Яндекс.Метрика ПРОГРАММА ПО СТАТИСТИКЕ

Каждый слышит то, что понимает. Гете


"Люди перестают мыслить,
когда перестают читать
".
Д. Дидро

Статистика посещаемости БИОМЕТРИКИ

Наш адрес:

Выбрав любое изображение, кликните по нему мышкой, и Вы узнаете о статистике ...


Редактор БИОМЕТРИКИ
В. Леонов

  • 385
data-counter data-url="http://www.biometrica.tomsk.ru/">
Популярные страницы посещаемые читателями

http://www.biometrica.tomsk.ru/index.htmhttp://www.biometrica.tomsk.ru/biostat_1.htm
http://www.biometrica.tomsk.ru/biostat_2.htm
http://www.biometrica.tomsk.ru/biostat_3.htm
http://www.biometrica.tomsk.ru/biostat_4.htm

http://www.biometrica.tomsk.ru/biostat_5.htm
http://www.biometrica.tomsk.ru/biostat_6.htm

http://www.biometrica.tomsk.ru/biostat_7.htm
http://www.biometrica.tomsk.ru/biostat_8.htm
http://www.biometrica.tomsk.ru/biostat_9.htm
http://www.biometrica.tomsk.ru/biostat_10.htm

http://www.biometrica.tomsk.ru/biostat_11.htm
http://www.biometrica.tomsk.ru/nauka_33.htm

http://www.biometrica.tomsk.ru/potencial.htm
http://www.biometrica.tomsk.ru/nauka_19.htm
http://www.biometrica.tomsk.ru/logit_0.htm
http://www.biometrica.tomsk.ru/stat_cardio_1998.htm
http://www.biometrica.tomsk.ru/erevan_3.html
http://www.biometrica.tomsk.ru/student.htm
http://www.biometrica.tomsk.ru/stat_cardio1.htm
http://www.biometrica.tomsk.ru/error.htm
http://www.biometrica.tomsk.ru/leonov_vak.htm
http://www.biometrica.tomsk.ru/erevan_4.html
http://www.biometrica.tomsk.ru/student.htm
http://www.biometrica.tomsk.ru/stat_cardio1.htm
http://www.biometrica.tomsk.ru/biometrica_18.htm

Прочитайте  ПОПУЛЯРНОЕ МНЕНИЕ МЕДИКА ИЗ ШАНХАЯ (КИТАЙ) О БИОСТАТИСТИКЕ...

Пример "Программа по статистическому анализу"

В. Леонов

 

После того, как исследователи высылают нам согласно образцам Пример 1, Пример 2, и Пример 3, описания своих баз данных (БД) и цели проводимых ими научных исследований, мы производим разработку трёх вариантов первой версии "Программы по статистическому анализу". Содержание подобных "Программ" анализа их БД определяются следующими деталями.

Во-первых, сформулированной самим исследователем целью своего научного исследования.  Например, у медиков чаще всего такой целью исследования является реализация результатов статистического анализа своей БД, на улучшение медицинской технологии лечения пациентов. А у социологов или психологов цель исследования направлена на установку основных взаимосвязей между ответами опросников по большинству конкретных вопросов. Исследователи по биологии желают определить наличие или отсутствие взаимосвязи между всеми используемыми признаками, которые являются количественными или группирующими. При этом у медиков, биологов или социологов некоторые признаки являются самыми основными. Для которых им желательно получить уравнения, определяющие их значения набором конкретных переменных.

Объём описываемой цели исследования определяется уровнем восприятия автором базы данных проводимого им исследования, а также уровнем понимания используемой технологии. Оценивая используемую технологию как несложную, соответственно и цель описывается как очень простая. При этом чаще всего такие исследователи предлагают лишь проверку равенства групповых средних или анализ лишь парной корреляции. Однако, осознавая свои технологии реально сложными, которые необходимо улучшать и повышать их продуктивность, исследователи описывают свою цель исследования гораздо больших объёмов, чем по примитивным исследованиям. При этом предлагают исследовать существенно большее количество зависимостей, которые необходимо исследовать разными методами статистического анализа.

Естественно, что в таких описаниях цели исследования у владельцев баз данных нет необходимости предложения конкретных методов статистического анализа. Поскольку для  реального выбора самых продуктивных результатов предлагаемых зависимостей, необходимо использовать не один, а несколько разных методов статистического анализа. Для чего именно профессионалы по статистическому анализу и применяют разные методы анализа, в процессе разработки первой версии "Программы" по работе этой БД.

Второй деталью содержания этих "Программ" являются реальные объёмы наблюдений в этих БД, и количество установленных исследователем признаков в этой БД. Поскольку при небольшом объёме БД и малом количестве признаков, предлагаемая исследователю первая версия "Программа работы по статистическому анализу", имеет очень малое количество предлагаемых методов анализа. Соответственно при наличии большего объёма БД, с немалым количеством используемых признаков, можно в первой версии "Программы" работ по анализу такой БД предлагать и немалое количество продуктивных методов статистического анализа. Таким образом, объёмы БД реально влияют и на объёмы предлагаемыми авторами БД своих целей исследования. Что также влияет и на объёмы предлагаемых профессионалом статистического анализа первых версий "Программы работы по статистическому анализу". Детали таких направлений будут описаны подробнее ниже в следующих аспектах.

Третьей деталью, влияющей на объём методов статистического анализа, предлагаемых автору БД, является наличие в этой БД скрытых, неизвестных группировок наблюдений. 40-летний опыт статистического анализа автора этой статьи, свидетельствует о том, что часто в реальных БД имеются скрытые группировки наблюдений. В кластерном анализе, используя раздельно количественные или качественные (группирующие) признаки, устанавливается наличие примерно от 2-х до 7 разных скрытых группировок наблюдений БД. В результате могут быть установлены новые группирующие признаки. Важность использования этих новых группирующих признаков позволяет получать разные результаты по многомерным уравнениям, отражающим основные цели исследования автора БД. Т.е. наличие этих скрытых группировок подтверждает сложность используемых исследователем своих технологий.

Соответственно те исследователи, которые оценивают свои технологии несложными, они отказываются от использования в предлагаемой первой версии "Программы  работы по анализу" своей БД, этими методами вскрытия неизвестных группировок. Однако получаемые при этом в итоге многомерные зависимости оказываются менее продуктивными, нежели получаемые раздельно по этим скрытым группировкам.

Четвёртая деталь первой версии "Программы  работы по анализу" связана с наличием в исходной БД группирующего признака который имеет 2 или более подгрупп типа "До лечения" и "После лечения", приведённых ниже на графике.

tabl_2

При использовании данного группирующего признака  с двумя или более градациями, производится сравнение этих подгрупп с помощью простых и многомерных методов статистического анализа. Если же в этих сравниваемых подгруппах используются одни и те же пациенты, то из исходной БД  формируется новая БД, приведённая ниже. В которой используются в виде признаков разного названия один и тот же прежний признак, который имел значения в периоды "До лечения" и "После лечения", и т.п.  И тогда такая новая БД с двумя подгруппами и количественных, и качественных признаков, имеет вид типа  tabl_4 .

   Соответственно для этих различающихся по признакам двух или более БД аналогично формируются две или более разные программы анализа для каждой из этих БД. Продуктивность такой новой второй  БД заключается в том, что для отдельных новых количественных признаков в подгруппе "После лечения" можно оценивать с помощью многомерных методов зависимости конкретного признака от значений всех остальных количественных признаков из подгруппы "До лечения". Если же при этом в период "После лечения" повторно фиксируется не только количественные признаки, то также для этих группирующих признаков продуктивно используется и метод логистической регрессии.

   При этом как для логистической регрессии, так и для количественной множественной регрессии, используются 3 варианта потенциальных предикторов. В первом варианте используются только признаки периода "До лечения". Во втором вариане используются только признаки периода "После лечения". А в третьем варианте используются потенциальные предикторы обоих подгрупп "До лечения" и "После лечения". Соответственно при наличии 3-х подгрупп используются признаки из следующих 7 вариантов подгрупп: 1;   2;   3;  1+2;  1+3;  2+3;   1+2+3.  И т.п. Результаты этих уравнений покажут, какие конкретные признаки не оказывают влияния на различие этих сравниваемых подгрупп. А какие признаки при это оказывают влияине на различие этих подгрупп. И эти влияющие признаки упорядочиваются по степени их влияния на различие сравниваемых подгрупп.

    Пятая деталь расширения первой версии "Программы по статистическому анализу" возникает когда в БД имеется немалый объём наблюдений, однако при этом количественных признаков немного. В этом случае для продуктивного статистического анализа количественных признаков, из этих  исходных признаков создаются новые варианты количественных признаков. При этом число новых количественных признаков оказывается существенно больше числа исходных количественных признаков. Варианты создания и использования этих новых количественных признаков оцениваются результатами их использования пробных анализов при разработке первой версии "Программы по статистическому анализу".

