ایستگاه اپیدمیولوژی/پژوهش/مقاله

⬅️ آکادمی داناوین،گروه پژوهشگران علوم پزشکی،ایستگاه اپیدمیولوژی ،کمیته تحقیقات دانشجویی دانشگاه علوم پزشکی همدان، انجمن علمی دانشجویی بهداشت عمومی(HOPE) دانشگاه علوم پزشکی تهران برگزار می کند: 🔴 کارگاه "صفر تا صد پروپورزال نویسی در علوم پزشکی" + کار عملی ✅️ در واقع در انتهای دوره یک پروپوزال آماده خواهید داشت 👨‍🏫 مدرس: آقای محمد شاه منصوری دانشجوی کارشناسی ارشد اپیدمیولوژی دانشگاه علوم پزشکی جندی شاپور اهواز مدرس دوره های آموزشی و پژوهشی پژوهشگر حوزه سلامت 📜 همراه با ارائه گواهی معتبر 🗓️ تاریخ و ساعت برگزاری: ۵ جلسه آموزشی ۱۷ و ۲۰ و ۲۴ و ۲۷ و ۳۱ مرداد ماه ۱۴۰۵ ساعت ۱۷ تا ۱۹ 💵هزینه: فقط ۳۵۰ هزار تومان ❌️ ثبت نام زود هنگام تا ۳۱ تیر ماه ۳۰۰ هزار تومان ‼️ ثبت نام گروهی ۳ نفر و بیشتر ۲۵۰ هزار تومان ⬅️ مجازی و آنلاین در بستر اسکای روم 🎞️ همراه با ضبط جلسه و دسترسی همیشگی به آن ‼️ برای ثبت نام در بله یا تلگرام به آیدی زیر پیام دهید: ➡️ ‎@Sabtenam_Admin100 🔘 ارتباط با ما در بله و تلگرام: 🆔️ @srcnews 🆔️ @HOPE_TUMS 🆔️ @Danavin_Academy 🆔️ @Pazhuheshgaran_MS 🆔️ @Epidemiology_Station

📊 توزیع‌های احتمال؛ پلی بین آمار زیستی و یادگیری ماشین 🔸️فرض کن یک بیومارکر مثل قند خون ناشتا را در یک جمعیت اندازه‌گیری می‌کنی. بعضی اعداد نزدیک ۹۰ هستند، بعضی نزدیک ۱۲۰، بعضی هم ۱۵۰. اگر این اعداد را روی یک نمودار بچینی، یک شکل به دست می‌آید ، این شکل را در آمار، توزیع احتمال می‌نامیم. ▫️حالا سوال اینجاست: یک آماریست و یک متخصص یادگیری ماشین، هر دو با همین توزیع‌ها سر و کار دارند. اما نگاه‌شان به آنها چه فرقی می‌کند؟ 🔷️ آمار زیستی؛ توزیع به مثابه «داستان تولید داده» در آمار زیستی (Biostatistics)، فرض اساسی این است: داده‌ها از یک توزیع احتمال خاص تولید شده‌اند. کار ما این است که بفهمیم آن توزیع چه شکلی دارد، پارامترهایش چیست، و آیا دو گروه از داده‌ها از یک توزیع آمده‌اند یا نه. 📌 مثال کلاسیک: در یک کارآزمایی بالینی، فرض می‌کنیم فشار خون گروه دارو و دارونما هر کدام از یک توزیع نرمال پیروی می‌کنند. سپس با t-test بررسی می‌کنیم که آیا میانگین این دو توزیع با هم تفاوت دارد یا نه. 🔷️ یادگیری ماشین؛ توزیع به مثابه «منبع داده برای پیش‌بینی» در یادگیری ماشین (Machine Learning)، توزیع احتمال همچنان حضور دارد، اما نقش آن متفاوت است. مدل‌های ML معمولاً فرض نمی‌کنند داده‌ها از یک توزیع خاص (مثل نرمال) آمده‌اند. بلکه به دنبال یادگیری خودکار آن توزیع از روی داده‌ها هستند، تا بتوانند برای نمونه‌های جدید پیش‌بینی کنند. 📌 مثال مدرن: در تشخیص تومور از روی تصاویر پزشکی، یک شبکه عصبی عمیق (Deep Learning) فرض نمی‌کند پیکسل‌های تصویر از توزیع نرمال پیروی کنند. خودش الگوهای توزیع را از هزاران تصویر یاد می‌گیرد و سپس پیش‌بینی می‌کند. 