導言：作為寫作愛好者，不可錯過為您精心挑選的10篇統計學變量的分類，它們將為您的寫作提供全新的視角，我們衷心期待您的閱讀，并希望這些內容能為您提供靈感和參考。

篇1

關鍵詞：變量標志統計指標統計數據

Key words: Variable Symbol Statistical target Statistical data

作者簡介：魯瑜，女，1963年9月出生，講師。籍貫：安徽省桐城縣，出生地：河南省洛陽市。1986年洛陽大學計劃統計專業?？飘厴I，1997年中南財經政法大學財務會計學本科畢業，2007年西安建筑科技大學工業工程碩士畢業。研究方向為統計核算、企業會計。

那么統計學中講的“變量”該如何理解呢？變量的概念是發展變化的，按發展變化的時序有以下幾種理解：第一、統計中的變量是指可變的數量標志；第二、變量是指可變的數量標志和全部統計指標；第三、變量是指可變的數量標志和可變的統計指標；第四、變量是說明現象某種可變特征的概念，更明確一點，即：變量包括可變的品質標志和可變的數量標志和可變的統計指標。普遍的認為第四種理解更符合客觀實際，筆者也贊同第四種理解。

一、統計中的變量是指可變的數量標志這種理解較狹隘，通過講解引入可變的品質標志也是變量，即“可變的標志”都應作變量看待。

一般變量的講解是這樣進行下去的：首先明確統計學中的幾個基本概念，三對六個：第一對是統計總體和總體單位，簡稱總體和單位；第二對是統計標志和統計指標，簡稱標志和指標；第三對是變異和變量?？傮w是所研究對象的全體，是由具有某種共同性質的許多個體所構成的整體，構成總體的各個個別單位，簡稱單位，也稱個體，總體和單位的概念是隨著研究目的的不同而發生變化的；標志是說明單位特征的名稱，強調單位是標志的承擔著，指標是反映現象總體數量特征的概念或名稱和具體數值（指標名稱+指標數值構成完整的統計指標，但只有概念或名稱的指標是統計設計和統計理論中使用的指標概念），是綜合各單位的某一標志而得到的，通過對指標概念的理解，首先明確指標是說明總體的，其次明確指標都是用數值表示的，沒有不用數值表現的統計指標，這是指標和標志的區別之一，由于總體和單位之間存在著變換關系，標志和指標之間也會發生變換；變異和變量，我多年的教學經驗通常是通過對標志的分類講下去的，標志按在總體單位上的表現是否穩定可分為不變標志和可變標志，一個總體中，各個單位的某一標志的具體表現都相同的標志為不變標志（強調同質性），一個總體中，各個單位的某一標志的具體表現不都（盡）相同的標志為可變標志（強調變異性），如人口總體性別是可變標志，男性人口總體性別就是不變標志；可變標志在總體各個單位上具體表現上的差別就是變異，變異有品質變異和數量變異，如人口總體性別就是品質變異，年齡就是數量變異，數量變異也稱變量，即可變的數量標志稱為變量，變量的具體取值為變量值。很顯然，通過以上的講解，通常認為變量是指可變的數量標志，即第一種變量的概念。

這種理解，未免太過于狹隘。教師若以此思想去指導教學，難免會陷入不能自圓其說的境地。我們知道，一切總體單位都具有屬性特征和數量特征，統計學中將其稱為品質標志和數量標志。例如人口總體，這些特征可能是性別、民族、籍貫、文化程度，也可能是身高、體重、年齡、工齡等。對統計研究對象而言，無論其屬性特征還是數量特征，往往均具有可變性。并且一個具體的特征可能在一種場合是可變的，而在另一場合是不變的。例如，上述所說人口總體性別是可變標志，男性人口總體性別就是不變標志了?？梢娦詣e這個品質標志有時也是可變的。推而廣之，品質標志也具有可變性。這樣，凡是“可變的標志”都應作變量看待。

然而，這只是對總體內部各單位的差異作靜態考察時的變量。如果僅僅把變量定義為“可變的標志”，那么可變的統計指標怎么解釋？它是否屬變量范疇呢？所以，還得對統計總體作考察。

二、變量是指可變的數量標志和全部統計指標這種理解也不準確，不是所有的統計指標都是變量，通過講解引入可變的統計指標才是變量，即只有“可變的統計指標”才應作變量看待。

統計有數量性、總體性、具體性和社會性的特點（《基礎統計》，梁前德主編，高等教育出版社，2000年8月第1版），由統計的具體性可知，統計所研究的社會經濟現象的數量方面是具體的量，是具體的社會經濟現象在具體時間、地點、條件下的數量表現、數量關系和數量界限。例如，甲公司2005年的銷售收入60億元就是一個統計指標，而且是具體的、唯一的數值。對于2005年的來講，銷售收入這個指標只有一個數字。因而并非所有的統計指標都是變量。但是若把甲公司2005年至2008年的銷售收入60萬元、69萬元、80萬元、84萬元依次排列，這時銷售收入就是一個變量?？梢?，只有當同一統計總體的同一指標在不同時間的指標數值形成數列時，統計指標才可能成為變量。

因此，從靜態上看，某總體的某一統計指標是常量，但把若干總體的同一指標放在一起，指標就變成變量了。例如，以洛陽市為總體時，2005年各公司銷售收入指標是各不相同的，它是一變量。從動態上看，我們常常使用時間數列來處理統計數據，時間數列中的指標數值往往隨時間變化而變化。如上，這種不斷變化的指標也是變量，前后不同的指標數值就是變量值?？梢?，統計指標也有可變與不變之分，因而，“可變的統計指標”才應看作變量。

上述第二種觀點是把全部統計指標視為變量了，但不是所有的統計指標都是變量，只有可變的統計指標才是變量，因而我認為是不妥的。第三種觀點倒是把可變的統計指標視為變量了，但未包括可變的品質標志因而我認為也是不妥的。第四種觀點我認為比較可取，但在文字表述上還可進一步具體化，由于說明現象某種特征的概念可以是標志（說明總體單位的），也可以是指標（說明總體的），因而我們不妨對變量作如下明確的定義：所有可變標志和可變的統計指標都是變量，即變量是說明現象某種可變特征的概念。

三、變量的分類：

（一）變量按具體表現不同分為分類變量（品質變量）和數值變量（數量變量）。

分類變量是用于說明事物所屬類別方面的可變特征的變量，分類變量具體表現為分類數據，它又可以分為定類變量和定序變量。定類變量是用于區分現象不同類別的變量，它的取值表現為定類數據（如產業部門）。定序變量是說明現象的有序類型的變量，它的取值表現為定序數據（如產品的質量等級）。數值變量是用于說明事物數值方面的可變特征的變量，數值變量具體表現為數值數據，按數值數據的性質不同它可以分為定距變量和定比變量。定距變量是用于測度事物次序之間的距離的變量，它的取值表現為定距數據（如考試分數）。定比變量是說明現象的比例數據的變量，它的取值表現為定比數據（如體重）。

(二)變量按所使用的測量尺度不同分為定類變量、定序變量、定距變量和定比變量。

四種變量的概念已如上所述。四種變量對事物的反映是由低級到高級,由粗略到精確逐步遞進的,高級變量能轉化為低級變量,但不能反過來。如可將考試成績百分制轉化為五分制,但不能反過來。另外,四種變量適合于不同的統計計算方法。定類變量適合計算頻數、頻率、x2檢驗、列聯相關系數等；定序變量適合計算中位數、四分位差、等級相關、非參數檢驗等；定距變量適合計算算術平均數、方差、積差相關、復相關、參數檢驗等；定比變量適合所有的統計計算方法。幾乎所有的物理量和絕大多數經濟量都屬于定比變量。因此,不僅可以計算總量指標反映它們的總規模、總水平,還可以計算相對指標和平均指標反映它們的相對水平和一般水平。

（三）數值變量按變量取值是否連續分為連續型變量和離散型變量。

連續型變量是指可取無窮多個值,其取值是連續不斷的,不能一一列舉。它是用測量或計算的方法取得的數據，如溫度、身高等。離散型變量是指只能取有限個值,而且其取值都是從整數位數斷開,可一一列舉。它只能用計數的方法取得的數據，如企業數、人數等。

（四）數值變量按性質不同分為確定性變量和隨機變量。

確定性變量是具有某種或某些起決定性作用的因素致使其沿著一定的方向呈上升、下降或水平變動的變量，如我國國民經濟總是不斷發展的，具體表現為各種經濟指標數值上升或下降（如人均收入和單位能耗），雖然也有些波動，但變化的方向和趨勢是不可改變的，這些經濟指標就是確定性變量。隨機變量是指受多種方向和作用大小都不相同的隨機因素影響，致使其變動無確定方向即呈隨機變動的變量，如，在正常情況下某種機械產品的零件尺寸就是一個隨機變量。

總之,統計學是一門邏輯嚴密的傳統學科體系,作為統計學中幾個基本概念之一的變量應有一個公認的正確的解釋。這對今后統計學理論的研究發展都是很重要的。

參考文獻：

[1]王軍虎主編．統計學基礎[M]．武漢：武漢理工大學出版社，2007年7月：10

[2]梁前德主編．基礎統計[M]．北京：高等教育出版社，2000年8月：6~9

篇2

【關鍵詞】 多重對應分析; 相關性分析; 大樣本; 分類變量

長期以來，中醫的辨證分型紛繁多樣，難以統一，同時病理組織檢查是許多疾病診斷及治療的重要依據。如何理清中醫證型和病理診斷之間關系是許多臨床和基礎科研工作者遇到的難題。本研究介紹應用多重對應分析方法實現對中醫大樣本證型與病理診斷的相關性分析，以期為疾病的臨床診斷和治療提供參考依據和幫助，為中醫證候的規范化研究提供一定的思路，為大樣本疾病信息資料的臨床和基礎科研工作者提供可借鑒的統計學分析方法。

