численность

группы, получает
элемент, принимающий наибольшее значение.
Если несколько

элементов имеют
одинаковые значения, то всем им
предписывается один

и тот же ранг,
равный среднему арифметическому номеров,
под которыми

стоят элементы в
упорядоченной группе.

Присвоив элементам
ранги, опять разводим их по своим группам.

Вычисляем значение
критерия Т, где Т ― сумма рангов элементов

меньшей из групп.
Вводим нулевую гипотезу об однородности
двух выборок.

Полученное значение
критерия Т сравниваем с двумя критическими
значениями,

взятыми из
специальной таблицы. Если наблюдаемое
значение Т находится между

этими критическими
значениями, то принимаем нулевую
гипотезу: выборки

извлечены из одной
генеральной совокупности.

Критерий Манна-Уитни
используется при оценке эффективности
новых

лекарственных
препаратов, новых методов физиотерапевтического
лечения,

сравнения результатов
биохимического исследования в двух
группах лиц и т.д.

Критерий Вилкоксона

Данный критерий
используется как непараметрический
критерий, при

любом типе
распределения. Критерий Вилкоксона
относится к ранговым

критериям, причем
присваиваемые значения признака (ранга)
могут

быть как
положительными, так и отрицательными.

Наблюдения снимаются
дважды: до эксперимента и после
эксперимента.

Под экспериментом
понимается некоторое воздействие на
объект, в результате

которого наблюдаемые
показатели могут измениться в ту или
иную сторону:

например, прием
лекарственного препарата или определенная
методика лечения

приводят к некоторым
изменениям контролируемых показателей.
При этом у

различных
индивидуумов данные изменения также
будут различными. Задача

критерия ― по
статистическим данным установить
эффективность

воздействия.
Поскольку изменения показателя у каждого
объекта могут быть

вызваны самыми
разными случайными причинами, а нас
интересует влияние

именно нашего
эксперимента, то для того, чтобы исключить
случайные

воздействия,
требуется рассматривать группу объектов.
И чем больше объем этой

группы, тем более
взаимно сокращаются положительные и
отрицательные

случайные отклонения
и, наоборот, ярче проявляются отклонения

систематические,
вызванные эффектом эксперимента.

Группа наблюдений
до эксперимента выступает в роли
контрольной группы,

а группа наблюдений
после эксперимента ― в роли экспериментальной
группы.

Однако в данной
ситуации мы располагаем гораздо большей
информацией,

чем информация из
двух произвольных групп наблюдения:
парные данные

выдают непосредственно
для каждого объекта зависимость
наблюдаемого

показателя от
произведенного воздействия (возросло
значение показателя

или уменьшилось
и на сколько единиц измерения). В качестве
наблюдаемого

значения удобно
использовать разность
наблюдаемых показателей до и после

эксперимента
для каждого индивидуума.

Таким образом, из
двух групп наблюдений получается одна
выборка значений,

среди которых
могут быть как положительные (уменьшение
показателя),

так и отрицательные
(увеличение показателя). При нулевой
разнице

наблюдение не
учитывается. Далее производится
ранжирование выборки,

причем несколько
иначе, чем, например, в критерии
Манна-Уитни, где

используется
простое упорядочивание. В нашем случае,
прежде чем

приступить к
упорядочиванию выборочных значений,
их вначале

заменяют
соответствующими абсолютными величинами,
а затем

полученные
положительные числа ранжируют по
возрастанию.

Расставленные
таким образом ранги изменения показателя
являются

промежуточными,
далее каждому рангу приписывается знак
«+» или «-» в зависимости

от знака
соответствующей ему разности. Значит,
часть рангов окажется

положительными
числами, а другая часть ― отрицательными.
Такие

ранги называются
«знаковыми». Сумма знаковых рангов

― случайная
величина W, называемая «критерий
Вилкоксона».

В случае когда
исследуемое воздействие неэффективно,
количество

положительных и
отрицательных разностей (а также и
знаковых рангов)

в среднем должно
уравновешиваться, так как нет превалирующего

изменения показателя
в ту или иную сторону. Следовательно,
среднее значение

критерия Вилкоксона
W должно быть равно нулю (нулевая
гипотеза).

Далее действия
стандартны: для конкретной выборки
разностей

вычисляем Wh_набл.
По специальной таблице находим
соответствующие

критические точки
(с учетом желаемого уровня значимости)
и определяем

принадлежность
W_набл.
критической области или области принятия
нулевой гипотезы.

Критерий Вилкоксона
может применяться в медицинской практике
при

оценке, например,
эффективности новых методов медикаментозной

терапии, диеты,
эффективности хирургических вмешательств
и т.д.

Таким образом,
критерий Вилкоксона игнорирует вид
распределения,

и его выводы
справедливы при любом виде распределения.

Критерий
Краснела―Уоллиса
(проверка однородности нескольких
групп)

Если генеральная
совокупность имеет распределение,
отличное от

нормального, то
требуются критерии проверки однородности
групп, которые не

зависят от вида
закона распределения (т.е. от всевозможных
параметров). В

частности,
непараметрическим аналогом дисперсионного
анализа является

критерий
Краснела―Уоллиса, основанный на рангах.

Итак, однородность
групп наблюдения – это нулевая гипотеза.
Для построения

критерия проверки
нулевой гипотезы используем ранги.
Общее число наблюдений

по всем группам
обозначим N:

N=
п₁
+ n₂+
п₃
+ … + n_k,

где п_1,n₂…
+ … + n_k,
― числа элементов по группам соответственно.

Упорядочим все N
элементов независимо от группы по
возрастанию.

Тогда каждый из
элементов получает свой ранг ― номер
места в упорядоченном

ряду. Если среди
элементов ряда имеются совпадающие, то
всем им присваивается

один и тот же ранг,
равный среднему арифметическому их
номеров, мест

упорядоченного
ряда. Заметим, что сумма всех N рангов,
согласно

формуле суммы
арифметической прогрессии, равна:

.

Далее вычислим
средние ранги по группам как средние
арифметические

соответствующих
величин. Аналогично общий средний ранг
равен:

Если верна нулевая
гипотеза, выборки однородны, то сами
наблюдения, а

следовательно, и
ранги должны быть по величине рассредоточены
по группам

более или менее
равномерно, т.е. средние ранги не должны
существенно

различаться между
собой. При их сравнении можно использовать
отклонения

от общего среднего:

Для суммарной
характеристики таких отклонений с
учетом численности

групп введем
случайную величину

,

называемую
статистикой Краскела—Уоллиса.

Эта статистика Н
― критерий проверки нулевой гипотезы.

Его структура
такова, что распределение Н с ростом
численности групп

стремится к
распределению
²с
(k-1)
степенями свободы (действительно,

распределения
средних стремятся к нормальному
распределению);

разности также
распределены нормально; сумма квадратов
таких

величин имеет
распределение
²
, а соответствующие значения параметров,

необходимых

для этого
распределения, обеспечивают сомножители
.

