«Медико-биологическая статистика» Гланца: обзор книги

Короткая рекомендация и границы обзора

Последняя оговорка определяет характер оценки. Мы можем проверить, какое издание описано, какие темы заявлены и для какого читателя такая организация полезна. Мы не можем по аннотации подтвердить безошибочность формул на каждой странице, качество всех переводческих решений или полноту объяснения конкретного метода. Поэтому ниже нет обещания «лучший учебник» и выдуманного личного опыта многолетнего преподавания по книге. Практические достоинства обсуждаем через собственные задачи; они показывают, как можно работать с заявленными темами, но не приписывают автору наши данные и выводы.

• Рассмотрите книгу, если умеете посчитать среднее, но пока не уверены, какой вопрос задаёт статистический критерий и как сформулировать ограничение вывода.
• Используйте современный код для воспроизведения идей; запуск исторического программного пакета не является целью обучения.
• Дополняйте вводный маршрут документацией выбранной библиотеки и материалами по дизайну своей задачи.
• Этот обзор основан на издательском каталоге, библиографической записи и доступном перечне тем, а не на постраничном прочтении и проверке всех примеров книги.

Библиографическая карточка: какое издание обсуждаем

Автор — Стентон Гланц, Stanton A. Glantz. Русское название — «Медико-биологическая статистика», оригинальное — Primer of biostatistics. В каталоге издательского дома «Практика» указано московское издание 1999 года и перевод под редакцией Н. Е. Бузикашвили и Д. В. Самойлова. Запись Российской национальной библиотеки также связывает русское название с оригинальным. В поисковой выдаче встречается 1998 год; мы не смешиваем эти записи и в карточке используем конкретное подтверждённое издание 1999 года.

Не стоит выбирать экземпляр только по краткой карточке продавца. Сверьте автора, название, издательство и выходные данные самого экземпляра. Годы в объявлениях и вторичных списках литературы могут различаться, а новое изображение обложки не доказывает новую редакцию содержания. Для этого обзора не требуются ни тираж, ни число страниц, ни коллекционная ценность. Нам нужен идентифицируемый учебный текст и понимание того, какую задачу он способен поддержать. Актуальное наличие и цену здесь не оцениваем.

Что даёт заявленная структура

По издательскому перечню книга связывает описание данных, сравнение групп, точность оценок, зависимости, повторные измерения и планирование исследования. Для начинающего читателя полезен сам переход от «какой критерий запустить» к «какие данные и какое сравнение вообще допустимы». Моя редакционная оценка этой структуры: она подходит как каркас последовательного обучения. Однако наличие темы в перечне не доказывает глубину её раскрытия; для сложного реального протокола потребуется специализированный источник и консультация по дизайну.

Читать такой каркас лучше через рабочий вопрос. После темы о средних возьмите свою небольшую таблицу и объясните, что означает одна строка. После темы об интервалах покажите, какую неопределённость оставляют данные. После темы о повторных измерениях восстановите связь визитов. Если читать подряд только определения, легко получить узнавание терминов без навыка. Проверка понимания проста: можете ли вы предсказать, что изменится в результате, если поменять структуру наблюдения, размер выборки или число одновременно проверяемых гипотез?

Идея для практики №1: разброс людей и точность среднего

В первом собственном упражнении используем двенадцать условных значений давления: 138, 145, 132, 150, 142, 135, 148, 140, 155, 137, 144, 146. Они не взяты из книги и не являются данными пациентов. Среднее равно 142,667, выборочное стандартное отклонение — 6,651. Стандартная ошибка среднего равна стандартному отклонению, делённому на корень из числа независимых наблюдений, то есть примерно 1,920. Первый показатель описывает различия между значениями, второй — точность оценки среднего при принятой модели.

Вопрос для чтения: почему увеличение числа независимых участников улучшает точность среднего, но не обязано уменьшать индивидуальный разброс? Люди могут оставаться столь же разными, а оценка среднего становится стабильнее между повторными выборками. Если просто продублировать строки, новых независимых наблюдений не появится. Формула по увеличенному счётчику даст ложное ощущение точности. Поэтому полезное упражнение заканчивается не вычислением стандартной ошибки, а проверкой того, почему именно это n стоит в знаменателе.