📊 ۵ توزیع کلیدی که در هر دو حوزه کاربرد دارند: ۱. توزیع نرمال (Normal / Gaussian) ✅ در آمار زیستی: پایه بسیاری از آزمون‌ها (t-test, ANOVA, رگرسیون خطی). ✅ در ML: فرض اولیه در رگرسیون خطی، مبنای خطای مدل‌ها. ۲. توزیع برنولی و دوجمله‌ای (Bernoulli / Binomial) ✅ در آمار زیستی: مدل‌سازی داده‌های دوحالته (بیمار/سالم، زنده/مرده). ✅ در ML: تابع هزینه در طبقه‌بندی دودویی (Binary Classification). ۳. توزیع پواسون (Poisson) ✅ در آمار زیستی: مدل‌سازی داده‌های شمارشی مثل تعداد موارد جدید سرطان در سال، تعداد حملات آسم. ✅ در ML: مدل‌سازی داده‌های پراکنده (sparse count data) در ژنومیکس و اپیدمیولوژی. ۴. توزیع نمایی (Exponential) و وایبول (Weibull) ✅ در آمار زیستی: مدل‌سازی داده‌های بقا (زمان تا مرگ یا عود بیماری). ✅ در ML: تحلیل بقا با روش‌های یادگیری ماشین. ۵. توزیع بتا (Beta) ✅ در آمار زیستی: مدل‌سازی نسبت‌ها و احتمالات. ✅ در ML: به عنوان توزیع پیشین در مدل‌های بیزی. ⚠️ تفاوت نگاه در یک نگاه: آمار زیستی (Biostatistics): داده‌ها از یک توزیع مشخص تولید می‌شوند. هدف: شناسایی آن توزیع و تست فرضیه درباره پارامترهایش. اولویت: تفسیرپذیری (Interpretability) و استنباط علی (Causal Inference). یادگیری ماشین (Machine Learning): توزیع داده‌ها را از خود داده‌ها یاد می‌گیرد. هدف: پیش‌بینی دقیق برای داده‌های جدید، حتی اگر توزیع را نفهمیم. اولویت: دقت پیش‌بینی (Prediction Accuracy). 📌 یک مثال ترکیبی (بهترین حالت): در اپیدمیولوژی مدرن، از مدل‌های ML برای پیش‌بینی طغیان بیماری‌ها استفاده می‌کنند، اما برای تأیید علیت و گزارش رسمی همچنان به مدل‌های آماری با فرض توزیع مشخص (مثل رگرسیون کاکس) نیاز دارند. 📌 جمع‌بندی: توزیع‌های احتمال، زبان مشترک آمار زیستی و یادگیری ماشین هستند. آمار زیستی: داده‌ها را توصیف می‌کند (چه توزیعی؟ پارامترهایش چیست؟). یادگیری ماشین: توزیع را یاد می‌گیرد تا پیش‌بینی کند (حتی بدون دانستن اسم توزیع). در عمل، ترکیب این دو نگاه قدرتمندترین ابزار برای تحلیل داده‌های پزشکی و زیستی است. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

⬅️ آکادمی داناوین،گروه پژوهشگران علوم پزشکی،ایستگاه اپیدمیولوژی ،کمیته تحقیقات دانشجویی دانشگاه علوم پزشکی همدان، انجمن علمی دانشجویی بهداشت عمومی(HOPE) دانشگاه علوم پزشکی تهران برگزار می کند: 🔴 کارگاه "صفر تا صد پروپورزال نویسی در علوم پزشکی" + کار عملی ✅️ در واقع در انتهای دوره یک پروپوزال آماده خواهید داشت 👨‍🏫 مدرس: آقای محمد شاه منصوری دانشجوی کارشناسی ارشد اپیدمیولوژی دانشگاه علوم پزشکی جندی شاپور اهواز مدرس دوره های آموزشی و پژوهشی پژوهشگر حوزه سلامت 📜 همراه با ارائه گواهی معتبر 🗓️ تاریخ و ساعت برگزاری: ۵ جلسه آموزشی ۱۷ و ۲۰ و ۲۴ و ۲۷ و ۳۱ مرداد ماه ۱۴۰۵ ساعت ۱۷ تا ۱۹ 💵هزینه: فقط ۳۵۰ هزار تومان ❌️ ثبت نام زود هنگام تا ۳۱ تیر ماه ۳۰۰ هزار تومان ‼️ ثبت نام گروهی ۳ نفر و بیشتر ۲۵۰ هزار تومان ⬅️ مجازی و آنلاین در بستر اسکای روم 🎞️ همراه با ضبط جلسه و دسترسی همیشگی به آن ‼️ برای ثبت نام در بله یا تلگرام به آیدی زیر پیام دهید: ➡️ ‎@Sabtenam_Admin100 🔘 ارتباط با ما در بله و تلگرام: 🆔️ @srcnews 🆔️ @HOPE_TUMS 🆔️ @Danavin_Academy 🆔️ @Pazhuheshgaran_MS 🆔️ @Epidemiology_Station

