空间统计在医学中的应用
医学统计学常用统计图表
医学统计学流行病与卫生统计学系邹延峰*************常用统计图表统计表（statistical table）和统计图（statistical chart）是统计描述的重要工具。
医学科学研究资料经过整理和计算各种必要的统计指标后，所得结果除了用适当文字说明以外，常用统计表和统计图表达分析结果。
统计图表可以对于数据进行概括、对比或做直观的表达。
统计表和统计图不仅便于阅读，而且便于分析比较。
1．概念：指在科技报告中，常将统计分析的事物及其指标用表格列出，以反映事物的内在规律性和关联性。
2．作用：1）避免繁杂的文字叙述2）便于计算3）便于事物间的比较分析统计表 3. 结构从外形上看，统计表由标题、标目（包括横标目、纵标目）、线条、数字和备注5部分构成。
其基本格式如表1：1）标题：概括说明表的中心内容，要求用词简练、确切。
必要时注明资料的时间、地点，写在表的上端中央。
注意：防止标题过于简略或过于繁杂，有的甚至不写标题。
2）标目：要求文字简明，有单位的标目要注明单位。
横标目位于表的左侧，说明各横行数字的含义。
纵标目位于表的右侧，向下说明各纵行数字的含义。
注意：防止标目过多，层次不清。
3) 线条：只需要顶线、底线及纵标目下面与合计上面的横线。
注意：线条不宜过多，表的左上角不宜有斜线，表内不能有纵线。
4) 数字：表内数字一律用阿拉伯数字表示，同一个指标的数字精确度应当一致，表内不宜有空格，无数字用“—”表示，数字为0，则填写0。
5) 备注：表格一般不列备注或其他文字说明，如有特殊情况需要说明时可用“*”标出，将文字说明写在表格的下面。
从内容上看，每张表都有主语和谓语。
主语指被研究的事物，如表2-5中的药物分组，一般置于表的左侧；谓语指说明主语的各项统计指标，如表2-5中的“治愈”和“未愈”、“合计”，一般置于表的右侧，主语和谓语结合起来构成一个完整的句子。
如表2-5可读成用替硝唑治疗组治愈25例，未愈4例，合计29例。
数学与医疗影像处理
数学与医疗影像处理数学与医疗影像处理在现代医学领域扮演着重要的角色。
随着技术的不断进步，医疗影像处理已经成为医学诊断与治疗的重要工具之一。
本文将探讨数学在医疗影像处理中的应用，并介绍一些相关的数学算法和方法。
一、数学在医疗影像处理中的应用1. 图像增强在医学诊断中，对于图像的清晰度和细节的显示非常重要。
数学可以通过图像增强算法来提高图像的质量。
其中，常用的算法包括直方图均衡化和空间域滤波。
直方图均衡化通过调整图像的像素值分布来提高对比度和亮度，使得图像更加清晰。
空间域滤波则可以通过去噪和平滑等操作来减少图像中的噪声，提高图像的质量。
2. 图像分割图像分割是医疗影像处理中的一项基础任务，它可以将图像中的目标物体从背景中分离出来。
数学中的阈值分割和边缘检测是常用的图像分割算法。
阈值分割是通过设置一个或多个阈值来将图像分成若干个不同的区域。
边缘检测可以通过检测图像中的亮度梯度或颜色梯度来找到图像中物体的边缘。
3. 特征提取特征提取是医学影像处理中的关键步骤，它可以从图像中提取出代表图像内容的特征信息。
数学中的形状分析和纹理分析是常用的特征提取方法。
形状分析可以通过计算物体的轮廓、面积和周长等参数来描述物体的形状。
纹理分析则可以通过计算图像中像素的灰度值分布和空间统计信息来描述图像的纹理特征。
二、数学算法和方法1. 二维离散傅立叶变换(DFT)二维离散傅立叶变换是一种常用的频域分析方法，它可以将图像从空间域转换到频域。
在医疗影像处理中，DFT可以用于图像增强和图像复原等任务。
通过在频域对图像进行操作，可以实现对图像中不同频率成分的调整。
2. 小波变换小波变换是一种多尺度分析方法，它可以将信号分解成不同尺度的频率成分。
在医疗影像处理中，小波变换可以用于图像分割和图像压缩等任务。
通过对图像进行小波变换，可以提取出不同频率的特征信息，从而实现对图像的分割和压缩。
3. 支持向量机(SVM)支持向量机是一种常用的分类算法，它可以通过将样本映射到高维特征空间来实现对样本的分类。