1 資料及方法

1.1 資料來源

本研究資料來源于上海市重點學科(第三期) 中醫診斷學建設項目(編號：S30302)。為2001年3月～2008年3月上海中醫藥大學附屬龍華醫院、曙光醫院、岳陽醫院及上海市第八人民醫院消化科門診且經內窺鏡及病理組織學檢查確診為慢性胃炎的患者1068例。以調查表的形式獲得包括基本情況、胃鏡及病理組織學診斷、中醫主癥、食欲食量、全身情況、舌脈象、其他情況等7個部分的內容，共80個變量。所有變量經過命名及量化處理，有程度差異的變量分別賦值1、2、3、4，以示輕重程度從無到重度。對于難以分清程度差異的變量根據有無分別賦值1、0。本研究借用其中病理診斷與中醫主要證型的部分實驗數據。

1.2 統計學方法

調查表所得數據采用EipData3.1軟件進行數據管理，雙遍錄入和核對，建立相關數據庫。應用SPSS11.5統計分析軟件中Data Reduction菜單的Optimal Scaling過程對中醫主要證型與病理診斷結果進行多重對應分析，以研究它們之間的聯系。

2 分析步驟及結果

其分析步驟如下：

Analyze"Data Reduction"Optimal Scaling

Define

Variables框：HP、腸化生、病理萎縮、慢性炎癥

選中以上4個變量：Define Range

Maximum框：4 Continue 取值范圍在1～4之間

Variables框:主證

選中以上變量：Define Range

Maximum框：8 Continue 取值范圍在1～8之間

OK

結果見圖1。

HP感染慢性胃炎患者中醫證型以脾胃濕熱證多見，依次可見肝胃郁熱、脾胃氣虛等證，與脾胃虛寒證無明顯關聯。慢性炎癥類胃炎患者中醫證型以濕濁中阻證多見，次之可見脾虛濕阻證、脾胃氣虛證、肝氣郁結證，較少出現脾胃虛寒證。萎縮性胃炎患者中醫證型以虛證為主，以脾胃氣虛證多見，次見脾胃虛寒證，較少出現濕濁中阻、脾胃濕熱等實證。腸化生類胃炎患者中醫證型以肝胃郁熱、濕濁中阻證多見，次之見肝氣郁結、脾胃氣虛等證。

圖1 分析結果

3 討論

本研究采用大樣本的臨床病例資料，經統計學多重對應分析方法分析顯示，中醫證型與西醫病理組織診斷間有一定的相關性，這有助于了解疾病不同病情階段的中西醫診斷之間的內在相關性，有利于用辨證與辨病相結合的方式為疾病的臨床診斷和治療提供依據和幫助。如對于無明顯臨床癥狀的患者，可以以病理組織的不同特點及舌脈象特征作為中醫辨證論治的依據;對于病理組織檢查尚未明確的患者，可以結合中醫的辨證結果及其他檢查初步制定診療方案。也可為中西醫結合探討該疾病的病因病機及證治規律尋求理論及臨床實踐中的結合點，同時為疾病的中醫證候客觀化研究提供一定的思路和方法。

中醫領域的研究很多變量多為無序多分類或二分類變量，同時研究它們之間的聯系可用的方法有對數線性模型和多重對應分析兩種，從結果的直觀性和可解釋性上講，多重對應分析要更好些。多重對應分析是多維圖示分析技術的一種，是了解多維數據間聯系的一種強有力的方法，該分析方法既有頻數的分析，也有各變量間的關系圖示。其分析結果主要采用反映變量間相互關系的對應分析圖來表示。該圖形中的每個散點代表了某個變量的一個水平，有較緊密關系的水平其散點將緊密地靠近一起，從而在結果的解釋上非常的直觀。在解釋該圖形時遵從的原則是：落在由原點(0，0)出發接近相同方位及圖形相同區域的同一變量的不同類別具有類似的性質;落在原點出發接近相同方向及圖形相同區域的不同變量的類別間可能有聯系。SPSS11.5統計分析軟件易于實現多個變量間的多重對應分析。但在變量較多時可能會掩蓋真實聯系，同時使得圖形一片混亂，難以看清(根據此次實際操作經驗，每次最多選入的變量不能超過13個，否則真的是一片混亂，無法處理了)。此時需要用戶根據經驗和分析結果進行耐心的篩選，以得到最優結果。這對使用者的分析水平和職業道德都是一個嚴峻的考驗。

篇3

[中圖分類號] G642 [文獻標識碼] A [文章編號] 2095-3437（2017）03-0066-03

統計學是生物學領域進行科學研究不可或缺的工具，目前大多數高校已把生物統計學列為生物學相關專業的必修課。通過該課程的學習，有利于培養學生正確分析試驗數據的能力，對于進一步學習專業課程和日后進行科研也有著非常重要的作用。近年來，統計分析軟件的應用越來越普及，應用統計軟件來輔助生物統計學的理論教學變得尤為重要。[1][2]

Excel作為常用辦公軟件，除具備較強的圖表和計算功能外，還提供了大量的統計函數和數據分析工具。利用Excel的統計功能，可快速、簡便地進行描述性統計、t檢驗、方差分析、回歸、相關等多種統計分析，從而為生物統計學的教學提供了極大便利，強化了教學效果。Excel的統計功能雖不如SPSS、SAS等專業統計軟件強大，但具有易學易用的優勢，適用于統計學的初學者，可基本滿足本科生的教學需要。[3][4]

一、Excel統計函數簡介

（一）統計函數的插入

Excel軟件提供了豐富的數學和統計函數，將這些函數結合起來應用，可顯示出Excel的統計分析功能。[3][4]在Excel 2003菜單中的“插入”項，選擇“函數”。或在2007及以上版本中，在“公式”菜單項選“插入函數”命令，之后在“選擇類別”欄選擇“統計”，即顯示大量統計函數。

（二）常用統計函數介紹

1.統計學參數或特征數的計算

數據的標準差、平均數等特征數均可由統計函數計算得到。反映集中性的函數包括AVERAGE（均值）、GEOMEAN（幾何平均數）、HARMEAN（調和平均數）、MEDIAN（中位數）等；反映離散性的函數有：DEVSQ（離差平方和）、STDEV（樣本標準差）、VAR（樣本方差）、KURT（峰度系擔┑取

2.數據分類

FREQUENCY函數可對大量數據進行分類和統計，表達式為：FREQUENCY（Data array，Bins array）。該函數為數組公式形式，運行顯示出一個分組的頻數后，還需選中所有結果的顯示區域，按F2鍵，再按“Ctrl+Shift+En？鄄ter”組合鍵，方可求出所有分組的頻數。[5]FREQUENCY的操作步驟因分類資料的性狀而有所差異。A. 質量性狀資料：在函數對話框中，“Data array”一欄輸入分類數據所在的單元格地址，“Bins array”一欄輸入分類標志值所在單元格。B. 數量性狀資料：確定好分類的組數、組距和組限后，將各組的上限按升序輸入工作表，在“Data array”和“Bins array”分別輸入相應的單元格地址。

例：現有350名學生的英語成績，需按優秀、良好、一般和不及格進行分類，并統計各等級人數。考試成績為數量性狀資料，首先按升序將各組上限按升序輸入工作表（60、74、90）形成一列，插入FREQUENCY函數，在“Data array”輸入成績所在單元格區域，在“Bins array”輸入各上限所在的單元格區域，確認后即可計算出不及格的人數（

3.概率函數

概率函數可直接計算出給定參數條件下各理論分布的概率值（P）。[6]常用函數有BINOMDIST（二項分布）、POISSON（泊松分布）、NORMDIST（正態分布）、NORMSDIST（標準正態分布）、TDIST（t分布），FDIST（F分布）等。

例如，BINOMDIST函數的功能為計算給定參數條件下二項分布的概率值。函數表達式：BINOMDIST（number_s，trials，probability_s，cumulative），其中num？鄄ber_s為試驗成功的次數，trials為獨立試驗的次數，prob？鄄ability_s為試驗成功的概率；cumulative為一邏輯值，用于確定函數的形式，取值為1和0。Cumulative如果取1，結果顯示至多n次成功的概率；如為0，則返回恰好為n次成功的概率。

4.t 檢驗

TTEST函數功能為返回t檢驗的概率，以此來判斷假設檢驗的顯著性。函數表達式：TTEST（array1，array2，tails，type），其中array1為第一組數據所在的單元格區域，array2為第二組數據的區域，tails為分布曲線的尾數（雙尾或單尾），type表示t檢驗的類型。函數運行后得到t檢驗的概率值（P），如P

5.相關和回歸系數計算

CORREL函數功能為計算兩變量間的相關系數，以此來判斷兩變量間的相關程度和性質，表達式為COR？鄄REL（array1，array2），array1和array2代表進行相關分析的兩組數據。利用INTERCEPT和SLOPE兩函數可計算線性回歸系數，函數表達式分別為INTERCEPT（known_x′？鄄s，known_y′s），SLOPE（known_x′s，known_y′s），其中known_x′s、known_y′s為自變量和因變量的數據集合。INTERCEPT函數可計算線性回歸的截距（a），SLOPE函數可計算線性回歸的斜率（b），從而得到線性回歸方程：=a+bx。