📌* «آشنایی با آزمون‌های غیرپارامتریک در عمل» * 📊 معرفی آزمون‌های غیرپارامتریک با مثال‌های پزشکی 🔸️در پست قبل گفتیم چه زمانی از آزمون‌های غیرپارامتریک استفاده کنیم. حالا بیایید با مثال‌های عینی، هر کدام را بشناسیم. 🔷️ من-ویتنی (Mann-Whitney U) – معادل تی‌تست مستقل 📌 مثال: می‌خواهی سطح قند خون ناشتا را بین دو گروه (دیابتی و غیردیابتی) مقایسه کنی. داده‌های قند خون معمولاً نرمال نیستند. ➜ از من-ویتنی استفاده می‌کنی. اگر P < 0.05 شد، یعنی تفاوت معنی‌داری بین دو گروه وجود دارد. 🔷️ ویلکاکسون (Wilcoxon) – معادل تی‌تست زوجی 📌 مثال: فشار خون ۲۰ بیمار را قبل و بعد از مصرف یک دارو اندازه‌گیری کرده‌ای. هر بیمار دو بار اندازه‌گیری شده (وابسته). داده‌ها نرمال نیستند. ➜ از ویلکاکسون استفاده می‌کنی. نتیجه: P = 0.01 → یعنی دارو فشار خون را به طور معنی‌داری کاهش داده است. 🔷️ کروسکال-والیس (Kruskal-Wallis) – معادل ANOVA یک‌طرفه 📌 مثال: می‌خواهی مدت زمان بهبودی را بین سه گروه (دریافت‌کننده داروی A، داروی B، و دارونما) مقایسه کنی. داده‌ها نرمال نیستند. ➜ از کروسکال-والیس استفاده می‌کنی. اگر P < 0.05 شد، یعنی حداقل یک گروه با بقیه تفاوت دارد. ➜ برای فهمیدن اینکه کدام گروه‌ها متفاوتند، از آزمون تعقیبی غیرپارامتریک (مثل من‌ویتنی با تصحیح بونفرونی) استفاده می‌کنی. 🔷️ فریدمن (Friedman) – معادل ANOVA با اندازه‌گیری مکرر 📌 مثال: ضربان قلب ۱۰ بیمار را در سه زمان مختلف (قبل، حین، بعد از ورزش) اندازه‌گیری کرده‌ای. داده‌ها وابسته و غیرنرمال هستند. ➜ از فریدمن استفاده می‌کنی. اگر P < 0.05 شد، یعنی حداقل در یکی از زمان‌ها تفاوت وجود دارد. ⚠️ *سه نکته طلایی برای گزارش در مقاله:* ۱. حتماً ذکر کن «به دلیل عدم نرمال بودن داده‌ها، از آزمون ... استفاده شد». این کار نشان می‌دهد تحلیل شما دقیق و علمی است. ۲. اگر P-value معنی‌دار شد، در مورد آزمون‌های با بیش از دو گروه، حتماً آزمون تعقیبی انجام بده تا بفهمی دقیقاً کدام گروه‌ها متفاوتند. ۳. در جدول نتایج، به جای «میانگین ± انحراف معیار» از «میانه (فاصله بین چارکی - IQR)» استفاده کن. 📌 یک توصیه عملی: اگر شک داری داده‌هایت نرمال است یا نه، همیشه هیستوگرام بکش و به شکل آن نگاه کن. گاهی یک تصویر، بیشتر از هر آزمونی به تو کمک می‌کند. 📌 جمع‌بندی پست دوم: من-ویتنی = دو گروه مستقل غیرنرمال. ویلکاکسون = دو گروه وابسته غیرنرمال. کروسکال-والیس = بیش از دو گروه مستقل غیرنرمال. فریدمن = بیش از دو گروه وابسته غیرنرمال. همیشه در مقاله، دلیل استفاده از آزمون غیرپارامتریک را ذکر کن. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📌* «آزمون‌های غیرپارامتریک؛ چه زمانی و چرا؟»* 📊 وقتی داده‌ها نرمال نیستند، چه کنیم؟ 🔸️در پست‌های قبل گفتیم تی‌تست و ANOVA برای داده‌های نرمال طراحی شده‌اند. اما در دنیای واقعی پزشکی، چند متغیر واقعاً نرمال هستند؟ ▫️هزینه بستری، مدت زمان بهبودی، تعداد حملات بیماری، سطح آنزیم‌های کبدی – اغلب نرمال نیستند. ▫️*اگر داده‌هایت نرمال نبود، چه کنی؟* ➜ از آزمون‌های غیرپارامتریک استفاده کن. 🔷️ *آزمون غیرپارامتریک یعنی چه؟