预防医学技术中的流行病学调查与分析方法
预防医学技术中的流行病学调查与分析方法引言流行病学调查与分析是预防医学技术中的重要环节，它为我们提供了评估疾病的发病率和传播途径、确定防控策略以及监测疫情等关键信息。
在本文中，我们将探讨在预防医学中，流行病学调查与分析的常用方法以及其在疾病预防控制中的重要性。
一、横断面调查横断面调查是流行病学中常用的一种调查方法，它通过一次性的调查收集人群中的特定信息。
例如，研究人员可以通过调查问卷或面对面采访的形式，获取人群中不同年龄、性别、职业等特征与疾病之间的关系。
这种调查方法的优势在于调查周期短，成本相对较低，但其结果仅能反映一段时间内的数据，无法评估疾病的长期趋势。
二、队列研究队列研究是一种长期的观测研究方法，它通过追踪研究对象在一定时间内的变化，来揭示疾病的发生与影响因素之间的关系。
这种方法一般通过收集研究对象的背景信息、生活方式、疾病诊断等数据，以建立起一份资料丰富的队列数据库。
通过对队列数据库的分析，可以获取更为准确的疾病发生率、病因以及预防措施等信息。
然而，队列研究需要较长时间的追踪观察，成本相对较高。
三、病例对照研究病例对照研究是一种通过对比患病人群与非患病人群的特点，来寻找与疾病发生有关的危险因素的方法。
研究人员通过设定疾病患者组和对照组，再对两组进行调查，收集相关的暴露因素以及其他可能的因素。
通过对两组数据的对比分析，可以得到各因素与疾病之间的关系。
这种方法的优势在于调查周期相对较短，并且能够针对罕见疾病进行调查。
但其劣势在于无法确定因果关系，只能得到暴露因素与疾病之间的关联性。
四、分析方法在流行病学调查中，数据分析是至关重要的环节，它能够基于所收集的数据，提供对疾病传播途径、危险因素的评估以及防控策略的设计。
流行病学数据分析常用的方法包括下列几种：1. 描述性流行病学分析：通过计算疾病的发病率、死亡率以及患病率等指标，来描述疾病的流行特征。
2. 结果危险比分析：通过计算不同暴露组中发生疾病的危险比，来评估某一因素对疾病发生的影响。
空间组学的技术原理-概述说明以及解释
空间组学的技术原理-概述说明以及解释1.引言1.1 概述空间组学是一种研究空间关系和模式的技术和方法。
它通过对空间数据进行分析和解释，帮助我们理解和描述事物在空间上的分布和变化规律。
随着科技的不断发展和计算能力的提高，空间组学逐渐成为研究人类社会、自然环境和地理信息的重要工具。
空间组学的研究内容包括但不限于地理信息系统（GIS）、遥感技术和地理空间数据分析等。
通过这些技术和方法，我们能够对地球上的各种现象进行定量分析，揭示它们之间的相互关系和规律。
例如，我们可以利用空间组学来研究城市的扩张和发展模式，评估自然资源的利用和管理情况，以及预测自然灾害的发生和演变趋势。
空间组学的技术原理主要基于地理空间数据的获取、处理和分析。
其中，地理信息系统是收集和管理空间数据的关键工具，它能够将地理位置和属性信息进行整合和分析，并可视化呈现在地图上。
而遥感技术则是通过卫星、飞机等遥感平台获取地球表面的图像和数据，提供了丰富的地理信息资源。
地理空间数据分析则是基于统计学和空间统计学原理，运用各种算法和模型对数据进行挖掘和解释。
总之，空间组学作为一种研究空间关系和模式的技术和方法，具有重要的理论和应用意义。
它能够帮助我们更全面地理解地球上的现象和问题，为决策制定和问题解决提供科学依据。
随着技术的不断进步和应用领域的扩大，空间组学在未来的发展前景将更加广阔。
文章结构部分的内容可以按照以下方式编写：1.2 文章结构本文将分为引言、正文和结论三个部分，每个部分都有其独特的目的和内容。
在引言部分，我们将首先对空间组学进行概述，介绍其定义和背景。
然后，我们将阐述文章的结构和目的，让读者对整篇文章有一个清晰的了解。
接下来是正文部分，包括三个章节：空间组学的定义和背景、空间组学的技术原理概述以及空间组学的应用领域。
在第二章节，我们将详细探讨空间组学的技术原理，并提供一个概述，以确保读者对该技术有一个整体的了解。
同时，我们还将介绍空间组学的定义和背景，为后续章节的内容提供基础。