Фактически, при
численности каждой из групп 5 элементов
уже

обеспечивается
удовлетворительное приближение. Итак,
подставляя

данные в приведенную
выше формулу критерия Н, получаем Н_набл
.Критическую

точку распределения
х²с
Z = (k-1)
степенями свободы находим при выбранном

уровне значимости
по специальной таблице. Если оказывается,
что Н_набл
меньше

²_крит,
то на выбранном уровне значимости
нулевая гипотеза об однородности

выборок принимается
(опытные данные этой гипотезе не
противоречат).

Если же Н_набл.
больше
²_крит,
то нулевая гипотеза об однородности
групп

наблюдений
отвергается, и группы следует сравнивать
попарно.

Критерий
Краскела-Уоллиса используется в
практической медицине

при оценке
эффективности различных лекарственных
препаратов, методов лечения и т.д.

Дискриминантный
анализ

Дискриминантный
анализ позволяет построить так называемые
решающие

правила на основе
оптимального набора диагностических
признаков и определить

группы больных,
здоровых и группы риска. Цель
дискриминантного анализа

состоит в
формировании одной или нескольких групп
(классов) на основании

выборок из
генеральных совокупностей и выработке
определенного решающего

правила, с помощью
которого производится отнесение вновь
поступающих

индивидуумов к
какой-либо из указанных групп (классов).

Дискриминантный
анализ иногда называется кластер-анализом,
или

таксономией, или
задачей автоматической классификации.
Цель задачи:

формирование
индивидуумов в одно родные классы
(группы, кластеры,

таксоны), когда
характеристики и число классов не
заданы. При этом

элементы внутри
классов должны быть «сходны» между
собой, а между

классами ―
«различны». Этот вид задач иногда
называется «распознаванием

образов с обучением».
Решение задачи состоит из двух этапов:
этапа

обучения, т.е.
выработки решающего правила, и собственно
этапа

дискриминации
(распознавания), т.е. отнесения вновь
поступающих

индивидуумов при
помощи правила, выработанного на первом
этапе, к

соответствующей
группе.

Перечень вопросов
задачи должен раскрывать причины,
вызывающие

осложнения. Затем
формируется обучающая последовательность:
к одному

классу этой
последовательности относят тех больных,
которые прошли курс

лечения, не имея
осложнений, к другому ― больных,
перенесших

осложнения. По
этой последовательности строится
решающее правило,

которое, учитывая
индивидуальные особенности больного,
прогнозирует

возможные осложнения
при проведении лечения.

С этой целью
составляется анкета, учитывающая
индивидуальные особенности

больного и
особенности течения его заболевания.
По такому вопроснику

составляется
обучающая последовательность (класс):
для каждого метода

лечения отбирается
группа больных, для которых известен
результат лечения.

При этой обучающей
последовательности строится решающее
правило,

прогнозирующее
попадание каждого больного после лечения
в соответствующую

группу (класс).
Наличие решающего правила для каждого
метода

лечения дает
возможность выбора с учетом наиболее
благоприятных

прогнозов результатов
лечения.

Таким образом, при
решении перечисленных выше задач
прослеживается

одна и та же схема:
специалисты-врачи оценивают состояние
больного по

субъективным
симптомокомплексам, получая при этом
многочисленную

информацию, которая
должна подлежать классификации (т.е.

распределению по
соответствующим классам). Классы образуют

так называемые
обучающие последовательности, на основе
которых

строится нужное
решающее правило, т.е. решается задача
дискриминации.

Проблема классификации
состоит в объединении индивидуумов в
группы

или классы по
результатам клинического, социологического,

психофизиологического,
санитарно-гигиенического исследования.

Математическое
аналитическое представление о классах
(группах) основано

на понятиях
близости или расстояния между отдельными
индивидуумами.

Введение некоторой
метрики, определяющей расстояние между

двумя точками
(индивидуумами), дает возможность
установить расстояние,

при котором две
точки считаются «близкими» или «далекими».

Исходная информация
приводится в виде матрицы-таблицы, у
которой

каждый объект
(индивид), или так называемая операбельная
таксономическая

единица
― ОТЕ (будем обозначать его буквой Y)
рассматриваемой

совокупности
(например, больной или здоровый),
представлен в виде строки.

Общее число строк
равно числу объектов, подлежащих
классификации.

Пусть это число
индивидов равно n.
Каждый индивид описывается, как уже

было указано,
кодированными данными (будем обозначать
их буквами

X с индексами).
Пусть общее число признаков равно р.
Тогда мы исходную

информацию всегда
можем представить в виде таблицы.

Для решения задачи
классификации необходимо прежде всего
количественно

определить понятия
сходства и разнородности. Что означает,
например,

«два объекта Yi,
и Y_j
различны»? Задача была бы решена, если
бы два

объекта Y_iи
Y_j,
попадали в один и тот же класс всякий
раз, когда

расстояние
(отдаленность) между соответствующими
точками было

бы «достаточно
малым», и, наоборот, попадали бы в разные
классы, если

бы расстояние
между точками было бы «достаточно
большим».

Основную единицу,
используемую в каком-либо определенном

исследовании
классификаций, обычно называют
операбельной таксономической

единицей (ОТЕ),
или единицей наблюдения. Это составной
элемент объекта,

являющийся носителем
признаков, подлежащих регистрации, и
основой

счета. В медицинских
исследованиях это, как правило, индивид
(больной,

умерший, родившийся,
здоровый человек). Иногда единица
наблюдения

совпадает с единицей
совокупности (например, при переписи
населения).

Единица совокупности
― первичный объект статистического
наблюдения,

являющийся носителем
изучаемых признаков. Численность единиц

совокупности
определяет ее объем (п)
и распространенность изучаемого

явления, т.е.
статистическая совокупность ― это
группа фактов, событий,

обладающих
варьирующими признаками, но объединенных
единой качественной

основой (сущностью).

Основные этапы,
на которые распадается процедура
формирования классов,

состоят в следующем:

Выбирают п
индивидов (n
ОТЕ), подлежащих классификации, и по

каждому из них
исследуют и кодируют соответствующее
число

признаков. Если
признаков мало, то классификация очень

«чувствительна»
к произвольному выбору признаков.

Сравнивают всех
индивидов (ОТЕ) друг с другом для
определения

сходства или
различия с помощью признаков. Один из

простейших
показателей сходства некоторой пары
индивидов

(ОТЕ) ― доля
признаков, которые у них совпадают.
Множество

измеренных
коэффициентов сходства можно представить
в виде матрицы.

На основе матрицы
вычисленных коэффициентов сходства

можно распределить
всех индивидуумов по классам. Каждый
индивид имеет

«сходство» с
другими индивидами внутри класса и
«отличен» от индивидов

других классов. В
некоторых случаях, объединяя по несколько
классов в

группы более
высокого ранга, можно получать
иерархическую структуру.

Последний этап ―
проверка правильности классификации

путем прогнозирования
для новых индивидов (ОТЕ), т.е., по существу,

решение задачи
дискриминации.