Чаще всего проверяется продуктивность следующих вариантов создания новых количественных признаков. Например, если в БД всего 6 количественных признаков PR1, PR2, ..., PR6, то создаются 6 новых количественных признаков, вычисляя по каждому исходному признаку его логарифм. Т.е. новый признак LN1 = Log(PR1), и т.д. Следующие признаки создаются в виде умножения пары исходных признаков. Т.е. новый признак UM12 = PR1 * PR2, UM13 = PR1 * PR3, ..., UM56 = PR5 * PR6. Таким образом количество новых таких признаков будет равно 6*(6-1)/2 = 15. Аналогично 15 новых признаков создаются в виде деления пары исходных количественных признаков.  Т.е. новый признак DEL12 = PR1/PR2, DEL13 = PR1/PR3, ..., DEL56 = PR5/PR6.

 Учитывая возможности наличия между исходными количественными признаками и разными группирующими признаками нелинейных зависимостей, из исходных признаков создаются также следующие новые признаки. Так признак KK1 = корень квадратный из PR1, KK2 = корень квадратный из PR2, и т.д.

 Следующие 6 новых признаков создаются путём возведения в квадрат каждого исходного признака. Т.е. KV1 = PR1 * PR1, ..., KV6 = PR6 * PR6.

  Итак, из 6 исходных количественных признаков созданы 6+15+15+6+6 = 48 новых признаков. И с учётом исходных 6 количественных признаков, общее число этих признаков будет равно 6+48 = 54.

    По каждой своей базе данных исследователи вместе с БД присылают и описания признаков и группировок наблюдений. Ниже приводится пример таких описаний.

Описание признаков Описание подгрупп

NUMBER='Номер наблюдения'
GYF2 = 'Возраст матери, лет'
GYF3F = 'Паритет беременностей'
GYF4F = 'Паритет родов'
GYF5F = 'Этническая принадлежность'

.....

GYF132 = 'III_АЧТВ'
GYF133 = 'III_ПТВ'
GYF134 = 'III_ТВ'
GYF135 = 'III_Фибриноген'
GYF136 = 'III_РФМК'

GYF3F
1 = 'Первород'
2 = 'Повторрод'

GYF14F
1 = 'Некурящие'
2 = 'Курящие'

.....

GYF97F
1 = 'Без осложнений'
2 = 'Легкая'
3 = 'Средняя'

  Используя подобные названия, автор БД описывает свою цель исследования. Что позволяет нам при разработке 3 вариантов первой версии "Программы по статистическому анализу", производить пробные методы статистического анализа. И затем в "Программе" предлагаются конкретные методы статистического анализа.

Ниже приводится реальный пример такой "Программы" по очень ценной БД. Но при этом приводятся только их краткие названия.

_________________________________________________________________________________

Программа по статистическому анализу БД

  1. Подготовка массива данных к работе с ними. Поиск и исправление ошибочно введённых символов и опечаток в массиве данных, состоящего из 4557 наблюдений по 109 группирующим и 21 количественным признакам. Для этого по всем приводимым ниже признакам создаётся таблица с минимальными и максимальными значениями каждого признака. После чего высылается владельцу БД файл с этими значениями для перепроверки наличия или отсутствия ошибочных значений в БД.

NUMBER
NUMB_P
FR1F      
FR2        
FR3F      
FR4        
FR5        
FR6F      
FR7        
FR8        
FR9        
FR10F    
FR11F    
FR12F    
FR13F    
FR14F    
FR15F    
FR16F    
FR17F    
FR18F    
FR19F    
FR20F    
FR21F    
FR22F    
FR23F    
FR24F    
FR25F    
FR30F    
FR31F    
FR32F FR33F    
FR34F FR35F

FR36F
FR37F
FR38F
FR39F
FR40F
FR41F
FR42F
FR43F
FR44F
FR45F
FR46F
FR47F
FR50F
FR51F
FR52F
FR53F
FR54
FR60F
FR61F
FR62F
FR63F
FR64F
FR65F
FR66
FR67 FR68
FR69
FR70 FR71
FR73 FR74 FR75 FR76

FR77F
FR78F
FR79F
FR80F
FR81F
FR82F
FR83F
FR84F
FR85F
FR86F
FR87F
FR88F
FR89F
FR90F
FR91F
FR92F
FR93F
FR94F
FR95F
FR96F
FR97F
FR98F
FR99F FR100F FR101F
FR102F FR103F
FR104F
FR105F FR106F FR107F
FR108F
FR109F

FR110F
FR111F
FR112F
FR113F
FR114F
FR115F
FR116
FR117
FR118F
FR119F
FR120F
FR121F
FR122F
FR123F
FR124F
FR125F
FR126F
FR127F
FR128F
FR129F
FR130
FR131F
FR132F
FR133F
FR134F
FR135F
FR136F
FR137F
FR138F
FR139F FR140F
FR141F

CL_KACH_1_2 = 'Кластеры 1-2 по кач. признакам'
CL_KACH_1_3 = 'Кластеры 1-3 по кач. признакам'
CL_KACH_1_4 = 'Кластеры 1-4 по кач. признакам'
CL_KACH_1_5 = 'Кластеры 1-5 по кач. признакам'
CL_KACH_1_6 = 'Кластеры 1-6 по кач. признакам'
CL_KOL_1_2 = 'Кластеры 1-2 по кол. признакам'
CL_KOL_1_3 = 'Кластеры 1-3 по кол. признакам'
CL_KOL_1_4 = 'Кластеры 1-4 по кол. признакам'
CL_KOL_1_5 = 'Кластеры 1-5 по кол. признакам'
CL_KOL_1_6 = 'Кластеры 1-6 по кол. признакам'
CL_KOL_1_7 = 'Кластеры 1-7 по кол. признакам'

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

БЛОК 1

   В БЛОКЕ 1 анализ устанавливает наличие латентных, скрытых группировок наблюдений. Для этого используется 2 варианта. В частности,  с использованием 14 основных качественных признаков (первый вариант), и 6 основных количественных признаков (второй вариант). При первом варианте кластерного анализа используются 4523 наблюдений, в которых во всех используемых 14 группирующих признаках нет пропусков значений. А во втором варианте используется 4194 наблюдений, в которых во всех используемых 6 количественных признаках нет пропусков значений. В результате при проведении первого варианта кластерного анализа дополняются 5 новых группирующих признаков, а при проведении второго варианта кластерного анализа дополняются 6 новых группирующих признаков. 

 Далее изучаются структуры этих группировок (кластеров) наблюдений. Т.е. последующие БЛОКИ статистического анализа ответят на вопрос, какие конкретно из количественных или качественных признаков вносят наибольшие вклады в различия между собой скрытых группировок по каждой из этих новых 11 латентных группировок. А далее  будут установлены взаимосвязи всех кластеров с каждым группирующим и количественным признаком. Важность использования данного БЛОКА 1, и полученных при этом результатов, обусловлена тем, что для проводимого анализа необходимо установить скрытые имеющиеся неоднородности наблюдений, которые определяются сочетаниями значений всех количественных исходных признаков. А также связи этих новых группировок с предыдущими группирующими признаками. Полученные 11 новых группирующих признаков, в результаты исполнения пунктов БЛОКА 1, будут добавлены в список  группирующих признаков. В результате общее число качественных, группирующих признаков станет равным 109+11=120.