空间分析中空间自相关性的诊断
域， 正的 值表示该空间单元与邻 近的单元呈正相关 （ 高值聚集或低值聚集） ， 负的 值表示该空间单元与
邻 近 的单 元不 相关 。 （ ３ ） Ｍｏ ｒ ａ ｎ散点 图
指标分别是全局 Ｍｏ ｒ ａ ｎ ’ Ｓ Ｉ 系数 、 局部 Ｍｏ ｒ ａ ｎ ’ Ｓ Ｉ 系数
和 Ｍｏ ｒ ａ ｎ散 点 图 ：
对 空 间 自相关 的分 析方 法 进行 探 讨 ， 并 以广 东省 ２ ０ ０ ９
（ ２ ） 局部 Ｍｏ ｒ ａ ｎ ’ Ｓ Ｉ 系数 （ Ｌ Ｉ Ｓ Ａ ）
主 Ｗ ｑ （
其 中， Ｓ ２＝世 ——＿一
年手足 口 病 的发病作为实例进行分析验证 。
方 法
∑ ｗ （ 一 ）
１ ．空 间 自相关 统计 量 空 间 自相关 统计 量 即寻求 一种 统计 意 义上 的有 效 手段 ， 对 空 间相关 程 度进 行 计 算 并 给 出显 著 性 检 验 的 方 法 。 目前 ， 使用 最 为 广泛 的全 局 和 局 部 空 间 自相关
局 部空 间 自相 关 分 析 可 以识 别 具 体 的 自相 关 区
关特 点成 为 空 间统 计 学应用 的前 提 。
其 中 ， Ｓ 寺 （ 一 ） ， ｘ 音
式中， ｎ 为样本量 ， 和 分别代表 ｆ √点的属性 值， Ｗ 代表衡量空间关 系的权重 ， 若ｆ √区域相邻 ， 则 Ｗ ｉ ｆ ＝１ ， 否则 Ｗｆ ＝Ｏ ｏ 全 局 Ｍｏ ｒ ａ ｎ’ Ｓ Ｉ 系数 的分 子交叉 乘积项 比较的是邻近空间位置 的观察值与均值偏差的 乘积 ， 取值范围在（ 一 １ ， ＋ １ ） 之间： 若接近于 １ ， 则代表 空间自相关越密切 ； 接近 ０代表空间单元之间不相关 ； 接近于 一 １ ， 则代表样本 之间差 异越 大或分 布越不集
统计方法在专业技术工作中的应用总结
统计方法在专业技术工作中的应用总结统计方法是现代科技发展中不可或缺的工具之一。
它是数据分析和决策制定的重要基础，是计算机科学、经济学、社会学、环境科学、医学和许多其他学科的核心。
在专业技术工作中，统计方法的应用越来越普遍，本文将总结统计方法在不同领域的具体应用。
一、医学领域医学研究需要大量的数据来测量和评估疾病的影响和治疗的效果。
统计方法的应用使医生和研究人员能够识别出重要的趋势和重大的统计差异。
一些常见的统计方法应用于医学诊断和治疗方面：1. 生存分析生存分析是医学研究中常用的一种方法。
它可以预测生命的长短和事件发生的概率，例如疾病的复发或死亡。
生存分析通常使用Kaplan-Meier生存曲线和Cox回归模型等方法进行。
2. 方差分析方差分析是一种研究统计差异的常用方法，用于确定因素对实验结果的影响。
例如，高血压患者的药物治疗是否有效等。
通过比较两组或多组之间的均值差异，可以确定因素是否对结果产生统计显著的影响。
二、经济领域经济学家使用统计方法来评估政治和经济决策的效果。
数据在这个领域中是非常重要的，因为它们可以帮助观察或比较政策变化的效果。
1.回归分析回归分析是一种经济学中常用的方法，用于确定变量对另一个变量的影响。
例如，销售额和广告支出的关系就可以通过回归分析来确定。
2.时间序列分析时间序列分析常用于经济学中的预测和趋势分析。
它涉及对一个时间序列的统计模型进行分析，以确定在未来可能发生的趋势和事件。
三、社会科学领域社会科学需要观察和测量大量的数据来理解各种人类行为，如此多的难以捉摸的因素需要进行实证研究，统计方法的应用给予了社会科学家一个强大的工具箱。
1.因果推断因果推断用于研究变量之间的因果关系，考虑到可能存在的其他因素对研究结果的影响。
因果推断广泛应用于社会科学领域，比如检测各项社会政策对人们生活的影响等。
2.样本调查样本调查需要抽取代表性的样本来研究大规模的人群。
在调查过程中常用的一些方法包括简单随机抽样、分层抽样和集群抽样等。
医疗数据分析中的统计学应用有哪些
医疗数据分析中的统计学应用有哪些在当今的医疗领域，数据的重要性日益凸显。
医疗数据的分析不仅有助于提高医疗服务的质量和效率，还能为医学研究和公共卫生政策的制定提供有力的支持。