Метод стандартизации

Основное правило
статистики ― «сравнивать сравнимое»
― предполагает

сопоставление
обобщающих показателей, полученных на
однородных

статистических
совокупностях. Однако нередко бывают
случаи, когда

необходимо сравнить
показатели здоровья населения в районах
с различной

возрастно-половой
структурой населения, показатели
деятельности

лечебно-профилактических
учреждений с разным составом больных
и т.п.

Анализируя
показатели общественного здоровья в
различных группах населения,

можно заметить,
что уровень рождаемости будет выше там,
где более высока

доля женщин
детородного возраста среди населения,
больничная летальность

будет выше в
стационаре, где больше больных с тяжелыми
формами

заболеваний,
показатель смертности будет выше в том
населенном пункте,

где больше удельный
вес лиц пожилого возраста. Такая же
проблема

возникает при
сравнении показателей в динамике, так
как возрастной и

половой состав
групп населения с течением времени
меняется. Наиболее

правильным при
анализе различных показателей здоровья
считается

сравнение специальных
коэффициентов, но не всегда этого бывает
достаточно.

Использование
метода стандартизации позволяет
расчетным путем устранить

влияние различных
структур сравниваемых совокупностей
на обобщающие

коэффициенты.
Стандартизация (англ. standard ― образец,
эталон) в

статистике ― это
особый прием вычисления стандартизованных
показателей,

которые по
статистической сущности являются общими
интенсивными

коэффициентами.

Общие интенсивные
коэффициенты (рождаемость, смертность,

заболеваемость,
инвалидность и т.д.) правильно отражают
частоту

распространения
явления лишь в том случае, когда состав
сравниваемых

групп однороден.
Если же сравниваемые совокупности
(население, рабочие,

больные и т.д.)
имеют неоднородный состав (возрастно-половой,

профессиональный,
по тяжести и продолжительности
заболеваний),

то наиболее
правильным способом анализа будет
сопоставление

стандартизованных
(соответственно по возрасту, полу,

профессиональному
составу, тяжести и продолжительности
заболеваний)

коэффициентов.

Метод стандартизации
рационально применять при условии,
когда имеющиеся

различия в составе
сравниваемых коллективов являются
существенными и

могут повлиять на
размеры общих коэффициентов. Для
элиминирования

(исключения)
влияния структуры сравниваемых
совокупностей на

коэффициенты их
приводят к единому стандарту, т.е. при
этом условно

допускается, что
состав сравниваемых коллективов
одинаков. Целесообразно

выбрать стандарт,
близкий по существу к сравниваемым
совокупностям,

или в качестве
стандарта принять состав одной из них.

Стандартизованные
коэффициенты показывают, каковы были
бы общие

интенсивные
показатели (рождаемости, смертности,
летальности, естественного

прироста,
плодовитости и др.), если бы на их величину
не оказывала

влияние неоднородность
в составах сравниваемых коллективов.

Стандартизованные
коэффициенты являются условными
величинами и

применяются
исключительно в целях сравнения, по ним
нельзя давать такую

же оценку, как по
фактическим данным, в том числе оценивать
достоверность

различий. При
изменении взятого стандарта изменяются
и

стандартизованные
коэффициенты. Поэтому при анализе важны
не сами

абсолютные их
значения, а степень различия коэффициентов
между собой.

В практике
здравоохранения используют три метода
стандартизации ― прямой,

косвенный и обратный
(метод Керриджа). В практической

деятельности врача
стандартизованные коэффициенты чаще
рассчитываются

по одному признаку,
в научных целях можно получать
стандартизованные

коэффициенты с
учетом изменения двух признаков, но
этот метод является

более сложным и
используется редко.

Прямой метод
стандартизации применяется
наиболее часто.

При прямом методе
стандартизации за стандарт принимается

состав среды и
предполагается, что он одинаков в обеих

сравниваемых
совокупностях. Единая структура позволяет
определить

«ожидаемое» число
больных (умерших, инвалидов и т.д.) для
каждой

из сравниваемых
совокупностей.

Использование
прямого метода стандартизации возможно,
если:

известны состав
среды (совокупности) и состав

явления по
изучаемому признаку (т.е. можно

рассчитать
специальные интенсивные коэффициенты

по возрасту, полу
и любому другому изучаемому признаку);

число наблюдений
достаточно велико в каждой выделенной

для изучения
группировке (т.е. вычисленные специальные
коэффициенты достоверны).

Прямой метод
расчета стандартизованных коэффициентов
рациональнее

проводить по трем
основным последовательным этапам:

I этап ― вычисление
общих и специальных интенсивных
коэффициентов;

II этап ― выбор
(или расчет) стандарта;

III этап ― определение
и оценка стандартизованных коэффициентов.

Если за стандарт
брать не относительные, а абсолютные
цифры, то можно

выделить 4 и даже
5 этапов вычисления стандартизованных
коэффициентов:

I этап ― расчет
общих и специальных (по каждой группе
– половой,

возрастной и др.)
интенсивных показателей (или средних
величин) для двух

сравниваемых
совокупностей;

II этап ― выбор и
расчет стандарта;

III
этап ― расчет «ожидаемых величин» для
каждой группы стандарта;

IV
этап― определение стандартизованных
показателей;

V
этап ― сравнение групп по общим
интенсивным (или средним) и

стандартизованным
показателям. Выводы.

Целесообразно все
эти расчетные операции представить в
виде этапов

стандартизации и
оформить их в виде таблицы.

За стандарт
рациональнее принимать экстенсивные
коэффициенты,

вычисленные на то
же основание, что и интенсивные
коэффициенты

(%, %о, %₀₀,
%₀₀₀),
определяемые на I этапе. Можно за стандарт
принять

и абсолютные
данные, но тогда расчеты будут более
трудоемкими.

На практике
используют три источника выбора
стандарта:

собственные данные
по одной из изучаемых групп (наиболее
быстрый

способ получения
стандартизованных коэффициентов);

собственные данные
в сумме по всем изучаемым группам

(наиболее реальное
отражение);

данные извне
(литературные, учетные и др.).

Стандарт следует
избирать каждый раз применительно к
конкретному

изучаемому
материалу в связи с задачами, стоящими
перед

исследователем.
Так, например, при сравнении младенческой
смертности двух

районов города
за стандарт целесообразно принять
возрастной или

половой состав
младенцев (детей до 1 года) города, а при
сравнении

младенческой
смертности в городе и сельской местности
― возрастной

или половой состав
младенцев области.

Вычисленные
стандартизованные коэффициенты
показывают, что если бы

состав группы
(населения, женщин, младенцев, работающих
и т.д.) был

одинаковым, то
наблюдалось бы такое соотношение
истинных показателей

(общих или специальных
интенсивных коэффициентов), как
соотношение

значений
стандартизованных коэффициентов.

Косвенный метод
стандартизации
показателей применяется в двух случаях:

при отсутствии
данных о составе явления (больных,
умерших и т.д.),

т.е. числителя
интенсивного показателя;

при наличии малых
чисел изучаемого явления.