二、數據分析工具的應用

（一）分析工具庫加載

Excel的分析工具庫具有較強的統計分析功能，但此功能通常未默認安裝，需加載后使用。

1.在Excel 2003中，在“工具”菜單中單擊“加載宏”，在彈出對話框中選中“分析工具庫”即可，之后“工具”菜單中即出現“數據分析”條目。

2.在Excel 2007或更高版本中，單擊左上角的“Office按鈕”，選擇“Excel 選項”，在彈出對話框中單擊“加載項”，然后在“管理”欄中選擇“Excel加載項”，單擊“轉到”，最后在“加載宏”窗口中選中“分析工具庫”，之后在“數據”菜單中即出現“數據分析”條目。

（二）常用統計方法介紹

分析工具庫包括描述性統計、t檢驗、方差分析、回歸、相關、F檢驗等多種統計方法。[3][5]每次使用時，按照各統計方法的格式要求輸入原始數據，單擊“數據分析”選項，在彈出對話框中選擇所需統計方法即可。

1.數據分類

將各組的分類標志值（質量性狀資料）或上限值（數量性狀資料）輸入工作表，在“數據分析”中選擇“直方圖”；彈出對話框后，在“輸入區域”選擇分類數據的單元格地址，“接收區域”選擇分類標志所在的單元格，運行即可。

2.描述統計

輸入數據資料，在“數據分析”中選擇“描述統計”，運行后即可得到最小值、最大值、平均數、標準差、方差、峰度、偏度等常用統計量。

3.t檢驗

t檢驗包括平均值的成對二樣本分析，雙樣本等方差假設，雙樣本異方差假設檢驗。如進行平均值的成對二樣本分析，彈出對話框后，分別在“變量1區域”、“變量2區域”輸入兩組數據所在的單元格地址，之后在“輸出區域”選擇某空白區域，確定即可。運行結果包括平均數、t值、df、單尾和雙尾概率（P）、臨界t值等信息。若P

如進行成組設計的兩樣本均值檢驗，需先進行F檢驗：雙樣本等方差假設，判斷兩樣本所在總體方差是否同質。步驟：分別在變量1、變量2輸出區域選擇相應單元格區域，運行結果包括方差、F值、單尾概率（P）、臨界F值等。如P

4.方差分析

方差分析包括單因素、無重復雙因素、有重復雙因素三種類型。如進行單因素方差分析，彈出對話框中，在輸入區域、分組方式、輸出區域分別輸入相應信息后，單擊“確定”即可。輸出結果包括平方和（SS）、df（自由度）、MS（均方）、F值、F crit（F臨界值）、P值等信息（表1）。如P>0.05（或F

5.回歸與相關分析

線性回歸分析：在“數據分析” 菜單選擇“回歸”， 在彈出對話框中輸入Y值、X值、置信度、輸出區域等信息后，運行即可得到回歸截距（Intercept，a）和回歸系數（b）（表2），從而寫出回歸方程。根據回歸系數的t檢驗結果或方差分析的F檢驗結果，可判斷兩個變量間的線性回歸關系是否有效。[7]由表2可知，a（Intercept）=-1.382，b=5.503，回歸方程為：=5.503x-1.382。由回歸系數的t檢驗可知，P=0.00004

三、結語

Excel軟件提供的統計功能基本涵蓋了統計學的教學內容，且對于生物統計學的初學者而言，具有易學易用的優勢，可作為本科教學的有效輔助工具。在每章理論知識講解完畢，應緊接著介紹Excel的統計功能、操作步驟和結果解釋，把課程理論教學、實際案例分析和軟件應用有機結合，可取得較好的教學效果。教學實踐表明，運用Excel的統計功能來輔助理論教學，不僅能夠加深學生對統計學原理的理解，還可以提高學生運用理論知識來分析數據的能力，從而使得生物統計學的學習變得輕松。在今后的生物統計學教學實踐中，應緊密加強Excel軟件應用與理論教學的融合，并考慮將 SPSS等專業軟件逐步引入教學中，以期進一步提升學生分析處理復雜數據、解決實際問題的能力。

[ 參 考 文 獻 ]

[1] 張丹，呂海燕，張幸果，等.應用Excel軟件有效提高《生物統計學》課程的教學效果[J].河北農業科學，2012（8）：93-95，99.

[2] 魏興民，任真，代婷.Excel在中醫藥統計學教學中的應用[J].高等數學研究，2013（1）：93-95.

[3] 張聯鋒，蔣敏杰，張鵬龍，等.Excel統計分析與應用[M].北京：電子工業出版社，2011.

[4] 楊景峰.EXCEL的計算功能在生物統計學教學中的應用[J].內蒙古民族大學學報（自然科學），2012（6）：738-741.

篇4

【關鍵詞】 胃癌癌前病變; 幽門螺桿菌; 累積比數Logit模型; 單獨的二分類Logit模型

有序分類資料最常用的分析方法是累積比數Logit模型[1]，對多分類有序反應資料，如果采用一般的二分類Logit模型，而不是累積比數Logit模型，只能獲得50%～70%的檢驗效能[2]，說明在處理有序分類數據方面，累積比數Logit模型要優于二分類Logit模型。近幾年累積比數Logit模型在國內應用領域有所增多，但不少忽略了模型的使用條件，盲目套用，以致影響所得結論的可靠性。本研究通過累積比數Logit模型在實際數據分析中的應用，說明了忽視模型應用條件所產生的后果，并介紹了如何選擇恰當的分析方法。

1 資料與方法

1.1 資料來源

資料來源于1項茂名市某醫院的隊列研究數據，該研究選擇了360名輕度慢性萎縮性胃炎(CAG)患者，根據他們的幽門螺桿菌(Hp)感染情況分為陰性組和陽性組兩組人群，隨訪3年后重新進行病理學診斷，觀察他們的病變情況。

1.2 胃黏膜病理診斷

用胃內窺鏡觀察胃黏膜病變，并在胃體大小彎、胃角、胃竇大小彎、前后壁各取胃黏膜活檢組織1塊。病理切片照全國胃、十二指腸活檢、病理診斷標準進行診斷。每個受檢對象以最嚴重病變為第一診斷。

1.2 統計分析方法

累積比數Logit模型的形式為[3]：Logit(P(Y≤k|X))=ln(P(Y≤k|x)1-P(Y≤k|x))=ak-pi=1βixi ，k=1，2，…，K-1。 (1)反應變量Y為K個等級的有序變量，第k(k=1，2，…，K)類的概率分別為{π1，π2，…，πk}，且Kk=1πk=1 。影響因素xT=(x1，x2，…，xP)為解釋變量，xi(i=1，2，…，p)可以是連續變量、無序或有序分類變量。則該模型實際上是將K個等級人為地分成{1，…，k }和{k+1，…，K}兩類，在這兩類基礎上定義的Logit P表示屬于前k個等級的累積概率(P(Y≤k|x))與后K-k個等級的累積概率(1-P(Y≤k|x))的比數之對數。故該模型稱為累積比數模型，其應用有一個基本的假定條件，即比例優勢假定(proportional odds assumption)。這一條件要求自變量的回歸系數應與分割點k無關，換句話說，無論從哪一點分類，對所有的累積logit，變量xk都有一個相同的βk估計。

單獨的二分類logit模型(separate binary logistic modes)主要是把反應變量按照不同分割點合并為不同的二類，然后分別進行二分類的Logistic回歸分析[4]。本研究中的反應變量為隨訪5年后的病變，分為輕度CAG、重度CAG、腸上皮化生(IM)、不典型增生(DYS)共4類，有3個分割點，故定義為3個二分類Logit：一是將IM、重度CAG和輕度CAG合并，即{DYS}VS{IM，重度CAG，輕度CAG}，表示至少進展到DYS;二是將DYS和IM合并，重度CAG和輕度CAG合并，即{DYS，IM}VS{重度CAG，輕度CAG}，表示至少進展到IM;三是將DYS、IM和重度CAG合并，即{DYS，IM，重度CAG}VS{輕度CAG}，表示至少進展到重度CAG。然后以上述分類分別作3次二分類的logistic回歸分析。整個分析過程均由SAS 8.2(SAS Institute， Cary，N.C.)來完成[5]。

2 結果

經3年隨訪后，共67人因各種原因失訪，293人具有可供分析的完整資料。其中，118人病變仍為輕度CAG，91人進展為重度CAG，49人進展為IM，35人進展為DYS。具體進展情況見表1。

累積比數Logit模型分析結果表明(表2)，除性別因素外，其他因素對胃癌癌前病變的影響均無統計學意義。但從得分檢驗(score test)結果來看(表3)，Hp不滿足比例優勢假定條件(χ2=24.100，P

為了核實結果的正確性，并充分利用該資料有序的特點，故采用單獨的二分類Logit模型進一步分析(表4)，可以看出，年齡、性別、吸煙、飲酒這四個變量在不同分割點的OR值相差不大，而Hp的OR值則差別很大。把DYS、IM和重度CAG合并為一類(即“至少進展為重度CAG”)時，Hp的影響有統計學意義(OR=2.334，95%CI：1.402～3.885)。而對“至少進展到DYS”和“至少進展到IM”的影響則無統計學意義。表4 單獨二分類Logit模型分析結果

3 討論

本次研究結果顯示，年齡、性別、吸煙、飲酒對胃癌癌前病變的進展無影響。在校正上述因素的影響后，Hp感染主要作用于胃癌癌前病變的早期階段，Hp陽性者至少進展到重度CAG的可能性是Hp陰性者的2.334倍(OR=2.334，95%CI：1.402～3.885)，而對進展到更高級的病變如IM、DYS，則Hp陽性與陰性并無差別。這與有學者提出的Hp主要作用于胃癌癌前病變的早期階段的結論是一致的[6，7]。