2 Проведение иерархического кластерного анализа с использованием набора 14 качественных признаков, имеющим по каждому признаку 4390 значения. В результате образуется новый группирующий признак CLKA2F='Кластеры 1-2 по кач. признакам', содержащий значения номера кластера, к которому относится каждое конкретное наблюдение. 
3  Проведение иерархического кластерного анализа с использованием набора 14 качественных признаков, имеющим по каждому признаку 4390 значения. В результате образуется новый группирующий признак CLKA3F='Кластеры 1-3 по кач. признакам', содержащий значения номера кластера, к которому относится каждое конкретное наблюдение.
4  Проведение иерархического кластерного анализа с использованием набора 14 качественных признаков, имеющим по каждому признаку 4390 значения. В результате образуется новый группирующий признак CLKA4F='Кластеры 1-4 по кач. признакам', содержащий значения номера кластера, к которому относится каждое конкретное наблюдение. 
5  Проведение иерархического кластерного анализа с использованием набора 14 качественных признаков, имеющим по каждому признаку 4390 значения. В результате образуется новый группирующий признак CLKA5F='Кластеры 1-5 по кач. признакам', содержащий значения номера кластера, к которому относится каждое конкретное наблюдение. 
6 Проведение иерархического кластерного анализа с использованием набора 14 качественных признаков, имеющим по каждому признаку 4390 значения. В результате образуется новый группирующий признак CLKA6F='Кластеры 1-6 по кач. признакам', содержащий значения номера кластера, к которому относится каждое конкретное наблюдение. 
7 Проведение иерархического кластерного анализа с использованием набора 6 количественных признаков, имеющим по каждому признаку 4080 значения. В результате образуется новый группирующий признак CLKO2F='Кластеры 1-2 по кол. признакам', содержащий значения номера кластера, к которому относится каждое конкретное наблюдение. 
8 Проведение иерархического кластерного анализа с использованием набора 6 количественных признаков, имеющим по каждому признаку 4080 значения. В результате образуется новый группирующий признак CLKO3F='Кластеры 1-3 по кол. признакам', содержащий значения номера кластера, к которому относится каждое конкретное наблюдение.
9  Проведение иерархического кластерного анализа с использованием набора 6 количественных признаков, имеющим по каждому признаку 4080 значения. В результате образуется новый группирующий признак CLKO4='Кластеры 1-4 по кол. признакам', содержащий значения номера кластера, к которому относится каждое конкретное наблюдение.
10 Проведение иерархического кластерного анализа с использованием набора 6 количественных признаков, имеющим по каждому признаку 4080 значения. В результате образуется новый группирующий признак CLKO5F='Кластеры 1-5 по кол. признакам', содержащий значения номера кластера, к которому относится каждое конкретное наблюдение. 
11  Проведение иерархического кластерного анализа с использованием набора 6 количественных признаков, имеющим по каждому признаку 4080 значения. В результате образуется новый группирующий признак CLKO6F='Кластеры 1-6 по кол. признакам', содержащий значения номера кластера, к которому относится каждое конкретное наблюдение.  
12 Проведение иерархического кластерного анализа с использованием набора 6 количественных признаков, имеющим по каждому признаку 4080 значения. В результате образуется новый группирующий признак CLKO7F='Кластеры 1-7 по кол. признакам', содержащий значения номера кластера, к которому относится каждое конкретное наблюдение. 

 

БЛОК 2

      В данном БЛОКЕ производится анализ таблиц сопряжённости между парами качественных признаков необходим для установления интенсивности взаимосвязей имеющихся группировок наблюдений со всеми остальными качественными признаками. При наличии статистически значимой связи для конкретной пары качественных признаков, устанавливается структура этой связи. В частности, оцениваются вклады отдельных клеток в данную связь. Также полезно и установление факта не только наличия, но также и факта отсутствия значимых взаимосвязей между отдельными парами качественных признаков.

13 Анализ 119 таблиц сопряжённости между признаком FR10F и всеми остальными группирующими признаками.
14 Анализ 119 таблиц сопряжённости между признаком FR11F и всеми остальными группирующими признаками.
15 Анализ 119 таблиц сопряжённости между признаком FR50F и всеми остальными группирующими признаками.
16 Анализ 119 таблиц сопряжённости между признаком FR113F  и всеми остальными группирующими признаками.
17 Анализ 119 таблиц сопряжённости между признаком FR114F и всеми остальными группирующими признаками.
18 Анализ 119 таблиц сопряжённости между признаком FR115Fи всеми остальными группирующими признаками.
19 Анализ 119 таблиц сопряжённости между признаком FR121F и всеми остальными группирующими признаками.
20 Анализ 119 таблиц сопряжённости между признаком FR122F и всеми остальными группирующими признаками.
21 Анализ 119 таблиц сопряжённости между признаком FR123F и всеми остальными группирующими признаками.
22 Анализ 119 таблиц сопряжённости между признаком FR125F и всеми остальными группирующими признаками.
23 Анализ 119 таблиц сопряжённости между признаком FR126F и всеми остальными группирующими признаками.
24 Анализ 119 таблиц сопряжённости между признаком CLKA2F и всеми остальными группирующими признаками.
25 Анализ 119 таблиц сопряжённости между признаком CLKA3F и всеми остальными группирующими признаками.
26 Анализ 119 таблиц сопряжённости между признаком CLKA4F и всеми остальными группирующими признаками.
27 Анализ 119 таблиц сопряжённости между признаком CLKA5Fи всеми остальными группирующими признаками.
28 Анализ 119 таблиц сопряжённости между признаком CLKA6F и всеми остальными группирующими признаками.
29 Анализ 119 таблиц сопряжённости между признаком CLKO2Fи всеми остальными группирующими признаками.
30 Анализ 119 таблиц сопряжённости между признаком CLKO3F и всеми остальными группирующими признаками.
31 Анализ 119 таблиц сопряжённости между признаком CLKO4F и всеми остальными группирующими признаками.
32 Анализ 119 таблиц сопряжённости между признаком CLKO5F и всеми остальными группирующими признаками.
33 Анализ 119 таблиц сопряжённости между признаком CLKO6F и всеми остальными группирующими признаками.
34 Анализ 119 таблиц сопряжённости между признаком CLKO7F и всеми остальными группирующими признаками.
35 Анализ 119 таблиц сопряжённости между признаком FR6F и всеми остальными группирующими признаками.
36 Анализ 119 таблиц сопряжённости между признаком FR12F и всеми остальными группирующими признаками.
37 Анализ 119 таблиц сопряжённости между признаком FR13F и всеми остальными группирующими признаками.
38 Анализ 119 таблиц сопряжённости между признаком FR14F и всеми остальными группирующими признаками.
39 Анализ 119 таблиц сопряжённости между признаком FR15F и всеми остальными группирующими признаками.
40 Анализ 119 таблиц сопряжённости между признаком FR16F и всеми остальными группирующими признаками.
41 Анализ 119 таблиц сопряжённости между признаком FR17F и всеми остальными группирующими признаками.
42 Анализ 119 таблиц сопряжённости между признаком FR18F и всеми остальными группирующими признаками.
43 Анализ 119 таблиц сопряжённости между признаком FR19F и всеми остальными группирующими признаками.
44 Анализ 119 таблиц сопряжённости между признаком FR20F и всеми остальными группирующими признаками.
45 Анализ 119 таблиц сопряжённости между признаком FR21F и всеми остальными группирующими признаками.
46 Анализ 119 таблиц сопряжённости между признаком FR22F и всеми остальными группирующими признаками.
47 Анализ 119 таблиц сопряжённости между признаком FR23F и всеми остальными группирующими признаками.
48 Анализ 119 таблиц сопряжённости между признаком FR24F и всеми остальными группирующими признаками.
49 Анализ 119 таблиц сопряжённости между признаком FR25F и всеми остальными группирующими признаками.
50 Анализ 119 таблиц сопряжённости между признаком FR30F и всеми остальными группирующими признаками.
51 Анализ 119 таблиц сопряжённости между признаком FR31F и всеми остальными группирующими признаками.
52 Анализ 119 таблиц сопряжённости между признаком FR32F и всеми остальными группирующими признаками.
53 Анализ 119 таблиц сопряжённости между признаком FR33F и всеми остальными группирующими признаками.
54 Анализ 119 таблиц сопряжённости между признаком FR34F и всеми остальными группирующими признаками.
55 Анализ 119 таблиц сопряжённости между признаком FR35F и всеми остальными группирующими признаками.
56 Анализ 119 таблиц сопряжённости между признаком FR38F и всеми остальными группирующими признаками.
57 Анализ 119 таблиц сопряжённости между признаком FR39F и всеми остальными группирующими признаками.
58 Анализ 119 таблиц сопряжённости между признаком FR47F и всеми остальными группирующими признаками.
59 Анализ 119 таблиц сопряжённости между признаком FR51F и всеми остальными группирующими признаками.
60 Анализ 119 таблиц сопряжённости между признаком FR52F и всеми остальными группирующими признаками.
61 Анализ 119 таблиц сопряжённости между признаком FR78Fи всеми остальными группирующими признаками.
62 Анализ 119 таблиц сопряжённости между признаком FR79F и всеми остальными группирующими признаками.
63 Анализ 119 таблиц сопряжённости между признаком FR80F и всеми остальными группирующими признаками.
64 Анализ 119 таблиц сопряжённости между признаком FR83F и всеми остальными группирующими признаками.
65 Анализ 119 таблиц сопряжённости между признаком FR84F и всеми остальными группирующими признаками.
66 Анализ 119 таблиц сопряжённости между признаком FR85F и всеми остальными группирующими признаками.
67 Анализ 119 таблиц сопряжённости между признаком FR86F и всеми остальными группирующими признаками.
68 Анализ 119 таблиц сопряжённости между признаком FR88F и всеми остальными группирующими признаками.
69 Анализ 119 таблиц сопряжённости между признаком FR90F и всеми остальными группирующими признаками.
70 Анализ 119 таблиц сопряжённости между признаком FR92F и всеми остальными группирующими признаками.
71 Анализ 119 таблиц сопряжённости между признаком FR93F и всеми остальными группирующими признаками.
72 Анализ 119 таблиц сопряжённости между признаком FR94F и всеми остальными группирующими признаками.
73 Анализ 119 таблиц сопряжённости между признаком FR95F и всеми остальными группирующими признаками.
74 Анализ 119 таблиц сопряжённости между признаком FR96F и всеми остальными группирующими признаками.
75 Анализ 119 таблиц сопряжённости между признаком FR97F и всеми остальными группирующими признаками.
76 Анализ 119 таблиц сопряжённости между признаком FR98F и всеми остальными группирующими признаками.
77 Анализ 119 таблиц сопряжённости между признаком FR99F и всеми остальными группирующими признаками.
78 Анализ 119 таблиц сопряжённости между признаком FR100F и всеми остальными группирующими признаками.