Суть метода
заключается в том, что за стандарт
принимают специальные

интенсивные
коэффициенты (например, летальность
больных в каком-либо

отделении
многопрофильной больницы) и рассчитывают
так называемые ожидаемые

числа заболеваний
для сравниваемых групп больных с учетом
их

фактической
численности. Вычисление стандартизованных
коэффициентов

косвенным способом
можно разбить на три этапа:

I этап ― выбор
стандарта. Для стандарта чаще используются

данные извне
(опубликованные в литературе, отчетные
данные) при условии,

что эти коэффициенты
близки по уровням к предполагаемой
летальности,

заболеваемости,
смертности, инвалидности изучаемого
населения. Реже

используются
собственные данные в сумме по сравниваемым
группам или по

одной группе с
наибольшим количеством наблюдений;

II этап ― вычисление
«ожидаемых» чисел на основе стандарта
и фактического

состава сравниваемых
групп населения;

III этап ― вычисление
стандартизованных коэффициентов по
формуле:

Стандартизованный
коэффициент = Общий показатель стандарта
х

х
Фактическое
число изучаемого явления.

Ожидаемое
число изучаемого явления

Косвенный метод
стандартизации имеет очень большое
значение для анализа

деятельности
лечебно-профилактических учреждений.
При наличии

стандарта
летальности, частоты осложнений по
каждой нозологической форме

можно рассчитать
«ожидаемые» числа и показатели с учетом
разнообразного

состава больных
в отделениях.

Обратный метод
стандартизации
в деятельности врача появился относительно

недавно [Керридж,
1958]. Этот метод используется реже, чем
прямой и

косвенный. Обратный
метод стандартизации используется при
отсутствии

данных о составе
среды, т.е. знаменателя для расчета
интенсивных

показателей.
Результаты этого метода тем точнее, чем
более дробные

возрастные
интервалы применяются при стандартизации.
Расчет стандартизованных

показателей
обратным методом проводится в 3 этапа:

I
этап ― выбор стандарта (повозрастные
коэффициенты заболеваемости или

смертности
населения). За стандарт чаще принимаются
внешние данные:

уровни заболеваемости
или смертности за предыдущие годы либо

коэффициенты
заболеваемости или смертности по другим
районам, но не по

собственным, а по
иным источникам. За стандарт принимаются
и собственные

данные, если можно
рассчитать специальные коэффициенты;

II
этап ― расчет ожидаемой численности
населения в каждой изучаемой

группе в соответствии
с принятыми за стандарт показателями
заболеваемости

(смертности)
населения и фактическим числом заболевших
(умерших)

в отдельных
возрастных группах населения;

III этап ― вычисление
стандартизованных показателей поформуле:

Стандартизованный
коэффициент = Ожидаемая
численность населения
х

Фактическая
численность населения

х Общий
интенсивный коэффициент стандарта.

У обратного метода
много общего с косвенным, только

«ожидаемые» числа
рассчитываются не для изучаемых явлений,
а

для численности
населения.

Таким образом,
применение любого из трех методов
стандартизации в

оценке здоровья
населения дает врачу возможность
показать зависимость

различных показателей
здоровья населения от тех или иных
факторов риска,

объективно оценить
проводимую профилактическую работу,
выявить наиболее

значимые приоритетные
факторы, определяющие уровень
заболеваемости,

смертности,
инвалидности, рождаемости и другие
показатели здоровья в

определенной
больнице, поликлинике, на конкретном
предприятии, в районе,

области и т.д.

В заключение
необходимо еще раз подчеркнуть, что
выбор конкретного

метода стандартизации
зависит от того, насколько полный
статистический

материал имеется
в наличии. Пря мой метод дает более
надежные результаты,

но в случае
невозможности его применения следует
использовать косвенный

или обратный
методы стандартизации: они достаточно
точны для

практического
применения. Стандартизация позволяет
нам сделать

правильный вывод
о том, действительно ли имеется разница
общих

интенсивных
коэффициентов в сравниваемых коллективах
или эти

различия зависят
только от не одинаковой структуры
коллективов.

Важно помнить, что
величина стандартизованных коэффициентов

зависит от выбора
стандарта, поэтому сравнение
стандартизованных

показателей (разных
больных, поликлиник, районов, областей,
стран и т.д.)

можно проводить,
если они вычислены с применением одного
и того же

стандарта. С учетом
этого большое значение имеет создание
единых

стандартов и
формирование базы стандартов с целью
их широкого

использования
при анализе различных показателей
здоровья.

Кроме того,
стандартизованные коэффициенты, как
величины условные,

пригодны прежде
всего для сравнения между собой с целью

элиминирования
(исключения) различных факторов,
определяющих

уровень здоровья
населения. Для знания реальных размеров

явления (смертность,
летальность, заболеваемость населения
т.д.)

необходимо применять
обычные интенсивные (общие и специальные)
коэффициенты.

Метод корреляции

Все явления в
природе и обществе находятся во взаимной
связи. Выяснение

наличия связей
между изучаемыми явлениями ― одна из
важных

задач статистики.
Многие медико-биологические и
медико-социальные

исследования
требуют установления вида связи
(зависимости) между

случайными
величинами. Сама постановка большого
круга задач

в медицинских
исследовательских работах предполагает
построение

и реализацию
алгоритмов «фактор ― отклик», «доза ―
эффект».

Зачастую нужно
установить наличие эффекта при имеющейся
дозе

и оценить
количественно полученный эффект в
зависимости от дозы. Решение

этой задачи напрямую
связано с вопросом прогнозирования
определенного

эффекта и дальнейшего
изучения механизма возникновения именно
такого

отклика.

Как известно,
случайные величины X и Y могут быть либо
независимыми,

либо зависимыми.
Зависимость случайных величин
подразделяется на

функциональную
и статистическую (корреляционную).

Функциональная
зависимость
― такой вид зависимости, когда каждому

значению одного
признака соответствует точное значение
другого.

В математике
функциональную зависимость переменной
X от переменной

Y называют
зависимостью вида X= f(Y),
где каждому допустимому значению

Y ставится в
соответствие по определенному правилу
единственно возможное

значение X.

Например: взаимосвязь
площади круга (S) и длины окружности (L).
Известно,

что площадь круга
и длина окружности связаны вполне
определенным

отношением S = rL,
где r – радиус
круга. Умножив длину окружности

на половину ее
радиуса, можно точно определить площадь
крута. Такую

зависимость можно
считать полной (исчерпывающей). Она
полностью объясняет

изменение одного
признака изменением другого. Этот вид
связи характерен

для объектов,
являющихся сферой приложения точных
наук.

В медико-биологических
исследованиях сталкиваться с функциональной

связью приходится
крайне редко, поскольку объекты этих
исследований

имеют большую
индивидуальную вариабельность
(изменчивость). С

другой стороны,
характеристики биологических объектов
зависят,

как правило, от
комплекса большого числа сложных
взаимосвязей и не могут

быть сведены к
отношению двух или трех факторов. Во
многих

медицинских
исследованиях требуется выявить
зависимость какой-либо

величины,
характеризующей результативный признак,
от нескольких

факториальных
признаков.

