课程文献中心 更多>>

关键词： 财经类学生   数据素养   课程教学   统计学  

摘要： 大数据时代的到来和数字经济的发展,使得数据素养对创新创业的正面效应日益显著。财经类学生作为未来经济管理领域的从业者,将在工作中接触大量经济管理数据,急需提升数据素养水平。在明确数据素养概念和内涵基础上,分析了大数据时代以统计学课程为代表的数据类课程面临的挑战,提出了面向现实环境和整合支撑工具的改革思路,并重点从与课程思政结合实现数据伦理教育革新、以现实问题为驱动推动针对性能力训练和面向数据全生命周期实现分析工具整合等角度,对在课程教学中如何提升数据素养进行了探索。

关键词： 统计学课程   跨校修读   教学模式   改革与实践  

摘要： 大数据时代,随着全社会对统计的认同和接受程度的不断提高,统计学课程教学也面临诸多挑战,因此统计学课程的教学内容和教学模式改革势在必行。本文主要运用定性研究方法,结合“统计学”教学实践,在阐述统计学课程教学模式现状的基础上,基于省跨校修读平台资源对统计学课程教学模式改革与实践提出建议。希望通过依托跨校修读平台资源调整教学内容,改革教学模式及教学手段与方法,更好地培养学生学习“统计学”的兴趣和统计思维,提升学生的自主学习能力和理论与实践相结合的能力,进而培养出与时俱进的、满足社会需求的统计专业人才,更好地为社会服务。

关键词： 临床试验设计   交叉设计   统计研究设计   自身配对设计   概要说明   正交设计   成组设计   实验设计  

摘要： 1.统计研究设计:应交代统计研究设计的名称和主要做法。如调查设计(分为前瞻性、回顾性或横断面调查研究);实验设计(应交代具体的设计类型,如自身配对设计、成组设计、交叉设计、正交设计等);临床试验设计(应交代属于第几期临床试验,采用了何种盲法措施等)。主要做法应围绕4个基本原则(随机、对照、重复、均衡)概要说明,尤其要交代如何控制重要非试验因素的干扰和影响。

关键词： 沥青路面   环氧沥青钢桥面铺装   裂缝形态   分类   统计学   养护  

摘要： 裂缝是环氧沥青钢桥面铺装最典型的病害之一。根据裂缝的几何特征,将环氧沥青钢桥面铺装裂缝分为4大类,通过现场拍照结合图片处理软件Adobe Photoshop获取了498处某钢桥面环氧沥青铺装裂缝的形态特征参数,利用Origin软件对裂缝的形态特征参数进行了统计分析,结果表明:采集到的裂缝形态特征大部分处于裂缝早期病害阶段;裂缝以线形裂缝和放射状裂缝为主,线形裂缝平均长度达211.6 mm、平均缝宽为2.84 mm,放射状裂缝平均射线数量为3.7条、平均缝宽为2.2 mm;4类裂缝的缝宽和影响面积均呈右偏态分布;不规则裂缝的平均缝宽和平均影响面积的离散程度都最大;4类裂缝的影响面积与缝宽的相关性均很低,线形裂缝的影响面积与裂缝长度呈中度正相关;环状裂缝不完全是放射状裂缝或鼓包病害的扩展。

关键词： 析因设计   临床试验设计   交叉设计   统计研究设计   自身配对设计   概要说明   正交设计   成组设计  

摘要： 1统计研究设计:应交代统计研究设计的名称和主要做法。如调查设计(分为前瞻性、回顾性还是横断面调查研究)、实验设计(应交代具体的设计类型,如自身配对设计、成组设计、交叉设计、析因设计、正交设计等)、临床试验设计(应交代属于第几期临床试验,采用了何种盲法措施等);主要做法应围绕4个基本原则(重复、随机、对照、均衡)概要说明,尤其要交代如何控制重要非试验因素的干扰和影响。

关键词： 临床试验设计   析因设计   交叉设计   统计研究设计   自身配对设计   正交设计   成组设计   前瞻性  

摘要： 1.统计研究设计:应交代统计研究设计的名称和主要做法。如调查设计(分为前瞻性、回顾性还是横断面调查研究),实验研究(应交代具体的设计类型,如自身配对设计、成组设计、交叉设计、析因设计、正交设计等),临床试验设计(应交代属于第几期临床试验,采用了何种盲法措施等)。