В продуктовой задаче замените давление временем выполнения операции. Стандартное отклонение нужно для понимания неоднородности опыта и нагрузки, стандартная ошибка — для оценки среднего времени. Нельзя сообщать среднее со стандартной ошибкой так, будто она описывает разброс пользовательского опыта: картина станет искусственно ровной. Если руководителя волнуют редкие долгие операции, добавьте квантили и исходное распределение. Книга может дать терминологический каркас, но вопрос владельца процесса определяет, какие числа должны оказаться в отчёте.

import numpy as np
from scipy import stats

x = np.array([138,145,132,150,142,135,148,140,155,137,144,146.])
print("n, mean, SD, SE:", len(x), x.mean(), x.std(ddof=1), stats.sem(x))
assert np.isclose(stats.sem(x), x.std(ddof=1)/np.sqrt(len(x)))

Идея для практики №2: двадцать попыток найти значимость

Второе упражнение — мысленный набор из двадцати независимых проверок, каждая с вероятностью ложного отклонения 0,05 при истинной нулевой гипотезе. Вероятность хотя бы одного ложного отклонения равна 1 − 0,95²⁰ ≈ 0,6415. Это собственный расчёт, а не статистика ошибок медицинских публикаций. Он показывает эффект множества попыток. Если проверки зависимы, точное значение будет другим, поэтому нельзя переносить 64,15% на произвольный отчёт с двадцатью коррелирующими показателями.

Теперь представьте условный пилот с несколькими лабораторными показателями, визитами и подгруппами. Если после анализа в текст попал только самый удачный результат, читатель видит один тест, хотя процедура включала множество возможностей. Правильное чтение статистического раздела должно восстанавливать эту свободу выбора: какие исходы были основными, какие разрезы предусмотрены заранее, что показывается полностью. Исправление не сводится к механическому делению порога во всех ситуациях; сначала нужно определить семейство выводов и статус исследовательских находок.

В продукте такая же ловушка возникает при ежедневном просмотре десятков метрик и поиске удачного сегмента. Гипотеза «экран полезен всем» незаметно заменяется на «он полезен пользователям конкретной платформы в один день». Новая гипотеза может быть интересной, но её происхождение нужно назвать. После чтения темы составьте для одного своего эксперимента список всех решений, которые можно было принять по данным. Этот список часто полезнее ещё одной перепроверки арифметики опубликованного p.

alpha, tests = .05, 20
family_error = 1-(1-alpha)**tests
print(family_error)  # 0.6415140775914581

Идея для практики №3: связь измерений меняет анализ

Третье упражнение продолжает первый массив: условные повторные значения равны 134, 139, 130, 143, 137, 134, 140, 135, 146, 135, 140, 139. Позиции соответствуют тем же участникам. Среднее изменение −5,00, стандартное отклонение разностей 2,523. Парный критерий даёт p ≈ 0,0000271. Если ошибочно считать колонки независимыми и применить Уэлча, получится p ≈ 0,04265. Разница обусловлена тем, какую информацию о связи визитов использует процедура.

Учебная цель здесь не в поиске более красивого p. Представьте, что вторую колонку случайно отсортировали отдельно от первой. Средние столбцов сохранятся, но разности внутри людей станут выдуманными. Анализ формально выполнится и потеряет смысл. Поэтому проверка пар начинается с ключа участника и правил соединения, а не с формулы. Сохраните исходную таблицу с идентификаторами, убедитесь в уникальности каждого визита и явно обработайте отсутствующие вторые измерения. Это навык воспроизводимого анализа, который не устаревает вместе с интерфейсом пакета.

При этом даже корректный парный результат не доказывает причинный эффект программы. Контрольной группы в упражнении нет; могли измениться внешние условия, техника измерения или естественная динамика. В продукте аналогична проверка интерфейса на тех же сотрудниках во второй попытке: они могли научиться выполнять задачу. После темы о повторных измерениях полезно написать два отдельных предложения — о наблюдаемом изменении и о том, чего нельзя приписать воздействию. Если они сливаются, статистический термин усвоен лучше, чем логика исследования.

import numpy as np
from scipy import stats

# Синтетические данные: позиции соответствуют одним и тем же людям.
before = np.array([138,145,132,150,142,135,148,140,155,137,144,146.])
after = np.array([134,139,130,143,137,134,140,135,146,135,140,139.])
d = after - before
result = stats.ttest_rel(after, before, alternative="two-sided")
print("n, mean before, mean after:", len(d), before.mean(), after.mean())
print("mean change, sd change:", d.mean(), d.std(ddof=1))
print("t, p, df:", result.statistic, result.pvalue, result.df)
print("95% CI:", result.confidence_interval(confidence_level=0.95))
print("Incorrect independent analysis:", stats.ttest_ind(after, before, equal_var=False).pvalue)

Что устарело и как перенести практику в Python

Издательский каталог прямо упоминает BIOSTAT для IBM PC. Для современного маршрута это историческое программное окружение, а не обязательный инструмент. Не нужно начинать обучение с поиска способа запустить старую программу. Вы можете воспроизвести описательную статистику, t-тесты и анализ таблиц средствами NumPy и SciPy. Однако перенос не должен превращаться в поиск функции с похожим названием: сравнивайте альтернативу, настройки равных дисперсий, поправки, обработку пропусков и определения возвращаемой статистики.