 

БЛОК 3

    В БЛОКЕ 3 производится  проверка гипотез нормальности распределения каждого количественного признака в отдельных группах сравнения. Сравнение параметров распределения количественных признаков FR2 FR4 FR5 FR7 FR8 FR9 FR54 FR66  FR67 FR68 FR69 FR70 FR72 FR73  FR74 FR75 FR76 FR77 FR116 FR117 FR130 в этих же группах будет описано далее в БЛОКЕ 4. Данная проверка необходима для аргументации использования отказа от параметрических методов анализа и выбора непараметрических критериев сравнения этих групп в БЛОКЕ 4. Кроме проверки нормальности распределения анализируемых признаков во всех пунктах данного блока производится оценка следующих дескриптивных статистик: минимальное и максимальное значения, среднее, ошибка среднего, стандартное отклонение, медиана, мода, а также следующие процентили: 5, 10, 25, 50, 75, 90 и 95%.

79 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR10F.  Анализ производится по всему массиву.
80 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR11F.  Анализ производится по всему массиву.
81 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR50F ='ритм ЭКГ'.  Анализ производится по всему массиву.
82 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR113F.  Анализ производится по всему массиву.
83 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR114F.  Анализ производится по всему массиву.
84 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR115F.  Анализ производится по всему массиву.
85 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR121F.  Анализ производится по всему массиву.
86 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR122F.  Анализ производится по всему массиву.
87 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR123F.  Анализ производится по всему массиву.
88 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR125F.  Анализ производится по всему массиву.
89 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR126F.  Анализ производится по всему массиву.
90 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака CLKA2F.  Анализ производится по всему массиву.
91 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака CLFKA3F.  Анализ производится по всему массиву.
92 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака CLKA4F.  Анализ производится по всему массиву.
93 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака CLKA5F.  Анализ производится по всему массиву.
94 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака CLKA6F.  Анализ производится по всему массиву.
95 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака CLKO2F.  Анализ производится по всему массиву.
96 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака CLKO3F.  Анализ производится по всему массиву.
97 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака CLKO4F.  Анализ производится по всему массиву.
98 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака CLKO5F.  Анализ производится по всему массиву.
99  Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака CLKO6F.  Анализ производится по всему массиву.
100  Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака CLKO7F.  Анализ производится по всему массиву.
101 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR6F. Анализ производится по всему массиву.
102 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR13F.  Анализ производится по всему массиву.
102 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR14F.  Анализ производится по всему массиву.
104 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR24F. Анализ производится по всему массиву.
105 Проверка гипотезы нормальности распределения с помощью критериев Шапиро-Уилка, Колмогорова-Смирнова, Крамера фон Мизеса и Андерсона-Дарлинга для каждого из 21 количественных признаков в группах признака FR25F.  Анализ производится по всему массиву.

 

БЛОК 4

   В БЛОКЕ 4 Программы производится сравнение параметров распределений среднее, медиана, мода и дисперсия, каждого количественного признака для групп, образованных группирующими признаками,  использованных в пунктах предыдущего БЛОКА 3. Результаты также будут полезны как самостоятельно, т.е. как результаты сравнения групп по одному лишь количественному признаку, так и в БЛОКАХ  по дискриминантному анализу и логистической регрессии. В данном БЛОКЕ Программы производится построение графиков с распределением сравниваемых средних групповых количественных признаков. В этих графиках для каждого количественного признака представляются средние значения и доверительные интервалы для среднего значения по каждой группе. Расположение этих интервалов отображает результаты сравнения групповых средних данного количественного признака.

106 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признака с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  FR10F. Анализ производится по всему массиву.
107 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  FR11F. Анализ производится по всему массиву.
108  Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  FR50F. Анализ производится по всему массиву.
109 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  FR113F. Анализ производится по всему массиву.
110 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  FR114F. Анализ производится по всему массиву.
111 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  FR115F. Анализ производится по всему массиву.
112 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  FR121F. Анализ производится по всему массиву.
113 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  FR122F. Анализ производится по всему массиву.
114 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  FR123F. Анализ производится по всему массиву.
115 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  FR125F. Анализ производится по всему массиву.
116 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  FR126F. Анализ производится по всему массиву.
117 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  CLKA2F. Анализ производится по всему массиву.
118 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  CLKA3F. Анализ производится по всему массиву.
119 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  CLKA4F. Анализ производится по всему массиву.
120 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  CLKA5F. Анализ производится по всему массиву.
121 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  CLKA6F. Анализ производится по всему массиву.
122 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  CLKO2F. Анализ производится по всему массиву.
123 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  CLKO3F. Анализ производится по всему массиву.
124 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком CLKO4F. Анализ производится по всему массиву.
125 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  CLKO5F. Анализ производится по всему массиву.
126 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  CLKO6F. Анализ производится по всему массиву.
127 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  CLKO7F. Анализ производится по всему массиву.
128 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком  FR6F. Анализ производится по всему массиву.
129 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком   FR13F. Анализ производится по всему массиву.
130 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком   FR14F. Анализ производится по всему массиву.
131 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком   FR24F. Анализ производится по всему массиву.
132 Проверка гипотез о равенстве групповых средних и дисперсий  для каждого из 21 количественного признаков с помощью однофакторного дисперсионного анализа (ANOVA) и непараметрических критериев Ван дер Вардена, медианного критерия, Краскела-Валлиса, Сиджела-Тьюки и Ансари-Брэдли, при сравнении распределений количественных признаков раздельно в подгруппах, образованных качественным признаком   признаком   FR25F. Анализ производится по всему массиву.

 

БЛОК 5

    В данном БЛОКЕ производится оценка интенсивности корреляционных связей между всеми парами количественных признаков. Количество этих пар равно 21*(21-1)/2 = 21*10 = 210.  Поскольку вид корреляционных взаимосвязей часто не имеет линейного характера, то в связи с этим в данном БЛОКЕ производится оценка двух видов коэффициентов корреляции: Пирсона и Спирмена. При этом оценка коэффициентов корреляции производится раздельно в подгруппах отдельных, основных группирующих признаков. Цель этого анализа заключается в поиске ответа на вопрос: влияет ли принадлежность наблюдений к той или иной подгруппе конкретного качественного признака на интенсивность и статистическую значимость корреляционных связей. То есть уменьшается или увеличивается коэффициент корреляции для одной и той же пары количественных признаков в зависимости от того, к какой группирующей градации принадлежат анализируемые наблюдения. Иными словами, разрушается или возрастает взаимосвязь двух конкретных количественных признаков. Например, изменяются ли интенсивности корреляционных связей между конкретной парой количественных признаков в зависимости от принадлежности пациентов к разным группам по признаку FR10F, и т.д. Таким образом, общее количество оцениваемых в БЛОКЕ 5 коэффициентов корреляции будет весьма большим. Однако это не должно смущать (пугать), поскольку, во-первых, все эти коэффициенты  в каждом файле будут отсортированы по уменьшению МОДУЛЯ коэффициента. То есть вначале будут печататься самые максимальные по величине коэффициенты корреляции, а далее – всё меньшие по значению модуля коэффициента. При этом через некоторое количество этих коэффициентов начнут печататься коэффициенты статистически незначимые. А такие коэффициенты не будут требовать интерпретации, объяснения существующей корреляционной взаимосвязи. Однако до получения всех коэффициентов корреляции невозможно сказать, какие коэффициенты будут статистически значимы, а какие – нет.

133 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится по всему массиву в целом.
134 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21  оличественных признаков. Анализ производится в подгруппах признака FR10F.
135 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR11F.
136 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR50F.
137 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR113F.
138 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR114F.
139 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR115F.
140 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR122F.
141 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR123F.
142 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR125F.
143 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR126F.
144 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака CLKA2F.
145 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака CLKA3F.
146 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака CLKA3F.
147 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака CLKA5F.
148 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака CLKA6F.
149 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака CLKO2F.
150 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака CLKO3F.
151 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака CLKO4F.
152 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака CLKO5F.
153 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака CLKO6F.
154 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака CLKO7F.
155 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR6F.
156 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR17F.
157 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR18F.
158 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR21F.
159 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR22F.
160 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR23F.
161 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR24F.
162 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR25F.
163 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR51F.
164 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR64F.
165 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR65F.
166 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR81F.
167 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR82F.
168 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR83F.
169 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR85F.
170 Оценка коэффициентов корреляции Пирсона и Спирмена для всех пар 21 количественных признаков. Анализ производится в подгруппах признака FR86F.