关键词： 脑损伤   预后   模型   统计学   列线图  

摘要： 目的构建中重型创伤性脑损伤(msTBI)患者伤后6个月预后不良的预测列线图并进行验证。方法采用回顾性队列研究分析2020年1月至2022年12月中国人民解放军联勤保障部队第九〇四医院收治的387例msTBI患者的临床资料,其中男265例,女122例;年龄6~97岁[58(47,68)岁]。根据伤后6个月格拉斯哥预后评分(GOS),将患者分为预后良好组(GOS 4~5分,201例)和预后不良组(GOS 1~3分,186例)。记录两组入院时临床特征、影像学表现和实验室检查结果。采用单因素分析评估上述指标与msTBI患者伤后6个月预后不良的相关性。绘制单个变量的受试者工作特征(ROC)曲线及连续性变量之间的相关性热图。Lasso回归用于筛选变量,多因素Logistic回归分析确定独立预测因子用于构建Logistic回归方程,并绘制列线图。采用数据随机拆分和非随机拆分方式进行内部验证。随机拆分时,数据按6∶4的比例拆分为训练组(232例)和验证组(155例)。非随机拆分时,2020年1月至2021年12月收治的患者为训练组(260例),2022年1月至2022年12月收治的患者为验证组(127例)。采用受试者工作特征(ROC)曲线下面积(AUC)评估模型在训练组和验证组中的预测能力,校准曲线及Hosmer-Lemeshow(H-L)检验评估模型的校准度,决策曲线分析(DCA)评估模型的临床适用性。与非纳入中性粒细胞/淋巴细胞比值(NLR)模型相比,分析纳入NLR模型对msTBI患者伤后6个月预后不良预警效能的影响。结果单因素分析结果显示,年龄、住院时长、格拉斯哥昏迷评分(GCS)、美国麻醉医师协会身体状态(ASA-PS)分级、损伤严重度评分(ISS)、院前气管插管、低血压、低氧、瞳孔反应性、中线移位、基底池状态、创伤性蛛网膜下腔出血(tSAH)、D-二聚体、凝血酶原时间活动度(PTA)、葡萄糖、血红蛋白、K^(+)、Cl^(-)、Ca^(2+)、HCO-、肌酐、白蛋白、乳酸、血小板、淋巴细胞、系统免疫炎症指数(SII)、NLR和淋巴细胞与单核细胞比值(LMR)与msTBI患者伤后6个月预后不良有一定的相关性(P<0.05或0.01)。单个变量的ROC曲线显示,GCS(AUC=0.82)、ISS(AUC=0.81)、瞳孔反应性(AUC=0.76)、基底池状态(AUC=0.73)和NLR(AUC=0.73)具有较好的预测效能。相关性热图显示,各连续性变量之间存在显著相关性和共线性,而ISS和NLR之间不存在共线性。Lasso回归共筛选出14个潜在预测因子并被纳入多因素Logistic回归分析,结果表明,年龄(OR=0.86,95%CI 1.38,5.19)、GCS 6~8分(OR=3.13,95%CI 1.06,9.27)、GCS 3~5分(OR=12.36,95%CI 2.81,54.27)、ISS(OR=3.68,95%CI 1.38,9.80)、瞳孔反应性(OR=2.45,95%CI 0.85,7.07)及NLR(OR=2.62,95%CI 1.52,4.51)是msTBI患者伤后6个月预后不良的独立危险因素(P<0.05或0.01)。多因素Logistic回归方程为Logit[P/(1-P)]=0.066×"年龄"+1.474×"GCS 6~8"+2.357×"GCS 3~5"+0.066×"ISS"+0.965×"瞳孔对光反射缺如"+0.194×"NLR"-10.704。随机拆分数据的内部验证中,训练组模型AUC为0.93(95%CI 0.89,0.96),验证组模型AUC为0.93(95%CI 0.89,0.97)。非随机拆分的内部验证中,训练组模型AUC为0.94(95%CI 0.91,0.97),验证组模型AUC为0.93(95%CI 0.89,0.97)。校准曲线和H-L检验显示,该模型具有较好的校准能力(P>0.5)。DCA结果表明,应用该列线图将增加患者净收益率(风险阈值概率为0.0~0.8)。纳入NLR模型(AUC=0.93)较传统模型(AUC=0.90)能增强预警效能。结论年龄、GCS、ISS、瞳孔反应性及NLR是msTBI患者伤后6个月预后不良的独立危险因素。以这些参数所构建的列线图可较好地预测msTBI患者的临床结局。