Дело в том, что на
формирование значений случайных величин
X и Y

оказывают влияние
различные факторы. Обе величины ― и X,
и

Y ― являются
случайными, но так как имеются общие
факторы, оказывающие

влияние на них, то
X и Y обязательно будут взаимосвязаны.
И связь эта

уже не будет
функциональной, поскольку в медицине
и биологии часто

бывают факторы,
влияющие лишь на одну из случайных
величин и

разрушающие прямую
(функциональную) зависимость между
значениями

X и Y. Связь носит
вероятностный, случайный характер, в
численном выражении

меняясь от испытания
к испытанию, но эта связь определенно
присутствует

и называется
корреляционной.

Корреляционной
является зависимость массы тела от
роста, поскольку

на нее влияют и
многие другие факторы (питание, здоровье,

наследственность
и т.д.). Каждому значению роста (X)
соответствует множество

значений массы
(Y), причем, несмотря на общую тенденцию,
справедливую

для средних:
большему значению роста соответствует
и большее

значение массы, ―
в отдельных наблюдениях субъект с
большим ростом

может иметь и
меньшую массу. Корреляционной будет
зависимость

заболеваемости
от воздействия внешних факторов, например

запыленности,
уровня радиации, солнечной активности
и т.д. Имеется

корреляционная
зависимость между дозой ионизирующего
излучения и

числом мутаций,
между пигментом волос человека и цветом
глаз, между

показателями
уровня жизни населения и смертностью,
между числом

пропущенных
студентами лекций и оценкой на экзамене.

Именно корреляционная
зависимость наиболее часто встречается
в

природе в силу
взаимовлияния и тесного переплетения
огромного множества

самых разных
факторов, определяющих значение изучаемых
показателей.

Корреляционная
зависимость ― это зависимость, когда
при изменении

одной величины
изменяется среднее значение другой.

Строго говоря,
термин «зависимость» при статистической
обработке

материалов
медико-биологических исследований
должен использоваться

весьма осторожно.
Это связано с природой статистического
анализа,

который сам по
себе не может вскрыть истинных
причинно-следственных

отношений между
факторами, нередко опосредованными
третьими факторами,

причем эти третьи
факторы могут лежать вообще вне поля
зрения

исследователя. С
помощью статистических критериев можно
дать только

формальную оценку
взаимосвязей. Попытки механически

перенести данные
статистических расчетов в объективную
реальность

могут привести к
ошибочным выводам. Например, утверждение:
«Чем

громче утром
кричат воробьи, тем выше встает солнце»,
несмотря на явную

несуразность, с
точки зрения формальной статистики
вполне правомерно.

Таким образом,
термин «зависимость» в статистическом
анализе подразумевает

только оценку
соответствующих статистических
критериев.

Корреляционные
связи называют также статистическими
(например,

зависимость уровня
заболеваемости от возраста населения).
Эти связи

непостоянны, они
колеблются от нуля до единицы. Ноль
означает отсутствие

зависимости между
признаками, а единица ― полную, или
функциональную,

связь, когда имеется
зависимость только от одного признака.

Мерой измерения
статистической зависимости служат раз
личные

коэффициенты
корреляции. Выбор метода для определения
взаимосвязей

обусловлен видом
самих признаков и способами их группировки.

Для количественных
данных применяют линейную регрессию и

коэффициент
линейной корреляции Пирсона. Для
качественных признаков

применяются таблицы
сопряженности и рассчитываемые на их
основе

коэффициенты
сопряженности (С и Ф), Чупрова (К). Для
при знаков,

сформированных в
порядковой (ранговой, балльной) шкале,
можно применять

ранговые коэффициенты
корреляции Спирмена или Кендэла.

Любую существующую
зависимость по направлению связи можно

подразделить на
прямую и обратную. Прямая
зависимость

― это зависимость,
при которой увеличение или уменьшение
значения

одного признака
ведет, соответственно, к увеличению или
уменьшению второго.

Например: при
увеличении температуры возрастает
давление газа

(при его неизменном
объеме), при уменьшении температуры
снижается

и давление. Обратная
зависимость имеется тогда, когда при
увеличении

одного признака
второй уменьшается, и наоборот: при
уменьшении

одного второй
увеличивается. Обратная
зависимость,
или обратная

связь, является
основой нормального регулирования
почти

всех процессов
жизнедеятельности любого организма.

Оценка силы
корреляционной связи проводится в
соответствии со шкалой тесноты.

Если размеры
коэффициента корреляции от ±0,9(9) до
±0,7, то связь

сильная, коэффициенты
корреляции от ±0,31 до ±0,69 отражают связь
средней

силы, а коэффициенты
от ±0,3 до нуля характеризуют слабую
связь.

Известное
представление о наличии или отсутствии
корреляционной связи

между изучаемыми
явлениями или признаками (например,
между массой тела и

ростом) можно
получить графически, не прибегая к
специальным расчетам. Для

этого достаточно
на чертеже в системе прямоугольных
координат отложить,

например,

на оси абсцисс
величины роста, а на оси ординат ― массы
тела и нанести ряд точек,

каждая из которых
соответствует индивидуальной величине
веса при данном

росте обследуемого.
Если полученные точки располагаются
кучно по наклонной

прямой к осям
ординат в виде овала (эллипса) или по
кривой линии,

то это свидетельствует
о зависимости между явлениями. Если же
точки

расположены
беспорядочно или на прямой, параллельной
абсциссе либо ординате,

то это говорит об
отсутствии зависимости.

По форме корреляционные
связи подразделяются на прямолинейные,
когда

наблюдается
пропорциональное изменение одного
признака в зависимости от

изменения другого
(графически эти связи изображаются в
виде прямой линии или

близкой к ней), и
криволинейные, когда одна величина
признака

изменяется
непропорционально изменению другой
(на графике эти связи

имеют вид параболы,
эллипса или иной кривой линии).

Таким образом,
корреляционные связи различаются по
характеру (прямые

и обратные),

по форме
(прямолинейные и криволинейные), по силе
(сильная, средняя,

слабая). И, наконец,
корреляционные связи могут иметь разную

достоверность.
Существуют статистически значимые
связи с высокой

вероятностью
достоверного прогноза минимум на 95 %,
максимум ―

на 99 % и выше. И
могут быть статистически незначимые
корреляционные

связи, когда
вероятность достоверного прогноза ниже
95 %.

В основу исчисления
коэффициента корреляции берется оценка

совпадений колебаний
значений взаимосвязанных признаков.

Если объективно
существующие колебания (вариации) этих
значений

совпадают, то можно
говорить о наличии корреляции. Если
колебания

не совпадают,
корреляции нет.