 

БЛОК 6

      В данном БЛОКЕ  производится оценка дискриминантных функций, которые будут содержать в себе информацию, помогающую объяснить различие между сравниваемыми подгруппами. В данном анализе при многомерном сравнении подгрупп используются только количественные признаки. В результате будут получены уравнения объясняющие различия этих подгрупп. При этом количественные признаки, вошедшие в эти уравнения, будут упорядочены (проранжированы) по степени их влияния на различия этих групп. А признаки, не вошедшие в эти уравнения, не оказывают своего влияния на различие эти сравниваемых подгрупп. В случае сравнения 3-х и более подгрупп, используя эти полученные уравнения, будут  построены графики с распределением этих подгрупп в осях этих уравнений.

171 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной FR10F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
172 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной  FR11F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
173 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной  FR50F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
174 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной  FR113F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
175 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной  FR114F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
176 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной FR121F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
177 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной FR122F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
178 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной  FR123F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
179 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной FR125F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
180 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной FR126F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
181 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной CLKA2F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
182 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной CLKA3F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
183 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной CLKA4F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
184 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной CLKA5F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
185 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной CLKA6F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
186 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной CLKO2F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
187 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной CLKO3F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
188 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной CLKO4F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
189 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной CLKO5F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
190 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной CLKO6F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
191 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной CLKO7F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
192 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной FR83F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
193 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной FR84F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
194 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной FR85F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
195 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной FR87F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
196 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной FR88F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
197 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной FR54F и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.
198 Проанализировать с помощью метода дискриминантного анализа взаимосвязь между зависимой переменной FR80F  и количественными признаками: FR2 FR7 FR8 FR9 FR5 FR4 FR70 FR73 FR67 FR75 FR74 FR68 FR77 FR76, имеющими от 4510 до 4450 измерений.

 

БЛОК 7

   В данном БЛОКЕ производится оценка наличия многомерных связей методом логистической регрессии между ОДНОЙ ГРУППИРУЮЩЕЙ переменной, и набором остальных качественных (группирующих) и количественных признаков. Результаты такого анализа позволяют установить подмножество признаков (предикторов), влияющих на вероятность отнесения конкретного наблюдения в одну из анализируемых подгрупп. Фактически данный метод позволяет оценить, какие признаки (качественные и количественные) следует изменять, и в каком направлении, чтобы повышать вероятность перемещения пациента из групп нежелательного состояния в группу желательного состояния. Этот метод подробно описан в 10 статьях по логистической регрессии (см. http://www.biometrica.tomsk.ru/logit_0.htm http://www.biometrica.tomsk.ru/logit_9.htm ).

    Там же описано и получение ROC-кривых для уравнений логистической регрессии.  Отметим, что ROC-кривые, отражающие взаимосвязь между чувствительностью и специфичностью, строятся лишь в том случае, когда группирующий признак имеет 2 градации. Т.е. основной целью анализа в данном блоке является получение ответа на вопрос: Являются ли используемые признаки ответственными, объясняющими имеющиеся различия между сравниваемыми подгруппами, которые определяются градациями зависимых качественных (неколичественных) переменных. И если они объясняют эти различия, то каков численный показатель надёжности такого объяснения. Кроме того в случае получения уравнения логит-регрессии со статистически значимыми предикторами, провести ранжирование, упорядочение предикторов по силе их взаимосвязи с группирующей переменной. В пунктах БЛОКА 7 в качестве зависимых группирующих признаков используются те же самые признаки, которые были приведены в предыдущих БЛОКАХ. По каждому пункту данного БЛОКА чаще всего оценивается от 3 до 5 уравнений. Однако при наличии достаточно сложных уравнений связей, нередко оцениваются гораздо более 5 уравнений. Чаще всего это до 10-15 уравнений, из которых можно выбирать самые продуктивные 2-3 уравнения.

199  Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR10F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
200  Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR11F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
201 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR50F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
202 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR113F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
203 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR114F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
204 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR115F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
205 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR121F  и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
206 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR122F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
207 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR123F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
208 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR125F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
209 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR126F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
210 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной CLKA2F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
211 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной CLKA3F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
212 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной CLKA4F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
213 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной CLKA5F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
214 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной CLKA6F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
215 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной CLKO2F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
216 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной CLKO3F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
217 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной CLKO4F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
218 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной CLKO5F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
219 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной CLKO6F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
220 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной CLKO7F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
221 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR6F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
222 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR17F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
223 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR18F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
224 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR19F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
225 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR21F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
226 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR22F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
227 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR24F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.
228 Проанализировать с помощью метода логистической регрессии взаимосвязь между зависимой переменной FR25F и количественными и качественными признаками имеющими не менее 3758 измерений. Количество оцениваемых уравнений не менее 3 и не более 5.

229. В процессе выполнения данной Программы не изменяются данные, представленные Исследователем для выполнения этой Программы. Ответственность за достоверность и корректность значений всех признаков в БД, представленных для анализа, несёт сам Исследователь. При необходимости проведения дополнительного статистического анализа этих же данных, либо повторного проведения некоторых видов анализа данной Программы на новых или дополненных, видоизменённых данных БД, либо проведение иных работ, не предусмотренных данной Программой, Исследователь и Исполнитель согласовывают новую Программу работ. Длительность выполнения данной Программы составляет 2 недели.

230. Исполнитель обязуется вместе с результатом первого пункта каждого блока задач, в котором используется один и тот же метод статистического анализа, присылать пояснения к данным результатам, имеющим одну и ту же структуру в результатах данного блока. Кроме того Исполнитель обязуется перед отправкой первых результатов обеспечить Исследователя необходимым набором в несколько десяток учебных пособий для более полного ознакомления с содержанием используемых в Программе методов статистического анализа. Консультации проводятся в форме диалога в сеансах связи по Скайпу. Перед консультацией Исследователь готовит свои вопросы по схеме: «Имя файла с результатами. Страница в этом файле. Фрагмент результатов. Вопрос по данному фрагменту», «Имя файла с результатами. Страница в этом файле. Фрагмент результатов. Вопрос по данному фрагменту», и т.д., и отправляет файл с этими вопросами исполнителю. Исполнитель обязуется не передавать матрицу данных и результаты её анализа по данной Программе третьим лицам.

Мониторинг качества научных медицинских публикаций


Обращение межрегионального Общества специалистов доказательной медицины в ВАК РФ


Ответ на письмо Леонова В.П. от  начальника Управления аттестации научных и научно-педагогических работников Федеральной службы по надзору в сфере образования и науки Н.И. Аристера


СТАТИСТИКА УМЕЕТ МНОГО ГИТИК.
С.Е. Бащинский, главный редактор  Международного журнала медицинской практики, 1998; №4, с.13-15.


Примеры оформления исследователями базы данных, описания признаков и целей статистического анализа этой базы данных

Островок  здоровья

Пример 1  Пример 2  
Пример 3


  НЦ БИОСТАТИСТИКА
выполняет статистический анализ экспериментальных данных уже более 30 лет. В его составе исследователи России, США, Израиля, Англии, Канады и других стран. Нашими услугами пользуются аспиранты и докторанты по медицине, биологии, социологии, психологии и т.д. (См. далее )


Интересная ссылка

Сравниваем средние, а также и ...
В. Леонов.

       Исследователям в медицине и биологии весьма большую пользу приносит сравнение не только групповых средних, но также и иных параметров.
   
     Показано, что не нормальное распределение количественного признака, означает наличие взаимосвязей данного признака с другими признаками
.






В. Леонов. «Применение методов статистики в кардиологии (по материалам журнала «Кардиология» за 1993–1995 гг.) Кардиология, 1998, № 1.