累積比數Logit模型是分析有序分類資料最常用的方法，但其應用需要滿足一定的條件，其中一個基本條件就是比例優勢假定條件，即自變量的回歸系數應與分割點k無關。對于一個自變量xk而言，不同累積比數發生比的回歸線相互平行，只是截距參數有所差別。以往有人認為，累積比數Logit模型對這一條件并不敏感，但在實際中，這一條件不滿足往往容易導致錯誤的結論，本研究即證明了這一點。Ralf也曾對這一問題進行了探討[8]，并指出，如果不滿足比例優勢假定條件，最好采用單獨的二分類Logit模型進行分析，否則做出的結論往往給人以誤導甚至是毫無意義的。本研究發現資料不滿足比例優勢假定條件，因此采用了簡單且易于理解的單獨的二分類Logit模型進一步分析。結果表明，盡管Hp對進展到更高級的病變(IM、DYS)無影響，但對至少進展到重度CAG的影響有統計學意義，即Hp主要作用于胃癌癌前病變的早期階段。如果忽略比例優勢假定條件的檢驗，接受累積比數Logit模型的分析結果，便會得出相反的結論。

當有序分類資料不滿足比例優勢假定條件時，還有其它一些方法可供選擇[9]，如stereotype模型、偏比例優勢模型(partial proportional odds models)等[10]。這些方法都是基于累積Logits計算的，因而可與單獨的二分類Logit模型直接比較，但其計算過程繁瑣，且結果的解釋不如單獨的二分類Logit模型易于理解。多項Logit模型(polytomous logits models)是基于廣義Logits計算的，其計算過程和結果解釋均與單獨的二分類Logit模型不同，因而二者不可直接比較，一般也不作為比例優勢假定條件不滿足時的首選方法。

總之，對于有序分類資料的分析，應先看其是否滿足模型的使用條件，如不滿足，最好換用其它更為合適的方法。本次研究一開始采用累積比數Logit模型分析，結果顯示Hp對胃癌癌前病變的影響無統計學意義，這實際上是由于Hp不滿足比例優勢假定條件所致。在利用單獨的二分類Logit模型作進一步詳細分析后，則可以發現，Hp陽性者至少進展到重度CAG的危險顯著高于Hp陰性者。

【參考文獻】

1 McCullagh P.Regression Models for Ordinal Data (with Discussion). J.R.Stat Soc，1980，42：109.

2 BG Amstrong，M Sloan.Ordinal Regression Models for Epidemiologic Data.Am J of Epidemiology，1989，129：191～204.

3 Ludwig Fahrmeir，Gerhard Tutz.Multivariate Statistical Modeling Based on Generalized Linear Models.Beijing：World Publishing Cooperation，1998，75～79.

4 Ralf Bender，Ulrich Grouven.Using Binary Logistic Regression Models for Ordinal Data with Non-proportional Odds.Journal of Clinical Epidemiol，1998，51：809～816.

5 Ralf Bender，Axel Bender.Calculating Ordinal Regression Models in SAS and SPlus.Biometrical Journal，2000，42：677～699.

6 Kunio Takeuchi， Yoshihiro Ohno， Yasushi Tsuzuki， etc. Helicobacter pylori Infection and Early Gastric Cancer.J Clin Gastroenterol， 2003，36：321～324.

7 夏志偉，林三仁.幽門螺桿菌與胃癌.幽門螺桿菌感染的基礎與臨床(修訂版).北京：中國科學技術出版社， 2002， 172～178.

篇5

目的：提出一種基于改良馬氏深度函數的多變量參考值范圍統計學建立方法，并以此為基礎探討統計深度函數在解決多變量參考值范圍問題方面的實際應用價值. 方法：采用計算機模擬試驗和實際數據分析相結合的方式，從參考值范圍幾何特征、參考值范圍合法性與有效性等方面對新的和現有的幾種多變量參考值范圍建立方法進行比較分析. 結果：改良馬氏深度法建立的二元參考值范圍具有典型的中心橢圓特征，對于多元正態分布資料，改良馬氏深度法與正態分布法一致性在98.5%以上，實例數據分析結果顯示改良馬氏深度法建立的參考值范圍大小比多元正態分布法更接近理論水平. 結論：改良馬氏深度法在參考值范圍幾何特征方面符合要求，在合法性及有效性方面優于現有的成熟方法，可以作為多變量參考值范圍的有效統計學建立方法.

【關鍵詞】 參考值 計算機模擬試驗 深度函數 統計學方法

0引言

醫學多變量參考值范圍統計學建立方法是困擾醫學統計工作者的重要問題之一. 目前的多變量參考值范圍多采用多次重復使用單變量參考區間的方法，但此方法的主要問題之一是無法處理變量間相關性的影響. 針對多元正態分布資料，多元正態分布法仍是最有效的方法［1］，而近年來有關學者提出的多指標百分位數法［2］和全息元法［3］等在探索針對其它類型資料的多變量參考值范圍建立方法方面做出了有益的嘗試.

統計深度函數是針對多元數據的基于空間排列的一種順序統計量，具有明顯的非參數特性，可作為醫學多變量參考值范圍統計學方法的一種選擇. 為探討統計深度函數在多變量參考值范圍統計學方法上的應用價值，本研究提出一種基于改良馬氏深度函數的多變量參考值范圍統計學建立方法，并通過模擬試驗和實例數據分析探討該方法的實際應用價值.

1材料和方法

1.1材料本研究實例數據資料來源于2001年某省健康青年體檢數據. 其中包含3453例受測者，全部為男性，年齡14.5~29.5平均（18.41±1.01）歲. 數據包括血壓、體型和體能等三類多元指標. 其中血壓指標包括收縮壓和舒張壓2個變量；體型指標包括身高、坐高、肩寬、體質量、胸圍、腰圍、臀圍等7個變量；體能指標包括肺活量、立定跳遠距離、俯臥撐次數以及仰臥起坐次數等4個變量.

1.2方法

1.2.1改良馬氏深度函數方法設計統計深度函數用以計算多元數據基于空間排列的秩次以及各種順序統計量［4］. 本研究以馬氏深度函數［4］為基礎，經過適當的改良后，將其應用于多變量參考值范圍統計學建立方法. 其改良方法如下.

從提高馬氏深度函數穩健性考慮，對其進行以下操作：在進行空間排列順序計算前，先對原始變量進行標準化，使各變量具有相同的變異程度；以中位數向量為位置參數；以Spearman秩相關矩陣為變異矩陣. 改良馬氏深度函數可表達為式（1）的形式.

MDS(x，F)=［1+(xs-Mds)′R-1s(xs-Mds)］-1(1)

其中，xs表示各分量經標準化后的數據向量，Mds表示各分量經標準化后的中位數向量，Rs表示原始樣本數據的Spearman秩相關矩陣.

改良馬氏深度法建立多變量參考值范圍的主要操作步驟如下: ①應用改良馬氏深度函數將多元數據類型的參考樣本轉化為統計深度指標，實現多元數據向單變量數據的轉換；

②采用百分位數法建立統計深度指標的指定容量的單側參考值區間（右側區間，包括中心點對應的統計深度最大值）；

③對于新樣品，先依據參考樣本的中位數向量和秩相關矩陣計算其對應的統計深度，并依據上述統計深度單側參考值區間判斷其正、異常分類.

1.2.2運算環境與分析方法本研究的全部分析計算過程均在SAS 9.1軟件環境下通過編程方法完成. 將從參考值范圍空間幾何特征、參考值范圍一致性以及實例分析等方面對改良馬氏深度法和現有的幾種方法（多元正態分布法、多指標百分位數法、全息元法）進行對比分析，以考察改良馬氏深度法的優缺點及其實際應用價值.

參考值范圍空間幾何特征分析以計算機模擬數據為基礎，為簡便操作僅從二元正態分布資料參考值范圍的幾何分布形態入手進行探討. 具體操作為：針對二元正態分布的模擬數據建立多變量參考值范圍，并直接對參考樣本進行分類并繪制散點圖，觀察其空間幾何特征，從而考察各種方法所建參考值范圍的合理性.

由于多元正態分布法是針對多元正態分布資料的最可靠的多變量參考值范圍統計學方法，此處我們通過考察多元正態分布情形下改良馬氏深度法和多元正態分布法所建立參考值范圍的一致性（針對參考樣本的分類結果一致性），來驗證該方法的可靠性.

實例分析將采用隨機抽樣方法（采用SAS的surveyselect過程實現）從實例數據抽取800人作為參考樣本，應用改良馬氏深度法和多元正態分布法建立其50%，75%，95%的參考值范圍，并將此參考值范圍應用于全部受檢者，判斷其“正、異?！狈诸?，計算“正?！闭叩陌俜直炔⑴c理論水平比較，從而評價兩種方法所建立參考值范圍的可靠性. 2結果

2.1參考值范圍幾何特征一般來講，理想的多變量參考值范圍應當表現為樣本數據點分布中心區域上橢圓或近似橢圓的幾何形態. 本研究的分析結果顯示，現有三種方法中多元正態分布法的參考值范圍呈中心區域的橢圓型，多指標百分位數法為矩形，而全息元法則為帶狀，后兩者的結果不符合中心橢圓區域的基本要求. 改良馬氏深度法建立的參考值范圍與多元正態分布法一致，呈中心區域的橢圓形. 對于三維或更高維度的數據樣本，不難推斷上述結果應當同樣適用，此處不再列出.

2.2參考值范圍一致性分析結果顯示，改良馬氏深度法建立的參考值范圍與多元正態分布法具有很高的一致性，一致率均在98.5%以上.