Коэффициент
линейной корреляции Пирсона

При наличии
прямолинейной связи между взаимосвязанными

количественными
признаками, особенно при большом числе
наблюдений,

рациональнее
прибегать к параметрическим методам
оценки, которые требуют

вычисления
определенных параметров: средней
величины (М), среднего

квадратического
отклонения, средней ошибки (т).
При этом вычисление

связи проводится
по формуле

,

где
r_ху
–
коэффициент линейной корреляции между
двумя признаками X и Y;

d
― отклонение от средних арифметических
данных ряда X и ряда Y.

Алгоритм расчета
коэффициента линейной корреляции
состоит из трех

основных этапов:

I этап ― определение
средних арифметических М_х
М_у
для ряда X и ряда Y;

II этап ― расчет
отклонений чисел X и Y от средней
арифметической этих рядов;

III этап ― определение
квадратов отклонений d_х²и
d_y²
и произведения d_хd_y,,

затем производится
расчет сумм этих значений: d_х²и
d_y²
и dxdy и
вычисление

по формуле Пирсона.

Коэффициент
линейной корреляции Пирсона наиболее
быстро

определяется по
приведенной выше формуле на небольшом
числе наблюдений,

которые представлены
в виде простых вариационных рядов, где
частоты,

как известно,
равны единице. Это прямой путь вычисления
коэффициента

корреляции на
основе использования средних величин
и отклонений от них.

Однако когда
имеется большое число наблюдений и
данные сгруппированы

с определенным
интервалом, т.е. представлены в виде
взвешенных

сгруппированных
вариационных рядов, вычисление r_ху
производится

непрямым путем
(способом) на основе метода Бравэ. Для
вычисления к

оэффициента
корреляции при этих условиях необходимо
строить корреляционную

решетку (таблицу
сопряженности). Такие условия на практике
чаще

всего встречаются
при изучении и оценке физического
развития

отдельных групп
населения. Результаты исследования в
таблице

сопряженности
могут быть представлены как в разном,
так и в одинаковом

числе групп для
подлежащего и сказуемого таблицы.

Поскольку полученные
коэффициенты корреляции определяются
зачастую

на материалах
выборочной совокупности, всегда
необходимо убеждаться в их

надежности.
Репрезентативность (представительность)
коэффициента может

определяться по
специальным таблицам или через его
ошибку

,

где т
– средняя
ошибка коэффициента корреляции; r_ху
― коэффициент

корреляции; n
― число коррелируемых пар.

Достоверным
выборочный коэффициент корреляции
считают только

тогда, когда его
величина превышает свою среднюю ошибку
в 3 раза и более.

Оценку значимости
проводят и по критерию (Стьюдента). Его
величину

определяют по
формуле:

.

Ранговый метод
корреляции Спирмена

В ряде медико-социальных
исследований приходится сталкиваться
с

ситуацией, когда
учетные признаки характеризуются не
точными числовыми

значениями, а
приближенными оценками большего или
меньшего количества

какого-либо
свойства или явления. Когда отдельные
единицы наблюдения

располагают в
порядке возрастания или убывания этих
оценок, т.е. ранжируют,

то номер каждой
единицы наблюдения будет номером ее
ранга.

Порядок ранжирования
должен быть выбран один и тот же для
ряда X и для

ряда Y. Он может
быть возрастающим, когда ранг №1
присваивается

наименьшему
показателю, или убывающим, когда первое
место присваивается

самому большому
показателю, а последнее ― самому
маленькому.

При наличии
нескольких равных по величине показателей
их порядковые

номера (ранги)
суммируются, сумма делится на число
одинаковых

показателей и
полученный результат в виде ранга
присваивается каждому из

определяемых
показателей. Когда анализируемые
признаки

взаимосвязаны,
их распределения совпадают и разность
их рангов

минимальна, и
наоборот.

Одно из главных
достоинств коэффициента корреляции
рангов заключается

в простоте
вычислений. Применение этого коэффициента
корреляции

может быть
рекомендовано в случаях:

когда необходимо
быстро, ориентировочно определить связь

между какими-то
признаками;

когда распределение
значений учетных признаков

(в том числе и
количественных) не соответствует

нормальному
распределению или распределение
неизвестно.

Существует несколько
вариантов вычислений коэффициентов

ранговой корреляции.
Коэффициент корреляции рангов Спирмена

вычисляется по
формуле:

,

где d
– разности между рангами (порядковыми
номерами);

п
– число сопоставляемых пар.

Ранговый коэффициент
используется, например, при оценке
зависимости

интенсивности
запаха воды (в баллах) открытого водоема
(Y) и удаленности

места забора проб
от возможного источника загрязнения
(X).

Нецелесообразно
вычислять коэффициент связи при числе
коррелируемых

пар меньше четырех.
Коэффициент ранговой корреляции можно
вычислять и

тогда, когда данные
носят полуколичественный, приближенный
характер,

отражая лишь общий
порядок следования величин.

Коэффициент
сопряженности (контингенции)

При изучении
зависимости качественных признаков,
когда имеют место так

называемые
альтернативные признаки, т.е. вариация
двух

противоположных
возможностей («заболел ― не заболел»
или «привит

― не привит» и
др.), измерение связи может быть проведено
в четырехпольной

таблице путем
вычисления коэффициентов сопряженности
(контингенции).

Когда получены
статистические данные, характеризующие
связь между

двумя альтернативными
признаками, то используются четырехклеточные

таблицы сопряженности
двух дихотомических признаков (разделенных

надвое) с
альтернативны ми значениями («+», «–»).

Поля таблицы
сопряженных признаков обозначаются
«а»,
«b»,
«c»,
«d».

Коэффициент
сопряженности (современное название ―
коэффициент

контингенции)
вычисляется по формуле:

.

Если известен
критерий согласия
²
(хи-квадрат), то при небольшом числе

(до 100 единиц)
наблюдений коэффициент контингенции
можно определить

по формуле:

.

Коэффициент
взаимной сопряженности Чупрова

Показатель
взаимосвязи Чупрова (К) предназначен
для измерения

связи между
количественными признаками, располагающимися
в таблицах

размером
S
t
=2, где S и t
– соответственно число строк и столбцов
(без итогов).

Вычисление этого
коэффициента основывается на измерении
отклонений

наблюдаемых частот
в клетках таблицы от теоретических
(ожидаемых)

частот, которые
задаются в предположении о независимости
признаков.

Математическая
логика применения показателя К базируется
на

том, что, если
теоретическое распределение говорит
от независимости

(не связанности)
признаков, то отклонение фактического
от теоретического

распределения
будет тем больше, чем больше признаки
взаимосвязаны.

Это отклонение
оценивается с по мощью критерия
,
который включен

в формулы в качестве
основного элемента. Сам по себе критерий

²
может свидетельствовать о наличии или
отсутствии взаимосвязи, однако

его значение во
многом зависит от числа наблюдений (n).
Таким образом,

его значения не
могут использоваться для сравнения
корреляционных

связей в совокупностях
с разным числом наблюдений. Этот
недостаток

устраняется при
использовании коэффициента Чупрова
(К), имеющего формулу:

.