* آزمون‌های غیرپارامتریک، بر خلاف همتایان پارامتریک خود، هیچ فرضی درباره توزیع داده‌ها ندارند. آنها بر اساس رتبه (Rank) یا علامت داده‌ها کار می‌کنند، نه خود مقادیر. به همین دلیل در برابر داده‌های پرت (Outlier) و توزیع‌های غیرنرمال مقاوم هستند. ⚠️ تنها عیبشان: قدرت کمتری نسبت به آزمون‌های پارامتریک دارند (یعنی برای کشف یک تفاوت واقعی، به حجم نمونه بزرگتری نیاز دارند). 🔷️ *چه زمانی باید از آزمون‌های غیرپارامتریک استفاده کنیم؟* ✅ داده‌ها نرمال نیستند (با هیستوگرام یا آزمون شاپیرو-ویلک بررسی کن). ✅ داده‌ها رتبه‌ای (ordinal) هستند (مثل شدت درد: خفیف، متوسط، شدید). ✅ تعداد نمونه کوچک است (زیر ۳۰). ✅ داده‌ها دارای پرت (Outlier) هستند. 📌 یک مثال ساده: فرض کن مدت زمان بستری در بیمارستان را در دو گروه مقایسه می‌کنی. داده‌های مدت بستری معمولاً چوله به راست هستند (چند بیمار خیلی طولانی بستری می‌شوند) → توزیع نرمال نیستند. ➜ اینجا باید از من-ویتنی استفاده کنی (معادل غیرپارامتریک تی‌تست مستقل)، نه خود تی‌تست. 📌 جمع‌بندی پست اول: آزمون‌های غیرپارامتریک برای داده‌های غیرنرمال، رتبه‌ای، کوچک، یا دارای پرت استفاده می‌شوند. بر اساس رتبه کار می‌کنند، نه خود مقادیر. در برابر پرت مقاومند، اما قدرت کمتری دارند. اگر داده‌هایت نرمال است، از همان آزمون‌های پارامتریک استفاده کن. 🔜 در پست بعدی: معرفی تک‌تک آزمون‌های غیرپارامتریک با مثال‌های پزشکی. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

⬅️ پیرو درخواست های شما عزیزان این حوزه ها هم به فراخوان مشارکت در نگارش مقاله و منتورینگ اسکوپینگ ریوو اضافه شدند👇 سلامت سالمندان / ظرفیت ۳ تا ۴ نفر آموزش سلامت / ظرفیت ۳ تا ۴ نفر ‼️ ورودی ۲ میلیون تومان با تخفیف ۲۰ درصد برای رشته های مرتبط با حیطه مقاله(این هزینه هم شامل آموزش و هم سابمیت می باشد) ‼️‼️‼️ ترتیب نویسندگان بر اساس میزان تعهد به انجام تکالیف و آزمون پایانی دوره هست هدف آموزش به همراه تکلیف عملی و پروژه نهایی دوره سابمیت مقاله حاصل از تکالیف ارسالی شرکت کنندگان است. 📩 جهت اعلام همکاری و دریافت اطلاعات بیشتر با ما در ارتباط باشید( در اپلیکیشن بله ): 📎 ‎@adminjournal ⬅️ آموزش / پژوهش / کوچینگ / منتورینگ علوم پزشکی 🔰 آکادمی داناوین 🔰 🔘 کانال بله آکادمی داناوین 🆔️ @Danavin_Academy 🆔️ @Pazhuheshgaran_MS

🔴🔴 سازمان بهداشت جهانی اعلام کرد شیوع ویروس هانتا مرتبط با کشتی کروز پایان یافته است.🔴🔴 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📊 *ANOVA؛ وقتی تی‌تست کافی نیست* 🔸️تی‌تست برای مقایسه دو گروه عالی است. اما اگر سه گروه یا بیشتر داشته باشی چه؟ مثلاً می‌خواهی فشار خون را در سه گروه مقایسه کنی: گروه A (داروی جدید)، گروه B (داروی استاندارد)، گروه C (دارونما). ▫️اگر سه بار تی‌تست انجام دهی، احتمال خطای نوع اول (α) از ۰.۰۵ به حدود ۰.۱۴ می‌رسد. این یعنی ممکن است یک تفاوت تصادفی را معنی‌دار اعلام کنی. 🔷️ ANOVA دقیقاً برای همین ساخته شده است. ANOVA (Analysis of Variance) با یک آزمون کلی، به ما می‌گوید: «آیا حداقل یکی از این گروه‌ها با بقیه تفاوت دارد؟» 