В. Леонов. Статистика в кардиологии. 15 лет спустя. 15 лет назад, в 1998 году, в журнале «Кардиология» была опубликована наша статья  «Применение методов статистики в кардиологии (по материалам журнала «Кардиология» за 1993–1995 гг.) В ней были проанализированы 426 статей кардиологической тематики. В новом обзоре проаналированы современные журнальные статьи кардиологической тематики. Учитывая то, что  в настоящее время в России смертность от сердечно-сосудистых заболеваний более чем в 4 раза выше, чем в Европе, США и Японии, актуальной задачей является оценка эффективности использования статистики в российской кардиологии. Журнал "Медицинские технологии. Оценка и выбор", 2014, №1, с. 17-28.  (Весь обзор одним файлом)

ВАК для учёных? или ВАК для… бумагомарак? «ТРОИЦКИЙ ВАРИАНТ» № 8 (127), 2013 год. К середине 2017 года статью прочитали более 50 тысяч читателей. 
"Плагиат, обнаруживаемый в диссертациях, это «пена» диссертационного бизнеса. Поскольку в производстве диссертаций «под заказ» гораздо легче просто копировать фрагменты одних диссертаций, вставляя их в очередные заказные диссертации. Производители такого «товара» фабрикуют не только диссертации, но и массу журнальных статей. Основные причины появления этого бизнеса описал профессор Е.В. Балацкий ещё в 2005 г. [1-2], изложив и сценарии его ликвидации. Одной из ключевых причин рождения этого бизнеса являются изменения в Положениях ВАК".


Логистическая регрессия в медицине и биологии.
Леонов В.

В серии 10 статей рассмотрены основы метода логистической регрессии. На многочисленных примерах анализа реальных массивов данных поясняется специфика использования данного метода. Приведены многочисленные уравнения логистической регрессии и ROC-кривых, полученные при анализе реальных данных.

Введение.

1. Логистическая регрессия. Основные понятия и возможности метода.
2. Логистическая регрессия. Анализ массивов большой размерности.
3. Логистическая регрессия. Примеры анализа реальных данных.
4. Логистическая регрессия и ROC-анализ.
5.Особенности логистической регрессии в акушерстве.
6.Особенности логистической регрессии в психиатрии, психологии и социологии.
7. Пример использования логистической регрессии для расчёта прогноза исхода оперативного лечения.
8. Логистическая регрессия  - "вершина пирамиды". А в "фундаменте" - что?
9. Как повысить качество логистической регрессии


Применение статистики в статьях и диссертациях по медицине и биологии. Часть I. Описание методов статистического анализа в статьях и диссертациях. Международный журнал медицинской практики, 1998 г., вып. 4. В.П. Леонов, П.В. Ижевский

ПРИМЕНЕНИЕ СТАТИСТИКИ В СТАТЬЯХ И ДИССЕРТАЦИЯХ ПО МЕДИЦИНЕ И БИОЛОГИИ.   ЧАСТЬ 2. ИСТОРИЯ БИОМЕТРИКИ И ЕЁ ПРИМЕНЕНИЯ В РОССИИ. Леонов В.П.

ПРИМЕНЕНИЕ СТАТИСТИКИ В СТАТЬЯХ И ДИССЕРТАЦИЯХ ПО МЕДИЦИНЕ И БИОЛОГИИ.  ЧАСТЬ III. ПРОБЛЕМЫ ВЗАИМОДЕЙСТВИЯ "АВТОР - РЕДАКЦИЯ - ЧИТАТЕЛЬ". Леонов В.П.

Применение статистики в статьях и диссертациях по медицине и биологии. Часть IV. Наукометрия статистической парадигмы экспериментальной биомедицины.     Международный журнал медицинской практики, 2002 г. вып. 3.  Леонов В.П.

СТАТИСТИЧЕСКИЙ АНАЛИЗ ДАННЫХ  ДЛЯ МЕДИКОВ И БИОЛОГОВ.  (время и опыт). Леонов В.П.


Примеры отличных результатов статистического анализа в диссертациях, дипломных работах и статьях, полученных с нашей помощью.

Д.С. Симанков. Применение метода логистической регрессии для факторов риска, влияющих на исход операции в условиях искусственного кровообращения. (статья)

В.В. Половинкин. Тотальная мезоректумэктомия — фактор повышения эффективности лечения среднеампулярного и нижнеампулярного рака прямой кишки.  (диссертация на соискание учёной степени доктора медицинских наук)

Н.Г. Веселовская.  Клиническое и прогностическое значение эпикардиального ожирения у пациентов высокого сердечно-сосудистого риска.  (диссертация на соискание учёной степени доктора медицинских наук)

О.Я. Васильцева. Закономерности возникновения, клинического течения и исходов тромбоэмболии легочной артерии по данным госпитального регистра патологии.  (диссертация на соискание учёной степени доктора медицинских наук)

В.А. Габышев.  Фитопланктон крупных рек Якутии и сопредельных территорий восточной Сибири.  (диссертация на соискание учёной степени доктора биологических наук)

М.И. Антоненко.  Гиперкортицизм без специфических клинических симптомов: эпидемиология, клиника, диагностика.  (диссертация на соискание учёной степени кандидата медицинских наук)

Попова Г.А. Сравнительное изучение подвидов LINUM USITATISSIMUM L . в условиях Западной  Сибири (диссертация на соискание учёной степени кандидата биологических наук).

А.Г. Сыркина. Ретроспективный анализ эффективности и безопасности тромболитической терапии острого инфаркта миокарда у больных пожилого и старческого возраста (диссертация на соискание учёной степени кандидата медицинских наук).

Кривулина Г.Б. Влияние велотренировок различной продолжительности на дисфункцию эндотелия и факторы риска атеросклероза у молодых мужчин (автореферат диссертации на соискание учёной степени кандидата медицинских наук) 


Проценты - статистический анализ? Или проценты - арифметический анализ? В. Леонов.

Роль «малых» доз ионизирующего излучения в развитии неонкологических эффектов: гипотеза или реальность? Бюллетень сибирской медицины, № 2, 2005, с. 63-70. Карпов А.Б., Семенова Ю.В., , Тахауов Р.М., Литвиненко Т.М., Попов С.В., Леонов В.П.

В. Леонов. Цели, возможности, и проблемы использования биостатистики в доказательной медицине. Доклад на Конференции по доказательной медицине в Ереване «От доказательной медицины к доказательному здравоохранению» (24 - 26 сентября 2015 года).

Фоторепортаж с семинара по биометрике в Ереване, прошедшего после конференции по доказательной медицине (24 - 26 сентября 2015 года).

Отзывы слушателей семинара по биометрике в Ереване в сентябре 2015 г.

В.В. Фадеев. Представление данных в оригинальных работах и их статистическая обработка.
Проблемы эндокринологии – 2002 - Т. 48, N 3. – С. 47 – 48.

Авторский ресурс Зорина Н.А.


После взрыва на СХК в 1993г. в Томске и Северске увеличилась частота рождения детей с пороками развития

В новый век - с доказательной биомедициной
Газета ПОИСК, № 20 (522)
21 мая 1999
г.

  • В. Леонов. Когда нельзя, но очень хочется, или Ещё раз о критерии Стьюдента.
  • В. Леонов. Когда нельзя, но очень хочется, или Ещё раз о критерии Стьюдента (Сравнение 1-й и 4-й стадии злокачественной опухоли яичников) ч.1.
  • В. Леонов. Когда нельзя, но очень хочется, или Ещё раз о критерии Стьюдента. ч.2.
  • ОБ ИСПОЛЬЗОВАНИИ ПРИКЛАДНОЙ СТАТИСТИКИ ПРИ ПОДГОТОВКЕ ДИССЕРТАЦИОННЫХ РАБОТ ПО МЕДИЦИНСКИМ И БИОЛОГИЧЕСКИМ СПЕЦИАЛЬНОСТЯМ. Бюллетень ВАК РФ. В.П. Леонов, П.В.Ижевский.
  • В. Леонов. Общие проблемы применения статистики в биомедицине или что разумнее: ДДПП или ДППД? (дополненная версия)
    В. Леонов. Искушение Знанием, или "Сколько стоит биометрика?"... (Версия от 22.06.04)
  • Доказательная медицина и отечественная медицинская наука. Фадеев В.В., Леонов В.П., Реброва О.Ю., Мельниченко Г.А.
  • В. Леонов."Пипл схавает"... Комментарии к статье В.В. Власова "Могут ли обострения хронического заболевания возникать после смерти?"
  • Е. Балацкий. Диссертационная ловушка.
  • Е. Балацкий. Институциональные конфликты в сфере высшего образования.
  • В. Леонов. Наукометрический анализ статистической парадигмы экспериментальной биомедицины (по материалам публикаций).

  • В. П. Леонов. Общие проблемы применения статистики в биомедицинеОБ ИСПОЛЬЗОВАНИИ ПРИКЛАДНОЙ СТАТИСТИКИ ПРИ ПОДГОТОВКЕ ДИССЕРТАЦИОННЫХ РАБОТ ПО МЕДИЦИНСКИМ И БИОЛОГИЧЕСКИМ СПЕЦИАЛЬНОСТЯМ. Бюллетень ВАК, №5 1997 г. В.П. Леонов, П.В. Ижевский.

    В. П. Леонов. Три "Почему ..." и пять принципов описания статистики в биомедицинских публикациях. 

    В. П. Леонов. Общие проблемы применения статистики в биомедицине.