关键词： 统计学方法   显著性检验   偏态分布   定量资料   两因素析因设计   可信区间   方差分析   四分位数  

摘要： 统计学方法尽可能详细描述,补充有关统计研究设计、资料的表达与描述、统计分析方法的选择、统计结果的解释和表达等要求。应写明所用统计分析方法的具体名称(如成组设计资料的t检验、两因素析因设计资料的方差分析等)和统计量的具体值(如t=3.45),并尽可能给出具体的P值(如P=0.023);当涉及总体参数时,在给出显著性检验结果的同时,还应给出95%可信区间。对于服从偏态分布的定量资料,应采用中位数(四分位数间距或四分位数)〔M(QR)或M(QL,QU)〕方式表达,不应采用均数±标准差(x±s)方式表达。

关键词： 算术平均数   统计学方法   t检验   中位数   标准差   统计学符号  

摘要： 统计学符号一律技CB 3358-1982《统计学名词及符号》的有关规定,采用斜体排印。常用的符号有:(1)样本的算术平均数(中位数仍用M).(2)标准差用s,(3)标准误用s,(4)t检验用t。

关键词： 自我伤害行为   精神卫生   模型   统计学   学生  

摘要： 目的基于不同机器学习算法构建中学生非自杀性自伤(NSSI)风险预测模型,并对模型的效果进行评价,为校园NSSI的防控提供指导。方法于2023年3月,采用分层整群随机抽样与方便抽样结合的方法抽取江西省南昌市、抚州市和上饶市共3372名初、高中学生为研究对象,采用一般情况调查表、自尊量表、渥太华自伤量表、社会支持评定量表、中文版Olweus欺负问卷、事件归因方式量表、青少年心理韧性量表及青少年生活事件量表进行问卷调查。将数据按照7∶3分为训练集(n=2361)和测试集(n=1011),基于单因素及LASSO回归结果筛选变量,使用随机森林、支持向量机、Logistic回归及极端梯度提升树(XGBoost)4种机器学习算法分别构建NSSI风险预测模型,使用曲线下面积(AUC)、灵敏度、特异度、阳性预测值、阴性预测值、F1指数对模型效果进行评价和比较。结果中学生NSSI的检出率为34.4%,单因素分析显示,不同学段、性别、户籍所在地、是否担任班干部及4种不同被欺凌类型(身体、言语、关系、网络欺凌人)的中学生NSSI检出率差异均有统计学意义(χ^(2)值分别为27.17,15.81,11.54,4.63;68.22,140.63,77.81,13.95,P值均<0.05)。NSSI为因变量纳入LASSO回归模型中进行变量筛选,结果显示,学段、自尊、主观支持、支持利用度、被言语欺凌、情绪控制、人际关系、受惩罚、亲友和财产丧失及健康与适应问题10个变量为预测变量。随机森林、支持向量机、Logistic回归、XGBoost算法的AUC值依次为0.76,0.76,0.76,0.77,两两比较差异均无统计学意义(Z=-0.59~0.82,P值均>0.05);灵敏度依次为0.62,0.61,0.62,0.61;特异度依次为0.74,0.78,0.78,0.78;阳性预测值依次为0.56,0.59,0.60,0.59;阴性预测值依次为0.79,0.79,0.80,0.79;F1指数依次为0.59,0.60,0.61,0.60。结论4种NSSI的风险预测模型效果均较好,Logistic回归模型效果略优于其余算法。学校及家长应关注NSSI对应的预测因素,以减少中学生NSSI的发生。