而统计学作为数据分析的重要工具，在医疗领域发挥着不可或缺的作用。
那么，医疗数据分析中的统计学应用究竟有哪些呢？首先，统计学在疾病的监测和预测方面有着广泛的应用。
通过收集和分析大量的病例数据，包括疾病的发病率、患病率、死亡率等指标，我们可以了解疾病的流行趋势和分布特征。
例如，对于季节性流感，我们可以利用时间序列分析方法来预测其在未来一段时间内的发病高峰，从而提前做好防控准备。
此外，利用空间统计学方法，还可以分析疾病在不同地区的分布差异，找出可能的危险因素，为针对性的防控措施提供依据。
其次，在临床研究中，统计学更是至关重要。
临床试验是评估新药物、新治疗方法有效性和安全性的重要手段。
在试验设计阶段，统计学原理被用于确定样本量、设置对照组、选择随机化方法等，以确保试验结果的科学性和可靠性。
在数据分析阶段，统计学方法可以帮助我们判断治疗效果是否具有统计学意义，以及评估不同治疗方案之间的差异。
例如，常用的 t 检验、方差分析等方法可以比较两组或多组数据的均值是否存在显著差异；生存分析方法则可以用于评估患者的生存时间和生存率，为肿瘤等慢性疾病的治疗效果评估提供重要依据。
再者，统计学在医疗质量评估中也发挥着重要作用。
医疗机构的服务质量和医疗效果是公众关注的焦点。
通过对医疗过程中的各种数据进行分析，如住院时间、手术并发症发生率、患者满意度等，我们可以评估医疗机构的绩效，并发现存在的问题和改进的方向。
例如，利用控制图等统计工具，可以对医疗质量指标进行实时监测，一旦发现异常波动，及时采取措施进行干预。
另外，在疾病的诊断方面，统计学也有一定的应用。
基于大量的临床数据和实验室检测结果，我们可以利用统计学方法建立诊断模型。
例如，通过逻辑回归分析，可以确定哪些临床症状、体征和实验室指标对于某种疾病的诊断具有重要意义，并建立相应的诊断方程。
空间统计学的基本原理与方法
空间统计学的基本原理与方法空间统计学是统计学的一个分支，主要研究随机空间场的分布特征、空间插值和预测方法等。
本文将介绍空间统计学的基本原理与方法。
一、空间统计学的基本原理空间统计学是统计学的一个发展方向，它主要研究的是自然界和社会现象在空间上的分布规律。
空间统计学基于统计学的基本原理，将其应用到空间领域。
它的基本原理包括以下几个方面：1. 随机性原理：空间统计学假设自然界和社会现象的分布是随机的，即受多种因素的综合作用。
2. 自相关原理：空间统计学认为相邻地理位置的观测值之间存在着一定的相关性，即某一个地点的观测值受其周围地点的影响。
3. 空间非平稳性原理：空间统计学认为地理位置的相关性在空间上是不均匀的，即空间上的相关性随着距离的增加而减弱或增强。
二、空间统计学的基本方法空间统计学根据自然界和社会现象的性质以及研究目的，提出了多种方法。
下面介绍几种常用的方法：1. 空间数据可视化方法：空间数据可视化是一种重要的空间统计方法，它通过图形、地图等方式展示空间数据的分布特征，帮助分析人员更好地理解和发现隐藏在数据背后的模式和规律。
2. 空间插值方法：空间插值是指通过已知的离散空间点数据，推测未知位置的值。
常用的插值方法有克里金插值法、反距离加权插值法等。
3. 空间自相关分析：空间自相关分析是指通过计算相邻地理位置的观测值之间的相关系数，来研究空间数据的相关性。
其中常用的指标有皮尔逊相关系数、莫兰指数等。
4. 空间聚类分析：空间聚类分析是将相似空间单元聚集到一起的方法，用于发现空间上的聚集现象。
常用的聚类算法有K均值算法、层次聚类算法等。
三、空间统计学的应用领域空间统计学的应用非常广泛，主要集中在以下几个领域：1. 地理信息系统：空间统计学在地理信息系统中具有重要作用，用于分析和处理空间数据，进行地图制作和地理空间分析等。
2. 生态学：空间统计学可以研究物种分布、群落格局等生态学问题，帮助了解生态系统的结构和功能。
空间信息技术在医学地理研究中的应用
Ａ ＢＳ ＴＲ ＡＣＴ ： ｐ ｔａ ｎ ｏ ｍａｉ ｎｔｃ ｎ ｑ ｅ Ｓ Ｔ）ｉ ａｎ ｗｌ ｍｅｇｎ ｅ ｈｎｑ ｅｔ ａ ｉｌ ａ ｅ ｎａ ｐ ｉａｉ ｎｏ Ｓ ａ ｉｌｉｆ ｒ ｔｏ ｅ ｈ ｉｕ （ Ｉ ｓ ｅ ｙｅ ｒ ｉｇｔｃ ｉ ｕ ｈ ｔｍａｎｙ ｂ ｓ ｄｏ ｐ ｌ ｔｏ ｆ ｃ