    В.П. Леонов. Применение разведочного анализа для оценки исходных данных (на примере наблюдений по уролитиазу)

    Леонов В.П. Классификация ошибок применения статистики в отечественной медицине. Материалы научной конференции "Системный анализ в медицине" (САМ 2007). Благовещенск, 2007, Амурский государственный университет. 

    Леонов В.П. Стандартизация формы представления экспериментального материала как проблема информационной экологии. Материалы научной конференции "Системный анализ в медицине" (САМ 2007). Благовещенск, 2007, Амурский государственный университет.

    Леонов В.П. Сравнительный анализ статистических парадигм отечественных и американских публикаций по медицине и биологии методами наукометрики. Материалы научной конференции "Системный анализ в медицине" (САМ 2007). Благовещенск, 2007, Амурский государственный университет. 

    В.П. Леонов. КЛАССИФИКАЦИЯ ОШИБОК ПРИМЕНЕНИЯ СТАТИСТИКИ В ОТЕЧЕСТВЕННОЙ МЕДИЦИНЕ.

    Леонов В.П. Камуфляжные мемы инфоценоза научных школ. Материалы Международной научной конференции 15-16 июня 2007  г. "Философия математики: Актуальные проблемы." - Московский государственный университет. 

    В.П. Леонов. МЕМЕТИЧЕСКИЙ АНАЛИЗ СТАТИСТИЧЕСКИХ ЗАБЛУЖДЕНИЙ В ПУБЛИКАЦИЯХ НАУЧНЫХ ШКОЛ

    Леонов В.П. Ошибки статистического анализа биомедицинских данных. Доклад на научно-практическая конференция "Роль эпидемиологических и клинических исследований в здравоохранении: планирование, организация, внедрение результатов в практику", посвящённая памяти доктора медицинских наук, профессора В.П. Алексеева в Якутске (12-13 ноября 2009). 

    Леонов В.П. Принципы описания статистики в биомедицинских публикациях. Доклад на научно-практическая конференция "Роль эпидемиологических и клинических исследований в здравоохранении: планирование, организация, внедрение результатов в практику", посвящённая памяти доктора медицинских наук, профессора В.П. Алексеева в Якутске (12-13 ноября 2009).

    Леонов В.П. Основные понятия ROC-анализа. Доклад на научно-практическая конференция "Роль эпидемиологических и клинических исследований в здравоохранении: планирование, организация, внедрение результатов в практику", посвящённая памяти доктора медицинских наук, профессора В.П. Алексеева в Якутске (12-13 ноября 2009).

    Леонов В.П. Ошибки статистического анализа биомедицинских данных. Международный журнал  медицинской практики, 2007, вып. 2, стр.19-35

    Роль «малых» доз ионизирующего излучения в развитии неонкологических эффектов: гипотеза или реальность? Карпов А.Б., Семенова Ю.В., Тахауов Р.М., Литвиненко Т.М., Попов С.В., Леонов В.П.


    КУНСТКАМЕРА

       В последнее время автор получает от читателей немало писем, в которых они сообщают о том, что после чтения материалов "Биометрики" стали более внимательно и пристально вчитываться в разделы "Материалы и методы" диссертаций и журнальных статей. Нередко при этом они обнаруживают новые "ляпы", некоторые из которых читатели присылают нам. Я благодарен всем, кто присылает в "Кунсткамеру" такие образцы и пришлёт их в будущем. 

    Для удобства работы с экспонатами они отсортированы по фамилиям авторов, городам, в которых проживают авторы, и по организациям, в которых работают авторы, а также по научным специальностям

    Экспозиция 1  Экспозиция 2 
    Экспозиция 3  Экспозиция 4
     Экспозиция 5  Экспозиция 6 
    Экспозиция 7   Экспозиция 8 
     Экспозиция 9   Экспозиция 10
     Экспозиция 11  Экспозиция 12
    Экспозиция 13  Экспозиция 14
     Экспозиция 15  Экспозиция 16
     Экспозиция 17   

    Новые отзывы на проведённый анализ данных

    Хван Н.В., Алматы, Казахстан. Уважаемые диссертанты! Хочу поделиться своим опытом сотрудничества со специалистами Центра «Биостатистика».

    Гражданкина Д.В., НГМУ, Новосибирск
    . Работаю я ассистентом кафедры эндокринологии Новосибирского медуниверситета. Вопрос о том, как и кому выполнять статистический анализ данных для диссертаций, статей по медицине, волновал меня довольно давно...

    Веселовская Н.Г., Алтайский кардиоцентр, Барнаул. Хочется поделиться своими впечатлениями от работы с центром БИОСТАТИСТИКА. Итак, это не первое моё сотрудничество с центром. В 2006 г центром БИОСТАТИСТИКА был проведён анализ материала, который вошёл в мою кандидатскую диссертацию...  

    Веселовская Н.Г. ПРОГНОЗИРОВАНИЕ РИСКА РЕСТЕНОЗА КОРОНАРНЫХ АРТЕРИЙ ПОСЛЕ ИХ СТЕНТИРОВАНИЯ У ПАЦИЕНТОВ С ОЖИРЕНИЕМ.

    Поддубная О.А., доктор медицинских наук, доцент кафедры Восстановительной медицины, физиотерапии и курортологии Сибирского Государственного медицинского университета

    Медянникова И.В., кандидат медицинских наук, ассистент кафедры акушерства и гинекологии Омской государственной медицинской академии

    Крупская Ю.А. (Ростов-на-Дону)

    Чекмарев А.С., аспирант кафедры дерматовенерологии, микологии и косметологии РМАПО, член совета студентов медицинских и фармацевтических ВУЗов при Министерстве Здравоохранения и Социального развития России (Москва)

    Максимова С.С., с.н.с. НИИ здоровья, Якутск

    Новые отзывы по дистанционному обучению статистике

    Сафонова В.Р., Ханты-Мансийская госмедакадемия, кафедра нормальной и патологической физиологии 

    Ванинцева Н.Н. Санкт-Петербург 

    Бурмистрова Т.Г., лаборатория нарушений сердечного ритма РНПЦ Кардиология, Минск.

    Карчевская К.В., Федеральный центр сердечно-сосудистой хирургии г. Пенза


    Международная конференция по доказательной медицине в Ереване (18 - 20.10.2012)

    В 2012 году исполнилось 10 лет со дня создания "Армянского медицинского реферативного журнала". В связи с этой датой главный редактор АМРЖ Рубен Ованесян организовал международную конференцию "Доказательная медицина в Армении: миф или реальность?". Конференция прошла в Ереване 18-20.10.2012. Ниже мы приводим материалы этой конференции

    Ереванская фото-биометрика. Фоторепортаж о конференции в Ереване.
    Ереванская Декларация.   YEREVAN DECLARATION.
    Программа конференции. Доказательная медицина в Армении: вчера, сегодня, завтра…
    Рубен Ованесян. Этические и методологические основания для основных лекарственных программ.
    В.В. Власов. Президент общества специалистов доказательной медицины. Systematic reviews: a synthesis of trials or a trail of syntheses? Збыш Федорович (Zbis Fedorovicz). Проблема институционализации доказательной медицины. Бащинский С.Е., издательство Медиа Сфера Семиология, клиническая эпидемиология и доказательная медицина. Н.А. Зорин. Московское отделение ОСДМ. Современная клиническая публикация: - стандарты публикации, - дизайн исследования, - институт авторства, - конфликт интересов. Воробьев К.П. Украина, Луганск. http://www.vkp.dsip.net   Методология обсервационных исследований: достоверность и обобщаемость результатов. Климова Т.М. НИИ здоровья Северо-Восточного федерального университета им. М.К. Аммосова, г. Якутск, Мастер-класс. Збыш Федорович (Zbis Fedorovicz)  Программа профилактических осмотров: основания включения в программу скрининговой технологии. Е.Н. Новичкова. Центр доказательной медицины, кафедра семейной медицины ММА им. И.М.Сеченова 

    Доклад "Почему и как надо учить медиков статистике?" В. Леонов.

    Зачем нужна статистика в доказательной медицине?  В. Леонов. Армянский медицинский реферативный журнал, 2012, вып. 9, с. 184-193.

    Долгое прощание
    с
    лысенковщиной 

    История науки не ограничивается перечислением успешных исследований. Она должна сказать нам о безуспешных исследованиях и объяснить, почему некоторые из самых способных людей не могли найти ключа знания, и как репутация других дала лишь большую опору ошибкам, в которые они впали.

    Дж. Максвелл 

    Функциональный кризис отечественной науки, переживаемый в последнее десятилетие, вынуждает беспристрастно анализировать основные причины этого явления [1-2, 45-47]. Последние результаты библиометрического анализа говорят о том, что вклад России в мировую науку по основным направлениям составляет уже порядка 5-8% [1-2]. По данным того же источника вклад США составляет 32-41%. 