🔷️* ANOVA چطور کار می‌کند؟* ANOVA واریانس کل داده‌ها را به دو بخش تقسیم می‌کند: ۱. واریانس بین گروه‌ها (Between-group variance): ناشی از تفاوت واقعی بین گروه‌ها (مثلاً اثر داروها). ۲. واریانس درون گروه‌ها (Within-group variance): ناشی از تفاوت‌های فردی و خطای تصادفی. ➜ اگر واریانس بین گروه‌ها به مراتب بیشتر از واریانس درون گروه‌ها باشد، یعنی تفاوت بین گروه‌ها واقعی است. 📌 خروجی ANOVA: آماره F و P-value F بزرگ → تفاوت بین گروه‌ها بیشتر از تفاوت درون گروهی است. P < 0.05 → حداقل یک گروه با بقیه تفاوت دارد. 🔷️ *انواع ANOVA (بر اساس طراحی مطالعه):* ۱. ANOVA یک‌طرفه (One-way ANOVA) یک متغیر مستقل با بیش از دو سطح. ✅ مثال: مقایسه فشار خون در سه گروه دارویی مختلف. ۲. ANOVA دوطرفه (Two-way ANOVA) دو متغیر مستقل. ✅ مثال: بررسی اثر همزمان دارو (سه گروه) و جنسیت (مرد/زن) روی فشار خون. ۳. ANOVA با اندازه‌گیری مکرر (Repeated measures ANOVA) برای داده‌های وابسته (چند بار اندازه‌گیری از یک فرد). ✅ مثال: اندازه‌گیری فشار خون یک بیمار در سه زمان مختلف (قبل، حین، بعد از درمان). ⚠️ *سه فرض اصلی ANOVA (قبل از استفاده بررسی کن):* ۱. نرمال بودن داده‌ها (در هر گروه). ۲. همگنی واریانس‌ها (واریانس گروه‌ها برابر باشد). ۳. استقلال مشاهدات (داده‌ها مستقل باشند). اگر این فرض‌ها نقض شوند: ➜ از نسخه‌های غیرپارامتریک استفاده کن: کروسکال-والیس (جایگزین یک‌طرفه) فریدمن (جایگزین اندازه‌گیری مکرر) ⚠️ *اشتباهات رایج در استفاده از ANOVA:* ❌ استفاده از ANOVA برای داده‌های غیرنرمال بدون بررسی فرض‌ها. ❌ پس از ANOVA معنی‌دار، انجام ندادن آزمون تعقیبی (Post-hoc) برای فهمیدن اینکه دقیقاً کدام گروه‌ها با هم تفاوت دارند. ❌ قاطی کردن ANOVA یک‌طرفه با دوطرفه. 📌 *یک مثال کامل اپیدمیولوژیک*: می‌خواهی تأثیر سه دوز مختلف از یک دارو (۵۰، ۱۰۰، ۱۵۰ میلی‌گرم) را روی فشار خون مقایسه کنی. ANOVA یک‌طرفه انجام می‌دهی. P = 0.02 → حداقل یک دوز با بقیه تفاوت دارد. برای فهمیدن دقیقاً کدام دوزها، آزمون تعقیبی (مثل Tukey) انجام می‌دهی. نتیجه: دوز ۱۵۰ با ۵۰ و ۱۰۰ تفاوت دارد، اما ۵۰ و ۱۰۰ با هم تفاوتی ندارند. 📌 *جمع‌بندی*: ANOVA برای مقایسه میانگین بیش از دو گروه استفاده می‌شود. از انجام تی‌تست‌های متعدد بپرهیز (خطای نوع اول جمع می‌شود). خروجی اصلی: F و P-value. اگر P < 0.05 بود، با آزمون تعقیبی (Post-hoc) بفهم کدام گروه‌ها متفاوتند. فرض‌های نرمال بودن، همگنی واریانس و استقلال را قبل از استفاده بررسی کن. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

«*اطلاع رسانی های علوم پزشکی* » 🔰اطلاع رسانی های اخبار ، اطلاعیه ها ، ایونت ها و هر آنچه که به حوزه علوم پزشکی مرتبط است. ✅️ کانال تلگرامی: https://t.me/News_Medical_Sciences ☑️ کانال ایتا: https://eitaa.com/News_Medical_Sciences 🆔 شناسه کانال بله: https://ble.ir/News_Medical_Sciences