2.3實例分析對于全部三類多元指標，改良馬氏深度法建立的參考值范圍大小均比多元正態分布法更接近理論水平，表現出更高的可靠性（表1）.表1三類多元指標參考值范圍可靠性對比情況

3討論

多變量參考值范圍是醫療衛生領域常見的數據處理問題之一. 多元正態分布法的應用條件較為嚴格，要求樣本服從多元正態分布的假設. 雖然某些資料可通過變量變換的方式轉換為多元正態分布，但實際工作中多數數據資料仍無法滿足此條件［1］，因此多元正態分布法的適用范圍有限. 目前常用的替代方法多次重復應用單變量參考區間的方法仍然無法解決，所進行的有關此類問題的研究也未能完全解決多元數據各分量間相關性所帶來的問題.

統計深度函數作為一種描述多元數據空間分布相對位置的非參數統計量，為多變量參考值范圍統計學建立方法的降維操作提供了新的選擇［5-8］. 馬氏深度函數考慮了多元數據的內部相關性，更符合醫學多變量參考值范圍中的實際應用需要［9］. 然而其定義中的位置參數和變異矩陣以參數法為基礎，影響了其穩健性. 本研究以馬氏深度函數為基礎，提出一種改良的馬氏深度函數，并嘗試了該深度函數在解決多變量參考值范圍問題方面的應用效果. 改良馬氏深度改變了原有函數定義中的位置參數和變異矩陣，提高了深度函數的穩健性. 從本研究的分析結果來看，改良馬氏深度法能夠建立合法有效的多變量參考值范圍，具有更高的穩健性，在醫學多變量資料參考值范圍統計學建立方法方面值得進一步的探討和研究.

【參考文獻】

［1］ Hekking M， Lindemans J， Gelsema ES. A computer program for constructing multivariate reference models［J］. Comput Methods Programs Biomed， 1997， 53(3): 191-200.

［2］ 陳彬， 李克， 林昆， 等. 用多指標百分位數法確定醫學參考值［J］. 西部醫學， 2003， 1(2): 185-186.

［3］ 王潤華， 田小兵. 全息元法制定多指標參考值范圍研究［J］. 重慶醫科大學學報， 2001， 26(2): 171-174.

［4］ Zuo YJ， Robert S. General notions of statistical depth function［J］. Anal Stat， 2000， 28(2): 461-482.

［5］ Gerhard JW. A note on the depth function of combinatorial optimization problems［J］. Dis Appl Math， 2001， 108: 325-328.

［6］ Anja S， Peter JR. Halfspace depth and regression depth characterize the empirical distribution［J］. J Multivariate Anal， 1999， 69: 135-153.

篇6

【關鍵詞】 類風濕，關節炎；游走痛；中醫病因；風邪；風濕痹阻證；HFRA數據庫；臨床研究

Clinical Research on Whether Wandering Pain Being the Key Indicator to Rheumatoid Arthritis Caused by Wind Evil

LI Yuan-wei，ZHANG Zi-yang，LOU Yu-qian

【ABSTRACT】Objective：To investigate whether wandering pain is the key indicator to rheumatoid arthritis caused by wind evil，and to explore the related syndrome.Methods：Four hundred and nine cases with rheumatoid arthritis recorded in the HFRA database（database of Henan Rheumatism Hospital）were divided into the wandering pain group and non-wandering pain group.Software SPSS 19.0 was used to analyze the difference and relationship of articular manifestation and extra-articular manifestation of the two groups.Results：Because there were weak correlations between the original variables in the wandering pain group，it was not suitable for cluster analysis.The clustering results of the non-wandering pain group showed that body numbness and the whole body’s aversion to cold and wind were caused by wind evil or other evils，which couldn’t be the only judging index for wind evil.At the same time，the difference between the two groups was statistically significant（P < 0.05）.

The 16 variables with statistical significance were as follows：heat pain，gas pain，hair loss，dark red lip and nails，relief of pain after activity，excessive phlegm，

fatigue，asthma，local dark skin，tastelessness in mouth without thirst，recovering from

fatigue after rest，cold pain，dizziness，aggravation

during rainy days，night sweat and dry nose.These manifestations in the wandering pain group were less serious than those in the non-wandering group.There was no significant difference between the other 66 variables，and the symptoms were not related to the clinical manifestations caused by wind evil.Among 409 patients，there were 102 cases（25%）with wandering pain.The 102 patients met the criteria for the diagnosis of rheumatoid arthritis，that is，there were at least 3 joints in the area that lasted for more than 6 weeks.Swelling belongs to TCM dampness.Conclusion：Wandering pain can be used as the key index to judge the wind evil causing rheumatoid arthritis.Rheumatoid arthritis has the syndrome of rheumatic arthralgia，the number of patients caused by which is less than 25% of the total number.

【Keywords】 rheumatoid，arthritis；wandering pain；origin of diseases in TCM；wind evil；rheumatic arthralgia syndrome；HFRA database；clinical research

風濕關節炎（rheumatoid arthritis，RA）患者有很多重要的關節表現，最常見的有關節腫脹、晨僵[1]，

除此之外，游走痛、陰雨天加重等[2]在臨床中也經常見到。這些關節表現影響臨床辨治，在中醫傳統辨治過程中有著重要的地位[3]，如文獻《李中梓治療痹證學術思想淺析》中就將游走痛作為行痹辨證的關鍵[4]。查找文獻發現，游走痛作為RA風邪的主癥是經驗性的，未見到證據級別較高的研究，本文就此進行了深入的研究，以探討游走痛是否為RA風邪的關鍵指標，并探討其相關證候。

1 病例來源及診斷標準

本研究的病例來源于河南風濕病醫院RA數據庫（HFRA數據庫）[5]，該數據庫收錄了自2013年

4月至2016年7月在本院就診的符合納入標準的409例RA患者的一般資料、關節表現、關節外表現等病證信息。該數據庫所納入的RA患者均采用美國風濕病學會（ACR）1987年頒布的RA分類標準[6]。

2 方 法

2.1 分組與研究方法 將409例RA患者按有無游走痛分為游走痛組和無游走痛組。將2組所涉及的關節表現及關節外表現的頻數及構成比分組列表進行比較，并做聚類分析。

2.2 統計學方法 采用SPSS 19.0軟件進行統計分析。計量資料符合正態分布以表示，不符合正態分布以中位數與全距表示；計數資料計算構成比，組間比較采用χ2檢驗；證候分析采用主成分分析、因子分析、聚類分析。以P < 0.05為差異有統計學意義。

3 結 果

3.1 一般資料 游走痛組共102例，男11例，女91例；年齡20～76歲，平均（49.32±10.95）歲；

病程最短2個月，最長32年，中位數3年。無游走痛組共307例，男42例，女265例；年齡17～79歲，平均（49.10±11.71）歲；病程最短

2個月，最長44年，中位數5年。2組患者在性別、年齡、病程等方面比較，差異無統計學意義（P > 0.05），

具有可比性。

3.2 關節表現及關節外表現 HFRA數據庫中的409例RA患者，涉及關節表現及關節外表現共88個變量，依統計學要求，樣本量為變量的5～10倍，刪除頻數 < 20的變量，剩余變量為82個，符合要求。2組變量的頻數及構成比見表1、表2、表3。

3.3 主成分分析、因子分析、聚類分析 游走痛組KMO和Bartlett的檢驗可得取樣足夠的Kaiser-Meyer-Olkin度量值為0.316 < 0.5，Sig值為0.000 < 0.005，表明原始變量之間相關性弱，不適合因子分析的統計學方法，無法進行下一步聚類分析。無游走痛組KMO和Bartlett的檢驗可得取樣足夠的Kaiser-Meyer-Olkin度量值為0.602 > 0.5，Sig值為0.000 < 0.005，表明原始變量之間存在相關性，適合主成分分析及因子分析的統計學方法，可進行下一步聚類分析。無游走痛組變量經過相關矩陣分析及最大四次方值法旋轉后，選取值 > 0.3的變量，得出31個公因子，將該組得出的公因子采用Ward法 + Euclidean矩陣 + Z得分進行聚類分析。

與臨床相結合，無游走痛組以聚7類較為合適，具體聚類結果如下：①F20渴喜冷飲，F28五心煩熱、盜汗，F26肌膚局部發暗，F15渴喜熱飲、渴不欲飲，F11失眠、多夢，F16涼痛；②F4活動后乏力、月經量少、月經色暗、月經有塊，F7頭重如裹、發熱時間不定；③F10少氣懶言、聲低，F14僵痛、動則汗出、肢體麻木，F2口干、咽干、口苦、口黏膩，F6活動后加重、活動后減輕、口淡不渴，F9遇冷痛增遇熱痛減、陰雨天加重；④F27晝輕夜重、大便稀溏，F30頭暈、月經先期，F12眼干、鼻干，F19熱痛、動則氣喘，F13心慌、膽怯、心神不寧；⑤F29痰多、唇甲暗紅，F31沉痛，F18脹痛、酸痛、口唇淡白，F17食后腹脹、肢體浮腫、顴紅，F22食冷腹瀉、耳鳴，F21勞累后加重、脫發、夜尿頻多；⑥F1全身乏力、活動后乏力加重、休息后乏力減輕、神倦懶動、患病后體質量減輕、納少，F5全身怕風怕冷、畏寒肢冷、四肢不溫，F23低熱、咽痛；⑦F3生氣后加重、心煩、易怒、抑郁，F25閉經、易感冒，F8健忘、視力減退、視物模糊、聽力下降、面色萎黃，F24大便黃、小便干。其中刺痛、腰膝酸軟、自汗共計3個變量在取消γ系數絕對值 < 0.3后進行旋轉成分矩陣后，無相關數據對應，故在此不再對刺痛、腰膝酸軟、自汗3個變量進行系統聚類分析后的展示。