Ａｐ ｌ ａ ｉｎ ｏ ｐ ｔａ ｎ ｏ ｍ ａ ｉ ｎ ｔ ｃ ｎ ｌ ｇ ｎ ｓｕ ｙ ｏ ｅ ｉａ ｅ ｇ ａ ｈ ｐ ｉ ｔ ｆ ｓ ａ ｉｌｉ ｆ ｒ ｔｏ ｅ ｈ ｏ ｏ ｙ ｏ ｔ ｄ ｆｍ ｄ ｃ ｌｇ ｏ ｒ ｐ ｙ ｃ ｏ
ＬＩ ＮＧ ａ ＺＨ Ｏ Ｕ Ｈ ｏ — ｉ Ｔ Ａ Ｎ Ｇ ｉｎ ｙ ｎ Ａ Ｈ ｏ， ｎｇ ｘ ａ， Ｘ ａ —ａ
（ ｐａ ｔ ｎ ｉ ｍ ｉ ｏ ｎｄ Ｈ ｅ ｌｈ Ｓｔ ｔｓ ｉｓ Ｄｅ ｒ ｍｅ ｔｏｆＥｐ ｄｅ ｏｌ ｇｙ ａ ａ ｔ ａ ｉ ｔｃ ， Ｇｕ ｎｇ ｅ ｉａ ａ ｘｉＭ ｄ ｃ ｌＵｎｉ ｅ ｓｔ ｖ ｒ ｉｙ，Ｎａ ｎｉ ｇ ５ ０ ２１，Ｃｈｉ ） ｎ ｎ ３０ ｎａ
系 列计 算机 处 理 技 术 。空 间信 息 技术 的实 现 主 要依 靠 地 理 信 息 系 统 （ Ｉ ） 全 球 定 位 系统 （ Ｐ ） 遥 感 技 术 （ Ｓ 的 应 用 Ｇｓ 、 Ｇ Ｓ、 Ｒ） 和 发 展 。空 间 信 息技 术 具 有 强 大 的空 间数 据 管 理 与分 析 功 能 ， 理 与 地理 位 置 有 关 的疾 病 空 间 数据 具 有 独 特 的 优 势 ， 处 因 而 为研 究 特 定 地 理 区域 内各 种 自然 、 会 因 素与 健 康 的 关 系 ， 示 健 康 或 疾 病 与 地 理 位 置 相 关 因素 的关 系提 供 了 可 靠 、 社 揭
统计学中的统计建模
统计学中的统计建模统计学是研究数据收集、分析和解释的科学。
而统计建模是统计学中的一个重要概念，是从大量数据中寻找出模式和规律的过程。
本文将详细介绍统计学中的统计建模方法、常用的统计模型以及其在实践中的应用。
一、统计建模的定义和概述统计建模是利用概率和统计理论，通过观察和收集现实世界中的数据，从中抽取出数据背后的规律和模式的过程。
它是一种基于数据的系统性分析方法，通过建立数学模型来描述数据的分布、变化和关联。
在统计建模中，我们首先要确定一个假设空间，然后从中选择一个合适的统计模型来描述数据。
常见的统计模型包括线性回归、逻辑回归、时间序列模型等。
二、统计建模的步骤统计建模的过程通常可以分为以下几个步骤：1. 数据收集：首先需要收集相关的数据，可以通过实验、调查或观测等方式获得数据。
2. 数据预处理：对收集到的数据进行清洗、去噪、去除异常值等操作，以保证数据的质量和准确性。
3. 探索性数据分析：通过可视化手段和常用的统计方法（如均值、方差、相关系数等），对数据进行初步的探索和分析，以了解数据的分布、特征和关系。
4. 模型选择：根据探索性数据分析的结果和研究目的，选择适合的统计模型。
模型的选择需要考虑数据类型、分布特征、变量之间的关系等因素。
5. 参数估计：确定模型中的参数值，即通过最大似然估计、最小二乘法等方法估计模型中未知参数的取值。
6. 模型检验：对建立的模型进行检验，检验模型是否合理、拟合度如何等。
常用的检验方法包括残差分析、拟合度指标等。
7. 模型应用和解释：根据建立的模型进行预测、推断或解释，以满足实际应用需求。
对模型结果的解释通常需要结合领域知识和统计推断进行综合分析。
三、常用的统计模型统计学中有许多常用的统计模型，下面介绍几种常见的模型：1. 线性回归模型：线性回归是一种用于描述两个变量之间线性关系的统计模型。
它假设响应变量与预测变量之间的关系是线性的，并通过最小二乘法估计模型中的参数。
医学统计学专业介绍及统计方法分类
集中趋势描述
包括平均数、中位数和众数等，用于 反映一组数据的中心位置或平均水平 。
推论性统计方法
参数估计
01
利用样本数据对总体参数进行估计，包括点估计和区间估计两
种方法。
假设检验
02
通过设定假设、构造检验统计量、确定拒绝域等步骤，对总体
参数或分布进行假设检验，以判断假设是否成立。
方差分析
03
用于研究不同因素对实验结果的影响程度，通过比较不同组间
04