Критерий Чупрова
дает более точные результаты, когда
таблица сопряженности

имеет квадратную
форму, причем число строк и столбцов не
превышает 5×5

(без итогов). Так
как расчет критерия К
производится на основе
²
, то все

ограничения
²
распространяются и на него.

Статистические
оценки значений критерия К
производятся в тех же границах,

что и обычных
коэффициентов корреляции: от 0 до 1. Этим
критериям, как

правило, не
приписывают никакого знака (+ или –),
так как с математической точки

зрения они являются
результатом вычисления квадратного
корня.

Направление связи
устанавливается из содержательного
смысла таблицы с

исходными данными.
Если хотя бы один из признаков не может
быть

ранжирован (пол,
национальность и т.п.), выяснение
направления связи

вообще теряет
всякий смысл.

Регрессионный
анализ

Иногда при анализе
корреляционных связей важно установить,
как количественно

меняется один
признак по мере изменения другого на
единицу.

В этих случаях
регрессионный анализ осуществляется
на основании вычисления

и оценки коэффициентов
регрессии (R). Поскольку изменчивых
величин две

(X и Y) и регрессия
является двусторонней, то соответственно
будут и два

коэффициента
регрессии R_xy
и R_ух,
которые вычисляются по формулам:

,

,

где r_ху
– коэффициент корреляции;
_х
и
_у
– средние квадратические

отклонения двух
сравниваемых рядов.

Коэффициент
регрессии характеризует только линейную
зависимость и имеет

знак «плюс» при
положительной и знак «минус» — при
отрицательной

связи. Между
коэффициентами корреляции и регрессии
имеется определенная

связь, выражающаяся
формулой:

.

Зная коэффициенты
регрессии, можно легко определить
коэффициенты

корреляции.

Коэффициент
регрессии нашел широкое применение в
статистике физического

развития. Он
показывает, например, насколько изменяется
масса тела при

увеличении роста
на 1 см или возраста на 1 год. Аналогично
при помощи

коэффициента
регрессии можно выяснить, как должна
меняться окружность

грудной клетки
при изменении роста на 1 см.

В практической и научно-практической работе
врачи обобщают результаты, полученные как правило на выборочных
совокупностях.
Для более широкого распространения и применения полученных при изучении
репрезентативной выборочной совокупности данных и выводов
надо уметь по части явления судить о явлении и его закономерностях в
целом.

Учитывая, что врачи, как правило, проводят исследования на
выборочных совокупностях, теория статистики позволяет с помощью
математического аппарата (формул) переносить данные с выборочного
исследования на генеральную совокупность. При этом врач должен
уметь не только воспользоваться математической формулой, но сделать
вывод, соответствующий каждому способу оценки достоверности
полученных данных. С этой целью врач должен знать способы оценки
достоверности.

Применяя метод оценки достоверности результатов исследования для изучения общественного здоровья и деятельности учреждений
здравоохранения, а также в своей научной деятельности, исследователь должен уметь правильно выбрать способ данного метода.
Среди методов оценки достоверности различают параметрические и непараметрические.

Параметрическими называют количественные методы статистической обработки данных, применение которых требует обязательного
знания закона распределения изучаемых признаков в совокупности и вычисления их основных параметров.

Непараметрическими являются количественные методы статистической обработки данных, применение которых не требует знания
закона распределения изучаемых признаков в совокупности и вычисления их основных параметров.

Как параметрические, так и непараметрические методы, используемые
для сравнения результатов исследований, т.е. для сравнения
выборочных совокупностей, заключаются в применении определенных формул и
расчете определенных показателей в соответствии с
предписанными алгоритмами. В конечном результате высчитывается
определенная числовая величина, которую сравнивают с табличными
пороговыми значениями. Критерием достоверности будет результат сравнения
полученной величины и табличного значения при данном числе
наблюдений (или степеней свободы) и при заданном уровне безошибочного
прогноза.

Таким образом, в статистической процедуре оценки основное
значение имеет полученный критерий достоверности, поэтому сам способ
оценки достоверности в целом иногда называют тем или иным критерием по
фамилии автора, предложившего его в качестве основы метода.

---

Применение параметрических методов

При проведении выборочных исследований полученный результат не обязательно совпадает с результатом, который мог бы быть получен
при исследовании всей генеральной совокупности. Между этими величинами существует определенная разница, называемая ошибкой
репрезентативности, т.е. это погрешность, обусловленная переносом результатов выборочного исследования на всю генеральную
совокупность.

Определение доверительных границ средних
и относительных величин

Формулы определения доверительных границ представлены следующим образом:

• для средних величин (М): М_ген = М_выб ± tm
• для относительных показателей (Р): Р_ген = Р_выб ± tm
  
  где М_ген и Р_ген — соответственно, значения средней величины и относительного показателя генеральной
  совокупности;
  
  М_вы6 и Р_вы6 — значения средней величины и относительного показателя выборочной совокупности;
  
  m — ошибка репрезентативности;
  
  t — критерий достоверности (доверительный коэффициент).

Данный способ применяется в тех случаях, когда по результатам выборочной совокупности необходимо судить о размерах изучаемого
явления (или признака) в генеральной совокупности.

Обязательным условием для применения способа является репрезентативность выборочной совокупности. Для переноса результатов,
полученных при выборочных исследованиях, на генеральную совокупность необходима степень вероятности безошибочного прогноза (Р),
показывающая, в каком проценте случаев результаты выборочных исследований по изучаемому признаку (явлению) будут иметь место в
генеральной совокупности.

При определении доверительных границ средней величины или относительного показателя генеральной совокупности, исследователь сам
задает определенную (необходимую) степень вероятности безошибочного прогноза (Р).

Для большинства медико-биологических исследований считается
достаточной степень вероятности безошибочного прогноза, равная 95%,
а число случаев генеральной совокупности, в котором могут наблюдаться
отклонения от закономерностей, установленных при выборочном
исследовании, не будут превышать 5%. При ряде исследований, связанных,
например, с применением высокотоксичных веществ, вакцин,
оперативного лечения и т.п., в результате чего возможны тяжелые
заболевания, осложнения, летальные исходы, применяется степень
вероятности Р = 99,7%, т.е. не более чем у 1% случаев генеральной
совокупности возможны отклонения от закономерностей,
установленных в выборочной совокупности.

Заданной степени вероятности (Р) безошибочного прогноза соответствует определенное, подставляемое в формулу, значение критерия
t, зависящее также и от числа наблюдений.

При n>30 степени вероятности безошибочного прогноза Р = 99,7% — соответствует значение t = 3, а при Р = 95,5% — значение
t = 2.

При п<30 величина t при соответствующей степени вероятности безошибочного прогноза определяется по специальной таблице
(Н.А. Плохинского).

на определение ошибок репрезентативности (m) и доверительных границ средней величины генеральной совокупности (М_ген)
при числе наблюдений больше 30

Условие задачи: при изучении комбинированного воздействия шума и низкочастотной вибрации на организм человека было
установлено, что средняя частота пульса у 36 обследованных водителей сельскохозяйственных машин через 1 ч работы составила 80
ударов в 1 минуту; σ = ± 6 ударов в минуту.