3.4 χ2檢驗 通過對表1、表2、表3中2組相同變量制定四格表資料，并運用SPSS 19.0軟件進行數據分析整理，將2組間差異有統計學意義（P < 0.05）

的臨床表現匯總，結果見表4。

通過對表1、表2、表3中2組間差異有統計學意義（P < 0.05）的臨床表現對比可知，熱痛、脹痛、脫發、唇甲暗紅、活動減輕、痰多、頭暈、陰雨天加重、活動后乏力、動則氣喘、肌膚局部發暗、口淡不渴、休息后乏力減輕、涼痛、盜汗、鼻干均為游走痛組 < 無游走痛組。

4 討 論

游走痛組的原始變量之間相關性弱，不適合因子分析的統計學方法，無法進行聚類分析。從無游走痛組聚類分析結果可看出，②中出現了肢體麻木，⑥中出現了全身怕風怕冷等看似“風邪”的臨床表現。臨床上，單純屬虛證的肢體麻木有之，但夾風夾寒夾濕夾痰夾瘀者，同樣常見。故這里的肢體麻木應該是一個風邪與他邪相兼的癥狀。全身怕風怕冷不僅有風的表現，同時兼有寒的表現，是一個風寒兼有的癥狀。由此可以看出，無游走痛組的聚類結果中出現的肢體麻木、全身怕風怕冷均為風邪與他邪相合而致，不能單獨作為風邪的判斷指標。同時對表1、表2、表3中2組間差異有統計學意義

（P < 0.05）的臨床表現對比可知，有統計學意義的16個變量均為游走痛組 < 無游走痛組。剩余66個

變量之間差無統計學意義，且其與風邪所致臨床表現無關。綜上所述，游走痛可以作為RA風邪判斷的關鍵指標。

從西醫角度講，RA的基本病理為關節滑膜炎，在RA的診斷標準中[6]，對稱性手關節（近端指間關節、掌指關節、腕關節）至少3個關節區的關節炎且持續6周以上是特征性表現，占權重近1/2。所以，多數學者都將RA關節疼痛描述為持續性疼痛[7-8]。筆者在臨床中觀察，患者若沒有持續6周以上不緩解的滑膜炎（關節腫痛、壓痛）存在，很難確診為RA，即RA患者的某些關節一定是持續性疼痛的；但也發現被確診為RA的一部分患者，既存在某些關節持續腫痛，又同時存在另外某些關節數日內就能消失的游走性、反復發作性腫痛，暫且將這類患者稱為“伴游走腫痛的RA”，這類患者并不少見，本研究顯示其占RA患者的25%（102/409）。這類“伴游走腫痛的RA”是RA的一個亞型嗎？與回文性風濕?。╬alindromic rheumatism）有無關聯？有待進一步研究。

從中醫角度講，本研究顯示關節游走痛是RA風邪的關鍵指標，這類伴有風邪患者占RA總數的25%，所以，在臨證時不能忽視風邪的存在。但一些權威文獻如《中藥新藥臨床研究指導原則》等中卻完全忽視了風邪的存在[9]，這與臨床實際不符，建議在今后修訂時予以補充。然而，滑膜炎的特征性表現是關節腫脹，腫脹（下轉第38頁）

（上接第17頁）屬中醫濕邪，筆者前期的研究也表明，RA患者普遍存在“濕”重于“風”的現象[10]。

結果中顯示，游走痛組102例患者原始變量間相關性弱，不適合再進行聚類分析，換句話說，這類患者沒有必要再進行分類，他們原本就是一類，一類具有游走痛這一共同特征的患者，因此就沒有必要將其再分類了。所以，“伴游走腫痛的RA”患者，若將其中的虛象明顯者、瘀象明顯者、他邪（如寒邪[11]、熱邪[12]等）明顯者都剝離出來，剩下的則為“風濕痹阻”證。即RA患者應有“風濕痹阻”這一臨床證候，這與姜泉、馮興華的認識一致[13]，

然這一證候的數量定少于RA患者的25%。還需要注意的是，風濕病的基本病因病機是“虛邪

瘀”[14]，RA也不例外。RA風濕痹阻證只是說這類患者風邪、濕邪較重較多，是患者的主癥，其必然還同時存在一些虛象、瘀象和其他邪氣，只是這些虛象、瘀象和其他邪氣較輕較少，不是主癥而已，這些從本文的表1、表2、表3中也可以看出?？蓪A風濕痹阻證候定義為：符合RA診斷，伴某些關節游走性疼痛，無明顯寒象、熱象、瘀象、虛象者。RA的證候極其復雜，除了風濕痹阻證外，還有75%以上的患者，分別屬于什么證候？需今后深入探索。

5 參考文獻

[1] 婁玉鈐.中國風濕病學[M].北京：人民衛生出版社，2010：45-48.

[2] 王鈞琴，李國春，周學平，等.類風濕關節炎中醫證候量表條目篩選[J].遼寧中醫藥大學學報，2014，16（3）：80-82.

[3] 孫琳，張杰.類風濕關節炎中西醫治療研究進展[J].遼寧中醫藥大學學報，2013，15（4）：129-132.

[4] 雷艷，王新昌.李中梓治療痹證學術思想淺析[J].黑龍江中醫藥，2014，44（5）：11-12.

[5] 婁玉鈐，張子揚，許平英，等.基于病證結合的類風濕關節炎數據庫建立及其409例基線資料報告[J].風濕病與關節炎，2016，5（8）：5-9.

[6] 中華醫學會.臨床診療指南?風濕病分冊[M].北京：人民衛生出版社，2010：3.

[7] 蔣明，張奉春.風濕病診斷與診斷評析[M].上海：上海科學技術出版社，2004：80.

[8] 栗占國.類風濕關節炎[M]//王吉耀.內科學.北京：人民衛生出版社，2005：1054.

[9] 國家食品藥品監督管理局.中藥新藥臨床研究指導原則[M].北京：中國醫藥科技出版社，2002：115-119.

[10] 張子揚，婁玉鈐.中醫“上肢多風下肢多濕”是否適應于類風濕關節炎辨證的臨床研究[J].風濕病與關節炎，2016，5（9）：16-19.

[11] 張子揚，婁玉鈐.關節遇冷痛增是否類風濕關節炎中醫證候寒痹關鍵指標的臨床研究[J].風濕病與關節炎，2016，5（11）：25-28，40.

[12] 張子揚，許平英，婁玉鈐.關節熱痹是否類風濕關節炎中醫證候熱痹關鍵指標的臨床研究[J].風濕病與關節炎，2016，5（10）：16-19，26.

篇7

1資料與方法

1.1臨床資料

收集自2006年2月至2010年9月入住我院ICU缺氧性腦病患者17例，包括一氧化碳中毒4例，麻醉意外3例，感染性休克7例，慢性阻塞性肺疾病呼吸衰竭3例，所有患者均行心肺復蘇術，其中男性10例，年齡12~78歲，平均48.3歲，女性7例，年齡25~75歲，平均38.5歲。所有患者均行顱腦CT檢查，排除其他原因引起的腦組織損害。入院時死亡8例，GCS評分平均值7.22；存活9例，GCS評分平均值7.36，兩組之間差異無統計學意義(P=0.775)。

1.2統計學方法

收集納入患者住院期間前10d的重要指標，取平均值，住院不足10d患者按實際住院天數計算平均值，包括：年齡、體溫、心率、呼吸、平均動脈壓(MAP)、白細胞、血紅蛋白、谷丙轉氨酶、白蛋白、肌酐、鈉離子等指標作為自變量，患者結局以存活與否作為因變量，使用SPSS13.0軟件對數據進行二分類Logistic回歸分析。并以上述指標為自變量，以APACHEⅡ為因變量，進行單因素線性回歸分析與多因素分析。

2結果

2.1危險因素與生存率的關系

以年齡、體溫、心率、呼吸、動脈血氧飽合度、MAP、白細胞、血紅蛋白、谷丙轉氨酶、白蛋白、肌酐、鈉離子作為自變量，以存活與否為因變量，使用SPSS13.0行二分類Logistic回歸分析，單因素分析結果提示：體溫、MAP、白蛋白與患者存活之間的聯系差異有統計學意義(P<0.05)，見表1。將所有自變量放入模型進行多因素分析，相應P=0.170，說明模型全局性檢驗差異無統計學意義。

2.2危險因素與APACHEⅡ評分的關系

以年齡、體溫、心率、呼吸、動脈血氧飽合度、MAP、白細胞、血紅蛋白、谷丙轉氨酶、白蛋白、肌酐、鈉離子作為自變量，以APACHEⅡ為因變量，使用SPSS13.0進行單因素線性回歸分析，檢驗各自變量與應變量的關系。單因素分析結果提示：心率、動脈血氧飽合度、平均動脈壓、白細胞、白蛋白、肌酐對APACHEⅡ改變差異有統計學意義(P<0.05)，見表2。多重線性回歸分析：僅MAP進入最終模型，最終等式為APACHEⅡ=42.058-0.382MAP，P<0.05，MAP改變對于APACHEⅡ評分差異有統計學意義(散點圖見圖1)。

3討論

腦灌注壓等于平均動脈壓與顱內壓之差(CPP=MAP-ICP)。腦組織缺氧損害后往往腦組織水腫較重，顱內壓升高，在給予利尿、脫水等措施后很可能導致循環容量不足，使腦灌注壓下降，加重腦組織缺血缺氧。

篇8

（Chang'an University School of Economics and Management，Xi'an 710061，China）

摘要： 隨著科技日益發展，地質統計學在地質工程中也發揮著重要的作用，這就對地質統計提出了更高的要求。本文從地質統計方法入手，簡要闡述了地質統計學發展的現狀，并分析了統計方法在地質工程中的重要作用及其應用。

Abstract: With the development of science and technology, geostatistics plays an important role in geological engineering, which puts forward higher demand for geostatistics. Starting from geostatistics, this article illustrates the status quo of geostatistics development, and analyzes the important role of statistical methods and its applications in the geological engineering.