常见医学统计方法应用举例
Chapter
t检验与方差分析
t检验
用于比较两组独立样本或配对样本均数差异的显著性检验。在医学研究中，常用于比较不同治疗方法对患者某项 指标的影响是否有统计学差异。
方差分析
用于比较多组独立样本均数差异的显著性检验，可分析两个或多个因素对结果变量的影响。在医学研究中，常用 于分析不同治疗方法、不同病情等因素对患者某项指标的影响。
探讨公学
研究生物医学领域中的统计问题，如基因关联分析、 生物标志物筛选等。
拓展选修课程
高级医学统计学
深入介绍复杂统计方法和技术，如多元统计分析、 生存分析等。
医学统计软件应用
教授常用医学统计软件的使用方法和技巧，如SPSS 、SAS等。
发展历程
医学统计学起源于19世纪中叶，随着生物医学模式 的转变和医学研究的深入，逐渐发展成为现代医学 领域中不可或缺的重要工具。
医学领域应用现状
临床研究
在医学临床研究中，医学统计学被广泛应用于实验设计、 数据收集、数据分析和结果解释等环节，为医学研究的科 学性和可靠性提供了有力保障。
公共卫生
在公共卫生领域，医学统计学被用于描述人群健康状况、 评估健康干预措施的效果以及预测疾病流行趋势等。
卫生统计学总结
卫生统计学总结卫生统计学是一门应用广泛的学科，它在医学、公共卫生、生物医学研究等领域发挥着至关重要的作用。
通过收集、整理、分析和解释数据，卫生统计学帮助我们揭示健康和疾病的规律，评估卫生干预措施的效果，为制定卫生政策和决策提供科学依据。
一、数据的类型在卫生统计学中，我们首先要了解数据的类型。
数据可以分为定量数据和定性数据。
定量数据又分为离散型和连续型。
离散型数据通常是计数数据，比如某医院一天内接诊的患者人数。
连续型数据则是可以在一定范围内取任意值的数据，例如身高、体重等。
定性数据则包括分类数据和有序数据。
分类数据如性别（男、女），有序数据如疾病的严重程度（轻、中、重）。
二、数据的收集准确的数据收集是进行有效统计分析的基础。
常用的数据收集方法包括问卷调查、医疗记录审查、实验研究和观察性研究等。
在收集数据时，要确保样本具有代表性，能够反映总体的特征。
同时，要注意数据的准确性和完整性，避免遗漏和错误。
三、数据的整理收集到的数据往往是杂乱无章的，需要进行整理和归纳。
这包括对数据进行编码、录入和核对。
在整理数据的过程中，要检查数据的逻辑一致性，例如年龄和出生日期是否相符。
对于异常值和缺失值，要进行适当的处理。
四、描述性统计描述性统计是对数据的基本特征进行概括和总结。
常用的描述性统计指标包括集中趋势指标（如均值、中位数、众数）和离散程度指标（如标准差、方差、极差）。
均值适用于正态分布的数据，中位数则适用于偏态分布的数据。
对于定性数据，可以使用频率和百分比来描述。
例如，我们研究某地区居民的血压情况，通过测量得到一组数据。
计算出均值和标准差可以让我们了解血压的平均水平和离散程度。
如果数据呈现正态分布，我们可以用均值和标准差来估计总体的血压情况。
五、概率分布概率分布是卫生统计学中的重要概念。
常见的概率分布有正态分布、二项分布、泊松分布等。
正态分布是最常见的分布，许多生理指标如身高、体重等都近似服从正态分布。
二项分布适用于只有两种可能结果的独立重复试验，例如药物治疗的有效和无效。
统计学在医学领域的应用分析
统计学在医学领域的应用分析随着社会的发展，人们的生活习惯、环境变化和基因突变等因素在不断影响着人们的健康，同时医疗技术也在不断发展和进步。
而统计学在医学领域的应用越来越受到重视，因为通过统计分析可以将大量的疾病数据变成可以理解的形式，并推断出相应的医学决策与行动，为医生提供更有力的决策支持，同时也为患者提供更科学、更有效的治疗方法。
本文将着重探讨统计学在医学领域中的应用案例。
一、病毒性疾病流行趋势分析当发现某个病毒性疾病开始流行时，医生需要了解疾病的流行趋势，以便更好的为病人提供相应的治疗和预防措施。
例如，在SARS疫情爆发期间，广州市疾病控制中心利用统计学方法进行对疫情的预测和分析，并在相关人员当中加强咨询服务、扩大病毒筛查，帮助政府做出相应的防疫决策。
