16、医学数据建模与分析：SEM、神经网络与复杂抽样方法应用

医学数据建模与分析：SEM、神经网络与复杂抽样方法应用

1. 结构方程模型（SEM）在药效学研究中的应用

1.1 SEM简介

在临床疗效研究中，结果往往受多种因素影响，如药物不依从性、咨询频率等。结构方程模型（SEM）是一种统计方法，它由Pearl在2000年正式定义，包含因子分析、路径分析和回归分析。SEM模型类似复杂回归模型，但它将相关性假设扩展到因果关系，通过标准化回归系数测试变量网络来实现。这个网络通常是贝叶斯网络，也称为有向无环图（DAG），是一个包含节点（变量）和连接箭头的概率图形模型，箭头表示节点的条件依赖关系。

1.2 研究目的与问题

研究目的是评估SPSS统计软件的Amos（矩结构分析）附加模块能否对药效学数据进行SEM分析。主要科学问题是：Amos中的SEM建模能否展示不依从性和咨询对治疗效果和生活质量的直接和间接影响？

1.3 示例数据

使用的示例数据来自之前的研究，涉及35名患者，这里展示前10名患者的数据：
| 变量 | 含义 | 数据示例 |
| — | — | — |
| stool | 每月排便次数 | 24.00, 30.00, 25.00等 |
| counseling | 每月咨询次数 | 8.00, 13.00, 15.00等 |
| noncompliance | 每月药物不依从次数 | 25.00, 30.00, 25.00等 |
| qol | 生活质量评分 | 69.00, 110.00, 78.00等 |

整个数据文件名为“amos2.sav”，可在extras.springer.