關鍵詞： 地質統計學 地質工程 變差函數 應用分析

Key words: geostatistics；geological engineering；variation function；application analysis

中圖分類號：P628+.2 文獻標識碼：A文章編號：1006-4311（2011）29-0081-01

1地質統計方法簡述

地質統計學是在礦山儲量計算工作中慢慢發展起來的，是上個世紀六七十年代法國統計學家馬特隆教授（G.Matheron）大量的理論研究基礎上形成的數學地質學科的一個分支，他的專著《應用地質統計學》的問世標志著地質統計學作為一門新興學科的誕生①。地質統計學是和采礦業發展同步興起的學科，它是以變差函數為主要工具，以區域化變量理論為基礎，研究在空間分布上既有結構性又有隨機性（或有空間相關性和依賴性）的自然現象（包括地質現象）的一門科學。

2地質統計方法發展現狀

地質統計學作為一個年輕的邊緣學科，正處在蓬勃向前發展的階段，目前地質統計方法的發展主要有以下幾個方面：

2.1 兩大學派地質統計學發展至今，出現了兩個學派。一個是以A.G儒爾奈耳（A.G Journal）為首的“斯坦福地質統計學派（非參數地質統計學派）”。這一學派研究了不需要對數據的分布做假設的快速條件模擬、概率克立格法和指示克立格法等方法，并且研究了軟數據的使用問題。另一個學派以馬特隆教授為首，他們開展了以正態的假設為基礎的析取克立格法和條件模擬研究，把協同克立格法和主成分分析進行有效結合，形成簡單克立格法、析取克立格法、泛克立格法和普通克立格法等一系列的方法和理論，這些方法都要用實際的樣品數據為基礎，所以也稱“參數地質統計學”②。

2.2 多學科的滲透形成新克立格法目前，對于含有一些特異值，接近了高斯分布的具體數據，就要把穩健統計學思想應用到求變差函數當中，繼而提出了穩健克立格法；把多元區域化的變量引到克立格法中，運用兩個或兩個以上有相關性的變量對某一個變量估值，繼而產生了協同克立格法；把多元區域化的變量引到指示克立格法中，繼而得到了協同指示克立格法。

2.3 多領域應用地質統計學目前不斷擴展其應用領域，深入到生活的各個方面。

3地質統計方法在地質工程中的重要作用

隨著市場飛速發展，統計方法運用在地質工程是時代潮流發展的必然。以前我們在計算礦產資源的儲量時，常用不同級別儲量的工程密度，用稀密法得到相對誤差來論證礦產資源儲量的可靠程度，并將相對誤差值作為衡量礦產資源儲量精度的標準。然而，這種方法缺乏科學根據，被許多人置疑，地質統計方法的出現很好地解決了這類問題。地質統計工作是深化我國經濟體制改革和加強經濟發展的必然要求。地質統計不但可以整體估計，還能對局部進行估計，對原有的數學方法和理論進行選擇創新，把更好地解決面臨的地質問題作為目標。地質統計估計的克立格方差是一個很好的估計精度，其估計精度高較高。地質統計的隨機模擬能很好的再現出地質變量變化，從而為定量研究地質體提供一個有利的基礎和可靠的保障。

4一維變差函數

可以假設空間中一點只在一維數軸x上變化，把區域化變量Z（x）在x，x+l兩點處的數值的差的方差的一半定義成區域化變量Z（x）在x方向上的變差函數，記為：?漬（x）=■V[Z（x）-Z（x+l）]=■E[Z（x）-Z（x+l）]2-｛E[Z（x）]-E[Z（x+l）]｝2公式中，?漬（x）表示變差函數；E表示期望值，V表示方差。變差函數的函數值僅依賴于x和l兩個自變量。在本假設條件下，變差函數僅依賴于分割它們的距離l和方向，因而變差函數可定義成：變差函數是在任一方向，相距l的兩個區域化變量[Z（x）和[Z（x+l）的增量的方差的一半。變差函數是一個有關距離的函數，描述不同位置變量的相似性，?漬值越大，變量的相關性越差。通常情況下，?漬值隨著距離矢量l的增大而增大，直到到達一定值時?漬達到極大值，之后保持不變。

5統計方法在地質工程中的應用

1977年地質統計學正式引入我國，經過我國對地質統計方法的努力學習，地質統計方法在我國得到了飛快的發展，目前廣泛應用于以下幾個方面：

5.1 用于儲層的預測石油地質學研究中的一個重要的難點和熱點，就是對儲層的參數進行一個有效的科學的預測。我國原先利用的是傳統數理統計的方法，這種方法是純數學的方法，沒有充分考慮到儲層參數間相關性和空間連續性的問題，也不附帶任何的地質意義，因此，對儲層的參數預測有較大局限性。使用地質統計方法就可以有效解決這一問題，它以區域化的變量理論作為基礎，對地質參數的空間變化方向性和趨勢都有了充分的全面的考慮，再克里金方法的外推和插值的功能，算出了與地質規律吻合的統計方法和模型，繼而表征儲層參數的規律變化，利用這規律，針對滲透率和孔隙度等參數的空間展布開展有效又合理的預測。

5.2 用于不確定性描述油藏的復雜變化，很難通過動態或靜態的確定性模型來反映。只有運用地質統計方法，用不確定性的描述，才能反映出真實的復雜油藏模型。地質統計方法最大的一個優點就是可以很方便地把不同的資料有效整合應用，如生產、測井、地震、地質等方面信息，這些對于油藏準確的描述是非常關鍵的。這種不確定性的描述可以給油藏工程師一個可選擇的參考，幫助他們全面分析，制定一個合理的科學的開發方案。

5.3 用于數據整合地質統計方法通過隨機模擬方法和油藏數值模擬相結合，繼而預測出油藏動態的特征，為調整和制定開發決策和提高最終的采收率提供一個合理的依據。

6結語

統計學在地質工程應用中經過多年發展，已初顯成效。而且其應用范圍正在逐漸擴大。我們有理由相信，隨著地質統計學方法的不斷完善，其必將發展成為一個通用性工具性的科學。

注釋：

①孫洪泉.地質統計學及其應用[M].徐州.中國礦業大學出版社，1990.

②李黎，王永剛.地質統計學應用綜述[J].勘探地球物理進展，2006，（03）.

篇9

關鍵詞：冠心病心絞痛 蒙醫證型 診斷標準 臨床研究

心血管疾病已成為影響人類健康的頭號殺手，其中絕大多數是由冠狀動脈粥樣硬化所致。隨著人們生活水平的迅速提高，本病近年來呈增長趨勢。冠心病心絞痛屬于蒙醫學“心刺痛”范疇，目前對冠心病心絞痛蒙醫證型的診斷尚未完全一致。本研究收集100例包含蒙醫信息的冠心病心絞痛患者的臨床資料進行統計學分析，并結合專家意見，初步建立了冠心病心絞痛蒙醫證型的診斷標準。

一、臨床資料

1.病例入選標準

冠心病心絞痛入選標準依據1979年中西醫結合冠心病心絞痛會議制定的診斷標準[1]。

2.病例來源

本研究對象為209年10月-2013年6月期間在本院蒙醫心病科、中醫心病科及CCU住院診治的100例患者。

二、研究方法

1.制定病例觀察表

通過回顧文獻，確定本研究的病例入選標準和觀察指標（包括西醫和蒙醫內容），并據此制定統一的病例觀察表。病例觀察表包括與冠心病心絞痛患者蒙醫診斷相關信息的指標。

2.總體方法

按照西醫冠心病心絞痛診斷標準確定入選病例并進行臨床觀察，填寫病例觀察表，請蒙西醫結合專家對每份觀察表信息進行辨證并做出相應的證型診斷；根據證型分組，進行統計學分析，篩選對證型診斷有意義的指標；再請蒙西醫結合專家對指標進行討論，最后制定冠心病心絞痛蒙醫證型的診斷標準。

3.觀察項目及方法

按照入選標準入選冠心病心絞痛病例，應用統一的病例觀察表前瞻性地收集臨床資料。主要觀察指標包括：性別、年齡、住院轉歸、冠心病心絞痛發病誘因、既往健康狀況、發生冠心病心絞痛的持續時間及發作次數、住院天數，入組72 h內每12 h及心絞痛發作時的心電圖、心肌酶[肌酸激酶同工酶（CK-MB）、肌紅蛋白（Mb）、肌鈣蛋白（cTnT）]、血常規、血生化及血脂[總膽固醇（TC）、三酰甘油（TG）、高密度脂蛋白膽固醇（HDL-C）、低密度脂蛋白膽固醇（LDL-C）]。記錄72 h內各指標的值。蒙醫指標包括癥狀、舌象、脈象、體態、根源及因素、疼痛、累及部位等。研究終點為患者在住院期間死亡或放棄治療。

4.統計學分析

所有觀察資料應用SPSS13.0統計軟件進行統計分析。對計量資料進行兩獨立樣本t檢驗，結果以x±s表示；對分類變量資料采用卡方檢驗。

5.質控措施

采取參研人員培訓；研究過程中抽查一定數量（觀察病例總例數的10%）病例觀察表與原始住院病歷進行核對，復印一定數量（觀察病例總例數的5%）的原始病歷予以存檔等方法控制研究質量。