Задание: определить ошибку репрезентативности (m_M) и доверительные границы средней величины генеральной
совокупности (М_ген).

Решение.

1. Вычисление средней ошибки средней арифметической (ошибки репрезентативности) (m):

   m = σ / √n =
   6 / √36 =
   ±1 удар в минуту

2. Вычисление доверительных границ средней величины генеральной совокупности (М_ген). Для этого необходимо:
   • а) задать степень вероятности безошибочного прогноза (Р = 95 %);
   • б) определить величину критерия t. При заданной степени вероятности (Р=95%) и числе наблюдений меньше 30 величина критерия t,
     определяемого по таблице, равна 2 (t = 2). Тогда М_ген = М_выб ± tm = 80 ± 2×1 = 80 ± 2
     удара в минуту.

Вывод. Установлено с вероятностью безошибочного прогноза Р =
95%, что средняя частота пульса в генеральной совокупности,
т.е. у всех водителей сельскохозяйственных машин, через 1 ч работы в
аналогичных условиях будет находиться в пределах от 78 до 82
ударов в минуту, т.е. средняя частота пульса менее 78 и более 82 ударов в
минуту возможна не более, чем у 5% случаев генеральной
совокупности.

на определение ошибок репрезентативности (m) и доверительных границ относительного показателя генеральной совокупности
(Р_ген)

Условие задачи: при медицинском осмотре 164 детей 3 летнего возраста, проживающих в одном из районов городе Н., в 18%
случаев обнаружено нарушение осанки функционального характера.

Задание: определить ошибку репрезентативности (m_p) и доверительные границы относительного показателя
генеральной совокупности (Р_ген).

Решение.

1. Вычисление ошибки репрезентативности относительного показателя:

   m = √P x q / n =
   √18 x (100 — 18) / 164 =
   ± 3%

2. Вычисление доверительных границ средней величины генеральной совокупности (Р_ген) производится следующим образом:
   • необходимо задать степень вероятности безошибочного прогноза (Р=95%);
   • при заданной степени вероятности и числе наблюдений больше 30, величина критерия t равна 2 (t = 2).
     Тогда Р_ген = Р_выб± tm = 18% ± 2 х 3 = 18% ± 6%.

Вывод. Установлено с вероятностью безошибочного прогноза Р=95%, что частота нарушения осанки функционального характера у
детей 3 летнего возраста, проживающих в городе Н., будет находиться в пределах от 12 до 24% случаев.

---

Оценка достоверности разности результатов исследования

Данный способ применяется в тех случаях, когда необходимо определить, случайны или достоверны (существенны), т.е. обусловлены
какой-то причиной, различия между двумя средними величинами или относительными показателями.

Обязательным условием для применения данного способа является репрезентативность выборочных совокупностей, а также наличие
причинно-следственной связи между сравниваемыми величинами (показателями) и факторами, влияющими на них.

Формулы определения достоверности разности представлены следующим образом:

Если вычисленный критерий t более или равен 2 (t ≥ 2), что соответствует вероятности безошибочного прогноза Р равном или
более 95% (Р ≥ 95%), то разность следует считать достоверной (существенной), т.е. обусловленной влиянием какого-то фактора, что
будет иметь место и в генеральной совокупности.

При t < 2, вероятность безошибочного прогноза Р < 95%, это означает, что разность недостоверна, случайна, т.е. не
обусловлена какой-то закономерностью (не обусловлена влиянием какого-то фактора).

Поэтому полученный критерий должен всегда оцениваться по отношению к конкретной цели исследования.

на оценку достоверности разности средних величин

Условие задачи: при изучении комбинированного воздействия шума
и низкочастотной вибрации на организм человека было
установлено, что средняя частота пульса у водителей сельскохозяйственных
машин через 1 ч после начала работы составила 80 ударов в
минуту; m = ± 1 удар в мин. Средняя частота пульса у этой же группы
водителей до начала работы равнялась 75 ударам в минуту;
m = ± 1 удар в минуту.

Задание: оценить достоверность различий средних значений пульса у водителей сельскохозяйственных машин до и после 1 ч
работы.

Решение.

Вывод. Значение критерия t = 3,5 соответствует вероятности безошибочного прогноза Р > 99,7%, следовательно можно
утверждать, что различия в средних значениях пульса у водителей сельскохозяйственных машин до и после 1 ч работы не случайно, а
достоверно, существенно, т.е. обусловлено влиянием воздействия шума и низкочастотной вибрации.

на оценку достоверности разности относительных показателей

Условие задачи: при медицинском осмотре детей 3 летнего возраста в 18% (m = ± 3%) случаях обнаружено нарушение
осанки функционального характера. Частота аналогичных нарушений осанки при медосмотре детей 4-летнего возраста составила 24%
(m = ± 2,64%).

Задание: оценить достоверность различий в частоте нарушения осанки у детей 2 возрастных групп.

Решение.

Вывод. Значение критерия t=1,5 соответствует вероятности безошибочного прогноза Р<95%. Следовательно, различие в
частоте нарушений осанки среди детей, сравниваемых возрастных групп случайно, недостоверно, несущественно, т.е. не обусловлено
влиянием возраста детей.

---

Типичные ошибки, допускаемые исследователями при
применении способа оценки достоверности разности результатов исследования

• При оценке достоверности разности результатов исследования по критерию t часто делается вывод о достоверности (или
  недостоверности) самих результатов исследования. В действительности же этот способ позволяет судить только о достоверности
  (существенности) или случайности различий между результатами исследования.

• При полученном значении критерия t<2 часто делается вывод о необходимости увеличения числа наблюдений. Если же
  выборочные совокупности репрезентативны, то нельзя делать вывод о необходимости увеличения числа наблюдений, т.к. в данном
  случае значение критерия t<2 свидетельствует о случайности, недостоверности различия между двумя сравниваемыми результатами
  исследования.

---

Применение методов статистического анализа для изучения общественного здоровья и здравоохранения.
Под ред. чл.-корр. РАМН, проф. В.З.Кучеренко. М., «Гэотар-Медиа», 2007, учебное пособие для вузов

1. Власов В.В. Эпидемиология. — М.: ГЭОТАР-МЕД, 2004. — 464 с.
2. Лисицын Ю.П. Общественное здоровье и здравоохранение. Учебник для вузов. — М.: ГЭОТАР-МЕД, 2007. — 512 с.
3. Медик В.А., Юрьев В.К. Курс лекций по общественному здоровью
   и здравоохранению: Часть 1. Общественное здоровье. — М.: Медицина,
   2003. — 368 с.
4. Миняев В.А., Вишняков Н.И. и др. Социальная медицина и организация здравоохранения (Руководство в 2 томах). — СПб, 1998. -528 с.
5. Кучеренко В.З., Агарков Н.М. и др.Социальная гигиена и организация здравоохранения (Учебное пособие) — Москва, 2000. — 432 с.
6. С. Гланц. Медико-биологическая статистика. Пер с англ. — М., Практика, 1998. — 459 с.