    Коммунистическая идеология, уродовавшая многие направления отечественной науки на потребу вождей, породила и такое явление, как лысенковщина. Для большинства читателей фамилия Лысенко ассоциируется с августовской сессией ВАСХНИЛ 1948 г. и разгромом генетики. Однако лысенковщину нельзя сводить только к запрету на генетику. Достигнув своего апогея в середине текущего века, и став воистину периодом средневековья в отечественной биологии и медицине, лысенковщина изуродовала и методологию этих наук, изгнав из них в частности математику, и в первую очередь статистику. Последствия этого уродства и по сей день не позволяют биологии и медицине приблизиться к статусу точных наук. В статье описаны основные этапы этого явления и особенности методологии применения статистики в биологии и медицине, полученные автором при анализе нескольких сот диссертаций и монографий а также более 1500 статей в области экспериментальной биомедицины. 


    Автор понимает, что поднятая им проблема достаточно обширна и не может быть полностью освещена в одной статье, содержащей лишь малую часть материалов готовящейся к изданию монографии, посвященной проблемам применения статистики в медицине и биологии. Автор будет признателен читателям, которые выскажут свой взгляд на эту проблему, а также смогут дополнить авторские материалы новыми примерами.  Обсуждаемая в данной статье проблема может быть решена только общими усилиями всех заинтересованных в этом специалистов.

    Работая над этой статьей, мне довелось несколько раз встречаться с одним из ректоров медицинского вуза. Обсуждая с ним предлагаемые в статье меры, направленные на исправление этого неприглядного положения, я с изумлением услышал от него такой ответ: "Как ученый - я "За", а как ректор - "Против"! И если так мыслит и говорит ректор, доктор медицинских наук, член-корреспондент РАМН, то несложно понять отношение к этой проблеме рядовых сотрудников такого вуза. Не потому ли многие из них представлены в разделе КУНСТКАМЕРА, вместе с моим собеседником, своими диссертациями и статьями...

    За те несколько лет, что прошли с момента публикации этой статьи, а также статей  "В новый век - с доказательной биомедициной" (ПОИСК, N 20 (522) 21 мая 1999) и "Куплю 500 диссертаций! (Медицинская Газета N10 за 14.02.2001)", практически ничего не изменилось. Да, в России стали писать и говорить о доказательной медицине, проводить конференции по этой тематике, а в некоторых медицинских вузах даже открыли центры доказательной медицины. Однако откроем биомедицинские журналы и диссертации, и станет ясно, что это не более чем дань моде... 

    Авторский ресурс Зорина Н.А.


    После взрыва на СХК в 1993г. в Томске и Северске увеличилась частота рождения детей с пороками развития

     Музыка для души ...

    Когда после многочасовой работы с числами, статистическими процедурами, программами для статистического анализа и т.д., в глазах начинают ...


    НАУКОМЕТРИКА СТАТИСТИЧЕСКОЙ ПАРАДИГМЫ ЭКСПЕРИМЕНТАЛЬНОЙ БИОМЕДИЦИНЫ   (ПО МАТЕРИАЛАМ ПУБЛИКАЦИЙ). В.П.Леонов.Cамая читаемая наша статья после отправки в мае м-це с.г. более 300 писем авторам статей мед. журналов о наличии в них примитивных и ошибочных методов статистического анализа, и получаемых при этом результатах...

    Сравниваем средние, а также и ... В. Леонов

    Проценты - статистический анализ? Или проценты - арифметический анализ?
    В. Леонов
    .

    Мотивом к написанию данной статьи стал следующий инцидент. 11 апреля 2016 г. я получил вот какое письмо.

    Уважаемый Василий Петрович!

    Я являюсь одним из читателей Вашего сайта "Биометрика", который нашёл по ссылке, размещённой на странице http://bono-esse.ru/blizzard/ais.html C большим интересом ознакомившись, в частности, с разделом "Кунсткамера", обращаюсь к Вам с несколько необычным вопросом по независимому, неформальному рецензированию работы ....

    P.S. Сайт дополнен PDF-файлом полной версии данной статьи.


    НАУКОМЕТРИКА СТАТИСТИЧЕСКОЙ ПАРАДИГМЫ ЭКСПЕРИМЕНТАЛЬНОЙ БИОМЕДИЦИНЫ  (ПО МАТЕРИАЛАМ ПУБЛИКАЦИЙ). В.П.Леонов. Вестник Томского государственного университета. Серия "Математика. Кибернетика. Информатика". №275. АПРЕЛЬ 2002, стр. 17-24.

    СТАТИСТИЧЕСКИЙ АНАЛИЗ ДАННЫХ ДЛЯ МЕДИКОВ И БИОЛОГОВ (время и опыт).
    Леонов В.


    ВАК для учёных? или ВАК для… бумагомарак? «ТРОИЦКИЙ ВАРИАНТ» № 8 (127), 2013 год. К середине 2017 года статью прочитали более 50 тысяч читателей. 
    "Плагиат, обнаруживаемый в диссертациях, это «пена» диссертационного бизнеса. Поскольку в производстве диссертаций «под заказ» гораздо легче просто копировать фрагменты одних диссертаций, вставляя их в очередные заказные диссертации. Производители такого «товара» фабрикуют не только диссертации, но и массу журнальных статей. Основные причины появления этого бизнеса описал профессор Е.В. Балацкий ещё в 2005 г. [1-2], изложив и сценарии его ликвидации. Одной из ключевых причин рождения этого бизнеса являются изменения в Положениях ВАК".


    Статистика - это что?
    Статистика - нужна зачем?
    Статьи читаем - зачем?
    Статьи пишем - зачем?

    Краткая версия лекции для слушателей-медиков в Ереване, прочитанной в 2014 году по Скайпу.


    «Роющая деятельность кабана». Статья в "Независимой" газете...

    В.В. Фадеев. Представление данных в оригинальных работах и их статистическая обработка.



    Доказательная или сомнительная?
    Медицинская наука Кузбасса: статистические аспекты.
    ВВЕДЕНИЕ
    ДОКАЗАТЕЛЬНАЯ МЕДИЦИНА И СТАТИСТИКА
    .
    КРАТКОСТЬ – СЕСТРА ТАЛАНТА? ИЛИ ПРИЗНАК НЕЗНАНИЯ?
    ПРОЦЕНТЫ – ПРИМИТИВНО? ЗАТО ДОСТУПНО!

    СТАТИСТИЧЕСКАЯ ВАМПУКИЗАЦИЯ,  ОНА ЖЕ ВСЕОБЩАЯ СТЬЮДЕНТИЗАЦИЯ
    .
    «ЛОШАДЕНДУС СВАЛЕНДУС С МОСТЕНДУС».
    КАК ПРАВИЛЬНО: EXCEL ИЛИ EXEL, WINDOWS ИЛИ WINDOUS,
    MICROSOFT ИЛИ MIKROSOFT, STATISTICA ИЛИ STATISTIKA?
     
    ЗЕММЕЛЬВЕЙС И СТАТИСТИЧЕСКАЯ ТЕХНИКА БЕЗОПАСНОСТИ.
    «ЗАЧЕМ НАМ КУЗНЕЦ? НАМ КУЗНЕЦ НЕ НУЖЕН». ПРИМЕРЫ ПОДРОБНОГО ОПИСАНИЯ.
    КТО ВИНОВАТ?  ЧТО ДЕЛАТЬ?
    ВМЕСТО ЗАКЛЮЧЕНИЯ.
    Весь обзор одним файлом


    Примеры отличных результатов статистического анализа в диссертациях, дипломных работах и статьях полученных с нашей помощью.

    О.Я. Васильцева. Закономерности возникновения, клинического течения и исходов тромбоэмболии легочной артерии по данным госпитального регистра патологии.  (диссертация на соискание учёной степени доктора медицинских наук)

    О.Я. Васильцева, И.Н. Ворожцова. Госпитальная тромбоэмболия правых отделов сердца. Журнал "Кардиология", №6, 2013, с. 46-50.

    В.В. Половинкин. Тотальная мезоректумэктомия — фактор повышения эффективности лечения среднеампулярного и нижнеампулярного рака прямой кишки.  (диссертация на соискание учёной степени доктора медицинских наук)

    Н.Г. Веселовская.  Клиническое и прогностическое значение эпикардиального ожирения у пациентов высокого сердечно-сосудистого риска.  (диссертация на соискание учёной степени доктора медицинских наук)

    В.А. Габышев.  Фитопланктон крупных рек Якутии и сопредельных территорий восточной Сибири.  (диссертация на соискание учёной степени доктора биологических наук)


    В. Леонов. Цели, возможности, и проблемы использования биостатистики в доказательной медицине. Доклад на Конференции по доказательной медицине в Ереване «От доказательной медицины к доказательному здравоохранению» (24 - 26 сентября 2015 года).

    Наш адрес

    1997 - 2020. © Василий Леонов