通过统计学方法，研究人员可以对疾病流行的空间、时间、人口等因素进行分析，并预测流行趋势和疫情高发地区。
这样，政府可以采取控制措施，减少疾病的传播。
二、药物疗效分析药物疗效分析是临床试验中的重要环节，也是统计学在医学领域中的重要应用之一。
疾病的治疗需要选择合适的药物，因此评价药物疗效是临床试验中的一个重要内容。
通过合理的样本大小、实验设计和数据分析，可以减小因样本数据不足或者偏差产生的影响，从而得出更合理和客观的分析结果。
程序中需要处理的问题包括检验药物的有效性、安全性，以及药物与其他因素之间的关系等。
三、医疗质量分析医疗质量是医院的核心竞争力。
质量管理需要系统化的建设，而统计学是质量管理的核心工具之一。
在医疗质量管理中，统计学可以帮助医院检验各项质量指标是否达到规定标准，分析医疗过程和结果的变化趋势，制定补救措施和改进措施。
如果医生在治疗上出现过失，统计学方法可通过分析治疗前后的数据，找出治疗过程中的漏洞和问题。
四、疾病预测分析通过统计学方法，可以对人群进行分类，并做出相应的预测。
例如，根据病人的年龄、代谢情况、生活环境等因素，可以进行心血管疾病的预测，并制定相应的预防方案。
统计学在医学图像分析中的应用
统计学在医学图像分析中的应用统计学是一门研究数据收集、分析和解释的学科，并在各个领域展现了其重要性和广泛性。
在医学图像分析中，统计学也扮演着至关重要的角色。
本文将探讨统计学在医学图像分析中的应用，并介绍一些具体的案例。
一、医学图像数据的统计学特征在介绍统计学在医学图像分析中的应用之前，我们先来了解一下医学图像数据的统计学特征。
医学图像数据通常包括CT扫描、MRI、X光片等各种类型的图像。
这些图像数据具有以下几个统计学特征：1. 数据分布：医学图像数据往往以像素灰度值的分布形式呈现。
通过对这些数据的统计分析，可以了解不同组织和病变区域的灰度分布情况，有助于疾病的诊断和治疗。
2. 强度和变化：医学图像中的强度和变化信息对于病变区域的检测和定量非常关键。
通过统计学方法，可以提取图像的强度和变化特征，并对其进行分析和解释。
3. 空间相关性：医学图像中的像素通常具有一定的空间相关性。
统计学方法可以利用这种空间相关性，进行图像分割、图像配准等任务，从而提高图像分析的准确性和可靠性。
二、医学图像的分类和聚类分析医学图像的分类和聚类分析是医学图像分析中常见的应用之一。
通过将医学图像数据划分为不同的类别，可以帮助医生对病变进行定位和识别，从而提供更准确的诊断结果。
统计学方法可以应用于医学图像的分类和聚类分析中，通过计算各个像素的统计特征，如均值、方差等，然后利用聚类算法将像素聚类为不同的类别。
这样，医生就可以根据图像的不同类别进行诊断，快速找出病变区域。
三、医学图像的特征提取和选择医学图像中包含的信息量非常庞大，对于医生来说，如何从这些图像中提取有用的特征是一个挑战。
统计学方法可以帮助医学图像分析者提取和选择最相关的特征。
通过使用统计学方法，可以计算像素的统计特征，如灰度特征、纹理特征、形状特征等。
这些特征可以用于训练机器学习模型或建立分类器，从而实现对医学图像进行自动化分析和识别。
同时，统计学方法还可以帮助进行特征选择，筛选出最具有区分性和重要性的特征，提高医学图像分析的效果。
统计学方法在医学影像诊断中的应用
统计学方法在医学影像诊断中的应用医学影像诊断是现代医学中不可或缺的重要环节，它通过采集和分析医学影像数据，为医生提供了诊断和治疗疾病的依据。
随着科技的进步，统计学方法在医学影像诊断中的应用也越来越广泛。
本文将重点探讨统计学方法在医学影像诊断中的应用，旨在展示其对于提高诊断准确性和个性化治疗的重要作用。
一、图像分割与特征提取医学影像诊断中的第一步就是对影像进行分割，将感兴趣的区域从整幅图像中提取出来。
统计学方法可以通过定义适当的阈值或基于图像纹理、形状等特征提取方法来实现图像分割。
例如，通过计算不同区域的灰度值直方图，并基于统计学原理将图像分割为不同的组织类型，从而实现病灶的定位和分析。
二、数据归一化与预处理医学影像数据通常存在着不同的采集设备、扫描条件等导致的差异，这些差异增加了影像诊断的复杂性。