➡️ * t-test؛ مقایسه دو گروه، ساده و کاربرد* 🔸️فرض کن می‌خواهی بدانی آیا میانگین فشار خون در دو گروه (دریافت‌کننده دارو و دریافت‌کننده دارونما) متفاوت است یا نه. ▫️اگر فقط دو گروه داری، ابزار ساده‌ای به نام تی‌تست (t-test) دقیقاً برای این کار ساخته شده است. 🔷️ تی‌تست یعنی چه؟ تی‌تست یک آزمون پارامتریک است که میانگین دو گروه را با هم مقایسه می‌کند و به ما می‌گوید آیا تفاوت مشاهده‌شده بین آنها واقعی است یا فقط ناشی از شانس. ✅ خروجی اصلی: آماره t و P-value ➜ P < 0.05 → تفاوت معنی‌دار است. ➜ P ≥ 0.05 → تفاوت معنی‌دار نیست. 🔷️ سه نوع تی‌تست (کدام را انتخاب کنیم؟) ۱. تی‌تست مستقل (Independent t-test) برای مقایسه میانگین دو گروه مستقل از هم. ✅ مثال: مقایسه فشار خون بین گروه دارو و دارونما (افراد دو گروه کاملاً جدا از هم هستند). ⚠️ فرض: داده‌ها نرمال هستند و واریانس دو گروه برابر است. ۲. تی‌تست زوجی (Paired t-test) برای مقایسه میانگین دو گروه وابسته (قبل و بعد در یک فرد، یا دوقلوها). ✅ مثال: مقایسه فشار خون یک بیمار قبل و بعد از مصرف دارو (همان فرد، دو بار اندازه‌گیری شده). ⚠️ هر فرد کنترل خودش است → قدرت آماری بالاتر. ۳. تی‌تست یک‌نمونه‌ای (One-sample t-test) مقایسه میانگین یک گروه با یک عدد ثابت (مقدار معیار یا استاندارد). ✅ مثال: مقایسه میانگین فشار خون بیماران با عدد ۱۲۰ (استاندارد جهانی). ⚠️ تی‌تست کی جواب نمی‌دهد؟ اگر بیش از دو گروه داری → برو سراغ ANOVA. اگر داده‌هایت نرمال نیستند → از نسخه غیرپارامتریک استفاده کن (من‌ویتنی برای مستقل، ویلکاکسون برای زوجی). اگر واریانس دو گروه برابر نیست → از نسخه تصحیح‌شده تی‌تست استفاده کن. 📌 یک مثال ملموس اپیدمیولوژیک: می‌خواهیم بررسی کنیم آیا سطح قند خون ناشتا در افراد دیابتی که ورزش می‌کنند با افرادی که ورزش نمی‌کنند تفاوت دارد یا نه. دو گروه مستقل → تی‌تست مستقل. P = 0.03 → یعنی تفاوت معنی‌دار است و ورزش با کاهش قند خون همراه است. 📌 تی‌تست زوجی در عمل: قند خون ۲۰ بیمار قبل و بعد از یک رژیم غذایی جدید اندازه‌گیری شده. هر بیمار دو بار اندازه‌گیری شده (وابسته) → تی‌تست زوجی. نتیجه: میانگین کاهش قند خون = ۱۵ mg/dL، P = 0.001 → رژیم غذایی مؤثر است. 📌 جمع‌بندی: تی‌تست مستقل = دو گروه مستقل. تی‌تست زوجی = دو گروه وابسته (قبل و بعد). تی‌تست یک‌نمونه‌ای = یک گروه با یک عدد ثابت. قبل از تی‌تست، نرمال بودن داده‌ها و همگنی واریانس را بررسی کن. اگر داده‌ها نرمال نیستند، از نسخه غیرپارامتریک استفاده کن. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

#موقعیت_شغلی ‼️‼️ قابل توجه فارغ‌التحصیلان کارشناسی ارشد اپیدمیولوژی با سلام و احترام معاونت تحقیقات و فناوری دانشگاه علوم پزشکی مراغه جهت همکاری در امور پژوهشی، به یک نیروی طرحی با مدرک کارشناسی ارشد اپیدمیولوژی بعنوان کارشناس پژوهشی نیاز دارد.دوستان اگر فردی واجد شرایط و مایل به همکاری باشد، لطفاً به بنده پیام دهد تا هماهنگی‌ها و راهنمایی‌های لازم انجام شود. شماره تماس:۰۹۱۴۳۴۶۳۰۱۶ آیدی تلگرام@Azadnia_Arian با تشکر 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