Ручной расчёт полезен один раз, когда раскрывает смысл формулы. Например, отдельно вычислить разности, их среднее и стандартную ошибку — хороший способ проверить парный тест. Многократное переписывание одних и тех же сумм вместо анализа данных менее продуктивно. Сохраните небольшой проверочный пример с известным ответом и затем используйте код. Если современная библиотека не совпала с историческим примером, сначала ищите различия процедур и округления, а не объявляйте ошибочной одну из сторон без проверки.

Для нашей практики блоки Python полностью задают массивы и печатают промежуточные величины. Они проверены в NumPy 2.4.6 и SciPy 1.16.3. Это не цифровое приложение к книге и не перепечатка её упражнений. Такой формат позволяет менять условные данные и наблюдать последствия. Если вы ведёте учебный ноутбук, рядом с каждым запуском записывайте вопрос и предпосылки. Через неделю именно эта запись объяснит, почему вы выбрали метод, тогда как голый вывод функции напомнит только, какую кнопку нажали.

Кому книга может подойти

Начинающему исследователю, который способен прочитать таблицу и хочет связать показатели с дизайном, заявленный набор тем даёт понятный маршрут. Продуктовому аналитику он полезен как смена контекста: вместо кликов и покупок появляются визиты и исходы, а требования к единице наблюдения и границе вывода остаются. Преподаватель может использовать собственные маленькие данные для обсуждения рядом с темами книги. Это оценка пригодности структуры под перечисленные задачи, а не подтверждение конкретной образовательной программы или квалификации после чтения.

Для старта достаточно уверенно работать с дробями, процентами, средним и базовыми вероятностями; полезна готовность разбирать формулы по частям. Если пугает обозначение суммы, сначала посчитайте маленький пример руками. Если же вам нужен строгий вывод распределений статистик, теория оценивания или доказательства асимптотических результатов, выбирайте полноценный математический курс. Вводный прикладной маршрут не заменяет такую подготовку. Не следует также ожидать от исторического издания руководства по современным библиотекам, облачным данным или промышленному проведению онлайн-экспериментов.

Исследователю со сложным реальным дизайном книга может служить ориентиром для постановки вопросов, но не единственным основанием протокола. Кластерное назначение, пропуски, цензурирование и множественные исходы требуют предметного разбора. Полезнее прийти к статистику с ясно описанной целью, таблицей переменных и механизмом наблюдения, чем с просьбой подтвердить уже выбранный критерий. Учебник помогает подготовить этот разговор, если читатель использует его для понимания ограничений, а не для поиска авторитетной ссылки на заранее желаемый результат.

С чем сочетать и какую альтернативу выбрать

Если нужна компактная карта для повторения, рассмотрите «Наглядную медицинскую статистику» Петри и Сэбина: наш отдельный обзор тоже отделяет проверенные сведения от редакционной оценки. Если задача прямо сейчас — воспроизвести t-тест, начните с практического разбора с готовым массивом и результатом, затем вернитесь к книге за связями между темами. Если задача — выбрать метод для таблицы частот, сначала уточните независимость наблюдений и смысл эффекта. Разные источники полезны на разных этапах одного анализа, а не конкурируют за звание единственного правильного.

Документация библиотеки дополняет книгу там, где нужны точные настройки реализации. Материалы по доверительным интервалам помогают перевести статистический вывод в разговор о масштабе и точности. План чтения можно построить вокруг трёх артефактов: таблица описательных показателей, воспроизводимый расчёт сравнения и короткий отчёт с ограничениями. После каждого артефакта попросите другого человека проверить смысл строк и вывод. Если он может восстановить ваши предпосылки без устных пояснений, чтение уже превращается в практический навык.

Как проверить пользу книги для себя

Перед покупкой или длинным чтением выберите доступный фрагмент и одну знакомую задачу. После знакомства сформулируйте собственными словами, что является наблюдением, какую величину оцениваете и когда метод неприменим. Затем запустите небольшой независимый пример. Если стало легче задавать вопросы к данным, источник выполняет свою роль. Если вы можете только повторить название критерия, измените способ чтения: меньше последовательного подчёркивания, больше предсказаний, расчётов и письменных выводов. Это проверка вашего учебного процесса, а не универсальная оценка автора.

Не переносите клинические сюжеты книги напрямую на свою предметную область без пересмотра дизайна. Пользователь может работать в нескольких устройствах, компания объединяет множество сотрудников, события приходят с задержкой. Формула узнаваема, но механизм появления строк иной. Самая полезная привычка при таком переносе — каждый раз заново описывать популяцию и окно наблюдения. Она сохраняет смысл анализа лучше, чем попытка найти в учебнике пример, внешне похожий на вашу диаграмму.

Все упражнения обзора придуманы нами для обучения статистике. Они не заимствованы из книги и не являются медицинскими рекомендациями; по ним нельзя выбирать лечение или интерпретировать личные медицинские показатели.