6.數據分析方法

進行統計分析后，找出各證型中對證型診斷有意義的指標。請蒙西醫結合專家進行討論，確定診斷指標。

三、結果

冠心病心絞痛蒙醫證型分布經專家對100例包含蒙醫信息的冠心病心絞痛患者資料進行分析，其中楚斯型58例，粘邪型23例，胃痧型19例。

1.粘邪型的指標篩選

分析比較粘邪型和非粘邪型的計量資料及兩證型間的分類變量資料，結果見表1、表2。表1 粘邪型與非粘邪型血脂比較（略） 表2 粘邪型與非粘邪型分類變量資料統計結果（略）注：癥狀：1=無，2=有；持續時間：1≥5 min，2≥10 min，3≥15 min，4≥30 min；郝衣希拉體態：1=無，2=有；疼痛程度：1=輕度，2=中度，3=重度； CK-MB、Mb、cTnT：1=正常，2=升高。

2.楚斯型的指標篩選

分析比較楚斯型和非楚斯型的計量資料及兩證型間的分類變量指標，結果見表3、表4。表3 楚斯型與非楚斯型血脂比較（略）表4 楚斯型與非楚斯型分類變量資料統計結果（略）注：癥狀：1=無，2=有；持續時間：1≥5 min，2≥10 min，3≥15 min，4≥30 min；CK-MB、Mb、cTnT：1=正常，2=升高；單純T波改變：1=正常， 2=單純T波改變。

3.胃痧型的指標篩選

分析比較胃痧型組和非胃痧型組的計量資料及兩證型間的分類變量資料，結果見表5、表6。表5 胃痧型與非胃痧型分類變量資料統計結果（略）注：癥狀：1=無，2=有；CK-MB、Mb、cTnT：1=正常，2=升高；心電圖下壁ST-T改變：1=無，2=有；體態：1=巴達干赫依，2=非巴達干赫依表6 胃痧型與非胃痧型血脂比較（略）。

四、討論

到目前為止，治療冠心病心絞痛的藥物，如血管緊張素酶抑制劑（ACEI）、β受體阻滯劑、Ca拮抗劑以及阿司匹林等雖然有確切的療效，但均有不同程度的、較明顯的禁忌癥，而蒙醫藥在冠心病心絞痛患者的治療中卻已顯示出一定的優勢。蒙醫藥治療冠心病心絞痛的關鍵是辨證論治，如何進行辨證是取效的核心內容。本課題就是以冠心病心絞痛的臨床證侯信息資料為主，結合現代醫學的認識，對其證型賦予新的診斷指標。根據我們研究的結果，冠心病心絞痛患者常見的證型為粘邪型、楚斯型、胃痧型，基本體現了冠心病心絞痛之蒙醫心刺痛由于致病四因素（氣候變化、飲食、起居和突發因素）的影響所致三根、七素功能失調，赫依血不通，特別是普行赫依受損，精華與糟粕之分解紊亂，導致心脈內淤積渾濁之血液，且由輕到重的病理過程[2-3]。本研究運用現代統計學的方法篩選出每個證型的有意義的臨床指標，經專家討論制定出診斷標準，為尋找對冠心病心絞痛患者有效的治療提供了理論基礎。蒙醫證候客觀化、標準化及證候本質的研究是實現蒙醫藥科學化、現代化的必由之路。本研究通過病證結合臨床研究模式，總結了冠心病心絞痛的蒙醫證型診斷標準，分析結果顯示：粘邪型和不穩定性心絞痛有很大程度上的相似性；楚斯型和穩定性心絞痛是一致的；胃痧型主要為下壁心肌缺血引起的心絞痛。蒙醫證型診斷為蒙藥的合理應用提供了理論基礎，拓寬了蒙醫藥的應用范圍，為冠心病心絞痛的治療提供了新的有效的途徑。

參考文獻：

篇10

doi：10.3969/j.issn.1673 - 0194.2017.02.054

[中圖分類號]C931.2 [文獻標識碼]A [文章編號]1673-0194（2017）02-00-02

0 引 言

組織公平感一直被認為是影響員工工作卷入的主要因素之一。Masterson和Lewis（2000）提出了組織公平感的三維度結構。Colquitt 等人（2002）驗證了組織公平感的四個維度是相互獨立的。我國的學者，劉亞、龍立榮、李曄（2003）結合我國國情，提出了四維度結構，即分配公平、程序公平、領導公平和信息公平。工作卷入起源于Allport（1943）對自我卷入和Dubin（1956）對生活興趣重心的研究。Kanungo（1979）指出工作卷入是指工作能滿足個體的強烈需求和期望，是個體對工作的認同。多數研究指出人口統計學變量對組織公平感或工作卷入無顯著影響。Brown 等人的元分析結果表明，工作卷入與人口統計變量之間無實際上關系。

雖然研究已比較成熟，但由于以具有時代特性的“90后”員工為研究對象，仍需要實證分析這一群體的人口統計學變量對組織公平感和員工工作卷入的影響，而不能僅憑以往的研究結論做出判定。因此，本文采用問卷調查法，利用SPSS 21.0軟件對問卷調查結果進行統計分析，著重探討了“90后”員工人口統計學變量對組織公平感和工作卷入的影響。

1 組織公平感與員工工作卷入的研究方法

1.1 樣本

《2015互聯網+時代，就業主力軍現狀調查報告》指出，互聯網行業是“90后”求職的熱門選擇，2015年“90后”在實際簽約行業中占近30%。故選取某互聯網公司“90后”員工作為研究對象，共發放問卷200份，回收的有效問卷為171份，問卷的有效回收率為85.5%。

1.2 變量與量表

1.2.1 人口統計學變量

基于文獻綜述，分別選取性別、年齡、學歷、工作年限與職務五方面作為人口統計學的變量，并進行研究。其基本特征如表1所示。

1.2.2 組織公平感與員工工作卷入

組織公平感由分配公平、程序公平、領導公平和信息公平四維度構成。采用劉亞 等人（2003）編制的四維度量表，并對其進行了合理的修繕，構成了組織公平感問卷，共有22個正向題。采用周文霞和李博（2006）修訂的9項工作卷入量表，并對其個別表述進行完善，形成了員工工作卷入問卷。二者均通過了信效度檢驗，能夠做進一步的統計分析。

2 組織公平感與員工工作卷入的實證研究

2.1 人口統計學變量對研究變量的影響

根據各人口統計學變量的特征，運用獨立樣本T檢驗、方差分析法（ANOVA）及事后檢驗兩種方法，研究樣本基本信息的差異對組織公平感與員工工作卷入是否有影響以及影響的程度。

2.1.1 性別差異對研究變量的影響

通過SPSS 21.0獨立樣本T檢驗，考察不同性別的員工在組織公平感和員工工作卷入上是否存在顯著差異，結果如表2所示。

獨立樣本T檢驗結果顯示，不同性別對組織公平感各維度、員工工作卷入的概率P值均大于0.05，故接受原假設。這也說明不同性別的“90后”員工在組織公平感和員工工作卷入上不存在顯著差異，即性別差異對組織公平感各維度、員工工作卷入無顯著影響。

2.1.2 年齡、學歷、工作年限、職務差異對研究變量的影響

由于本文中的年齡、學歷、工作年限、職務具有多個分組（大于兩個），故使用方差法研究其在組織公平感和工作卷入上是否存在顯著差異。由SPSS 21.0分析結果得知，僅有“工作年限”變量對組織公平感和工作卷入有影響，具體結如下。

①不同工作年限的分配公平、程序公平和信息公平及工作卷入的概率P均小于0.05，說明工作年限差異對分配公平、程序公平、信息公平和工作卷入均有影響。②基于進一步的方差分析法及事后檢驗，并結合平均值綜合分析得出，工作年限越長則對分配公平、程序公平、信息公平及工作卷入的影響越大。具體的影響方向與影響程度需要做進一步的相關分析。

2.2 人口統計學變量與研究變量的相關分析

采用Pearson相關系數對人口統計學變量與組織公平感、員工工作卷入之間的關系進行分析，結果如表3所示。

相關分析結果顯示，人口統計學變量中工作年限與程序公平和信息公平的相關系數分別為-0.157和-0.154，在0.05的顯著性水平下相關，且是負相關，這與以往的研究結果有所不同。而其他人口統計學變量的概率P均大于0.05，說明人口統計學變量總體上對組織公平感和員工工作卷入的影響是不顯著的。即企業的“90后”員工對企業給予的分配、程序、領導和信息方面的感知是公平的，也認為個人與他人具有相似的工作卷入度。

此外，組織公平感分配公平、程序公平、領導公平和信息公平與員工工作卷入的相關系數分別為0.370、0.329、0.352、0.392，說明組織公平感四維度與員工工作卷入之間具有顯著正相關性，其中相關性最大的是信息公平，最小的是程序公平。

4 結 語

“90后”員工人口統計變量對組織公平感和工作卷入影響的實證研究結果表明，人口統計學變量整體上對組織公平感無顯著影響，但工作年限對其的程序公平和信息公平維度有較大的影響；人口統計學變量對員工工作卷入也無顯著影響，這符合Brown 等人的元分析結論。此外，相關分析結果表明組織公平感及其四維度與員工工作卷入之間存在顯著的正相關性。本文為進一步研究組織公平感與員工工作卷入之間的線性回歸關系奠定了基礎?？傊?，“90后”員工終將成為就業的主力軍，關注其組織公平感與工作卷入的關系，提高其工作卷入度，對構建和諧、穩定的就業關系是至關重要的。

主要參考文獻