«نقش واریانس در آزمون‌های آماری و مدل‌سازی» 📊 واریانس؛ فراتر از یک عدد 🔸️در پست قبل گفتیم واریانس یعنی پراکندگی داده‌ها. اما این مفهوم در آمار استنباطی و مدل‌سازی چه کاربردی دارد؟ ▫️واریانس فقط یک عدد توصیفی نیست؛ در بسیاری از آزمون‌ها و مدل‌ها نقش کلیدی دارد. 🔷️ واریانس در آزمون‌های آماری: ۱. همگنی واریانس (Homogeneity of variance) خیلی از آزمون‌های پارامتریک (مثل تی‌تست و ANOVA) فرض می‌کنند واریانس گروه‌های مختلف برابر است. اگر این فرض نقض شود: ➜ باید از نسخه‌های اصلاح‌شده آزمون (مثل تی‌تست ولش) یا آزمون‌های غیرپارامتریک استفاده کنیم. ۲. آنالیز واریانس (ANOVA) نام این آزمون از واریانس گرفته شده است. ANOVA واریانس کل داده‌ها را به دو بخش تقسیم می‌کند: واریانس بین گروه‌ها (ناشی از اثر مداخله) واریانس درون گروه‌ها (ناشی از خطای تصادفی) ➜ اگر واریانس بین گروه‌ها به مراتب بیشتر از درون گروه‌ها باشد، نتیجه معنی‌دار است. ۳. واریانس در رگرسیون در رگرسیون خطی، هدف اصلی کاهش واریانس باقیمانده (Residual variance) است. R² نشان می‌دهد چند درصد از واریانس کل توسط مدل توضیح داده شده است. هرچه R² بالاتر، مدل بهتر داده‌ها را توضیح داده است. ⚠️ دو اشتباه رایج درباره واریانس: ❌ قاطی کردن واریانس با خطای استاندارد: واریانس = پراکندگی داده‌ها. خطای استاندارد = دقت برآورد میانگین (با افزایش حجم نمونه کم می‌شود). ❌ نادیده گرفتن واریانس نابرابر: وقتی واریانس گروه‌ها برابر نیست، استفاده از آزمون‌های پارامتریک معمولی می‌تواند نتیجه غلط بدهد. 📌 یک نکته کلیدی: واریانس با افزایش حجم نمونه تغییر نمی‌کند (چون ویژگی جامعه است)، اما خطای استاندارد با افزایش حجم نمونه کاهش می‌یابد. این دو را هیچ‌وقت با هم قاطی نکنید. 📌 جمع‌بندی: همگنی واریانس، یکی از مفروضات اصلی آزمون‌های پارامتریک است. ANOVA با تجزیه واریانس، تفاوت بین گروه‌ها را بررسی می‌کند. در رگرسیون، هدف کاهش واریانس باقیمانده است. واریانس با حجم نمونه عوض نمی‌شود، اما خطای استاندارد عوض می‌شود. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

«واریانس چیست و چرا باید بدانیم؟» 📊 واریانس؛ پراکندگی داده‌ها را بشناس 🔸️فرض کن دو گروه بیمار با میانگین فشار خون یکسان (۱۲۰) داری. در گروه اول: ۱۱۹، ۱۲۰، ۱۲۱. در گروه دوم: ۹۰، ۱۱۰، ۱۵۰، ۱۳۰، ۱۲۰. ▫️میانگین هر دو ۱۲۰ است، اما ماهیتشان کاملاً فرق دارد. این تفاوت را چه چیزی نشان می‌دهد؟ واریانس. 🔷️ واریانس یعنی چی؟ واریانس، میانگین مجذور فاصله هر داده از میانگین است. به زبان ساده‌تر: نشان می‌دهد داده‌ها چقدر از میانگین خود فاصله دارند. واریانس کم → داده‌ها به میانگین نزدیک‌اند (همگن). واریانس زیاد → داده‌ها از میانگین دورند (ناهمگن). ⚠️ نکته: واریانس بر خلاف انحراف معیار، واحد مربع دارد. مثلاً اگر داده‌ها میلی‌متر جیوه باشند، واریانس mmHg² است. به همین دلیل تفسیر مستقیم آن برای مخاطب عمومی سخت است. 🔷️ واریانس در کجای کار ما قرار دارد؟ در آمار توصیفی: پراکندگی داده‌ها را نشان می‌دهد. در آزمون‌های آماری: خیلی از آزمون‌ها (مثل تی‌تست) فرض می‌کنند واریانس گروه‌ها برابر است. در رگرسیون: هرچه واریانس باقیمانده کمتر باشد، مدل بهتر داده‌ها را توضیح داده است. در محاسبه خطای استاندارد: SE = √(variance/n) → با افزایش حجم نمونه، خطای استاندارد کم می‌شود. 