论文部分内容阅读
背景:线性回归和logistic回归模型被广泛地应用于各种类型的医学研究,但是其对应样本量的具体需要,在很长一段时间都没有相关研究进行具体阐述。而更多时候是统计学家们在长期的研究工作中,根据经验总结出的一些一般准则。直到20世纪四五十年代,统计学家开始逐渐关注性回归和logistic回归模型的样本量估计方法。因此,国内外也开始逐步出现线性回归和logistic回归模型样本量估算方法的研究。在进入20世纪后,相关研究逐渐增多,为本研究提供了丰富的理论素材。在相关研究快速发展的同时,新的问题接踵而至。线性回归和logistic回归模型的样本量计算公式大多较为复杂、参数多、计算量大,且部分参数的取值区间不连续。这无疑阻碍了相关方法的推广应用。目的:梳理线性回归和logistic回归模型样本量估计方法进展,简化相关方法的知识结构。构建人机交互的图示化样本量计算平台,回避复杂的样本量计算公式,使其软件实现更加简便可靠。方法:通过对线性回归和logistic回归模型样本量计算方法学文献的系统检索和文献梳理,总结其在医学领域常用的样本量计算方法,选用常用模型常见情况、适用范围最广泛、参数简单容易理解的样本估计方法。借助R软件中shiny、ggplot2等软件包,制作图示化公式计算网页。在图示化界面设计时,充分考虑所选公式参数的理论取值范围,各模型不同情况下的计算公式,和参数的不同取值情况。对不同情况下的样本量计算公式,采用对应的图示化界面进行样本量计算。结果:本研究主要结果如下:(1)完成了线性回归和logistic回归样本量计算方法的发展过程梳理,总结了线性回归和logistic回归在各种情况下样本量计算方法的知识结构;(2)完成了线性回归和logistic回归样本量计算方法在不同情况下图示化计算的界面设计;(3)实现了线性回归和logistic回归样本量计算方法在不同情况下的图示化计算。(4)本文提供的计算界面可以较好的对样本量计算公式中的参数取值范围进行合理限制,避免使用时由于参数取值不合理而造成错误。结论:本文构建的图示化样本量计算界面,能较好的完成线性回归和logistic回归模型的样本量估算,可以简化相关样本量的计算过程。具有较好的实用价值。