📌 یک مثال اپیدمیولوژیک: در مطالعه‌ای روی سطح قند خون ناشتا در دو روستا: روستای A: واریانس پایین → همه نزدیک به میانگین. روستای B: واریانس بالا → تنوع بالای قند خون. نتیجه: روستای B نیازمند بررسی بیشتر است (احتمال وجود زیرگروه‌های پرخطر). 📌 جمع‌بندی : واریانس = میانگین مجذور فاصله‌ها از میانگین (پراکندگی داده‌ها). واحدش مربع است؛ برای تفسیر ساده‌تر از انحراف معیار (جذر واریانس) استفاده می‌کنیم. هرچه واریانس بیشتر، تنوع داده‌ها بیشتر 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📊 همبستگی (Correlation)؛ شدت و جهت رابطه بین دو متغیر 🔸️فرض کن می‌خواهی بدانی بین قد و وزن، یا بین سن و فشار خون، یا بین تعداد سیگار و سطح آنزیم کبدی چه رابطه‌ای وجود دارد. ▫️همبستگی، شدت و جهت این رابطه را با یک عدد نشان می‌دهد: ضریب همبستگی (Correlation Coefficient). 🔷️ سه ضریب همبستگی اصلی در پزشکی و اپیدمیولوژی: ۱. ضریب همبستگی پیرسون (Pearson Correlation – r) برای داده‌های کمی و پیوسته که رابطه خطی دارند. حساس به داده‌های پرت (outlier) است. دامنه: ۱- تا ۱+ (صفر یعنی بی‌ارتباطی). مثال: همبستگی بین سن و فشار خون سیستولیک (با فرض رابطه خطی). ✅ مناسب برای داده‌های نرمال و بدون پرت. ۲. ضریب همبستگی اسپیرمن (Spearman Rank Correlation – ρ) برای داده‌های رتبه‌ای (ordinal) یا داده‌های کمی که نرمال نیستند یا رابطه خطی ندارند. بر اساس رتبه‌ها محاسبه می‌شود، نه مقادیر اصلی. در برابر داده‌های پرت مقاوم است. مثال: همبستگی بین شدت درد (خفیف، متوسط، شدید) و میزان مصرف مسکن. ✅ به جای پیرسون وقتی داده‌ها چوله هستند یا رابطه غیرخطی است. ۳. ضریب همبستگی کندال (Kendall’s Tau – τ) مانند اسپیرمن، برای داده‌های رتبه‌ای یا غیرنرمال. بر اساس تعداد تطابق‌ها و ناهماهنگی‌های بین زوج‌ها محاسبه می‌شود. برای نمونه‌های کوچک یا داده‌های با تعداد زیاد رتبه‌های مشابه (tie) مناسب‌تر است. معمولاً قدر مطلق آن از اسپیرمن کوچک‌تر است، اما در برخی موارد دقیق‌تر عمل می‌کند. ⚠️ نکات طلایی درباره همبستگی (هرگز فراموش نکنید): ❌ همبستگی ≠ علیت – این مهم‌ترین قانون اپیدمیولوژی است. داشتن همبستگی بالا بین دو متغیر به معنای علت و معلولی نیست. ❌ همبستگی صفر به معنای بی‌ارتباطی کامل نیست (ممکن است رابطه غیرخطی باشد). ✅ برای رابطه غیرخطی، اسپیرمن یا کندال بهتر از پیرسون هستند. ✅ همیشه قبل از استفاده از پیرسون، نرمال بودن و خطی بودن را بررسی کنید (با نمودار پراکندگی). ✅ در مقالات، هم ضریب همبستگی (r یا ρ) و هم p-value آن را گزارش کنید. 📌 جمع‌بندی: پیرسون = همبستگی خطی برای داده‌های نرمال و کمی. اسپیرمن = همبستگی رتبه‌ای برای داده‌های غیرنرمال یا رتبه‌ای. کندال = جایگزین اسپیرمن برای نمونه‌های کوچک یا داده‌های با رتبه‌های مشابه. همیشه نوع ضریب را در مقاله ذکر کنید و با یک جمله تفسیر کنید. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station