统计学方法可以通过数据归一化和预处理来消除这些差异。
例如，通过均值标准化方法将图像数据归一化到标准正态分布，从而有效降低了不同条件下数据的偏差，提高了影像分析的准确性。
三、特征选择与降维医学影像数据通常具有高维度的特点，其中往往包含了大量冗余信息。
统计学方法可以通过特征选择和降维技术来提取关键的特征，并减少数据的复杂性。
例如，基于统计学原理的主成分分析(PCA)方法可以将高维的图像数据映射到低维的特征空间，从而实现图像数据的降维，并提取出具有较高重要性的特征，以便于后续的分类和诊断。
四、分类与诊断统计学方法在医学影像诊断中最重要的应用之一就是分类与诊断。
通过训练分类模型，结合已有的医学影像数据和对应的临床诊断结果，统计学方法可以根据提取的特征来建立模型，并根据新的影像数据进行分类和诊断。
例如，支持向量机(SVM)、人工神经网络(ANN)等统计学方法可以通过学习已知诊断结果的数据样本，对新的影像数据进行分类和预测，从而实现自动化的诊断。
五、个性化治疗与预后分析在医学影像诊断中，根据患者的病情和个体差异进行个性化的治疗是至关重要的。
时间分辨率和空间分辨率名词解释
时间分辨率和空间分辨率是在不同领域中常见的概念，它们在科学、技术、工程和数学等领域中都有着重要的应用。
本文将从时间分辨率和空间分辨率的概念、应用及其重要性等方面进行深入探讨，并结合个人观点进行分析。
一、时间分辨率的概念及应用1.时间分辨率的概念时间分辨率是指在一定时间范围内对事件发生或变化的观测能力，通常用来描述在特定时间尺度下对事件或过程进行观测和分析的能力。
在实践中，时间分辨率越高，意味着能够更精细地观测和记录事件发生的细节。
2.时间分辨率的应用在科学研究中，高时间分辨率的观测设备常常用于研究短暂而快速变化的现象，例如原子核衰变、光子的发射和吸收过程等。
在工程领域，高时间分辨率的传感器和测量设备可以用于监测高速运动的物体、分析振动和波动等。
在医学影像学中，高时间分辨率的设备可以用于观测心脏的收缩和舒张过程，以及脑部神经信号的传导过程。
二、空间分辨率的概念及应用1.空间分辨率的概念空间分辨率是指在特定空间范围内对图像或物体细节的观测能力，通常用来描述对图像或物体进行观测和分析时可以获取的细节程度。
在实践中，空间分辨率越高，意味着能够观测到更小尺度的细节。
2.空间分辨率的应用在遥感影像学中，空间分辨率是一个关键指标，它决定了卫星或航空器传感器所拍摄图像的细节程度和信息量。
高空间分辨率的遥感图像可以用于城市规划、土地利用、资源调查等领域。
在显微镜和摄影摄像领域，高空间分辨率的设备能够展现微小细节，并帮助科学家和艺术家进行观测和创作。
三、时间分辨率和空间分辨率的重要性时间分辨率和空间分辨率在各自领域中都具有重要的应用价值。
高时间分辨率和空间分辨率的设备和技术能够提供更丰富的信息，帮助科学家、工程师和研究人员更准确地获取数据、进行分析和做出决策。
在医学诊断中，高时间分辨率和空间分辨率的影像设备可以帮助医生更准确地诊断疾病，制定更合理的治疗方案，从而提高治疗效果和患者生存率。
四、个人观点和理解个人认为，时间分辨率和空间分辨率在科学和技术领域中发挥着至关重要的作用。
统计学研究方向范文10片
统计学研究方向范文10片统计学是一门研究数据收集、分析和解释的学科，它在各个领域都有广泛的应用。
下面是关于统计学研究方向的10个范文，涵盖了不同领域和主题。
1. 随机过程的统计分析，该范文探讨了随机过程的统计性质和分析方法，包括马尔可夫链、泊松过程和布朗运动等。
重点研究了随机过程的稳定性、收敛性和极限理论。
2. 统计模型在金融风险管理中的应用，该范文研究了统计模型在金融风险管理中的应用，包括风险度量、价值-at-风险和条件风险度量等。
重点分析了风险模型的建立和参数估计方法。
3. 大数据分析中的统计方法，该范文探讨了在大数据环境下的统计方法，包括高维数据分析、非参数统计和机器学习方法等。
重点研究了大数据采样、特征选择和模型评估等问题。
4. 统计遗传学的应用，该范文研究了统计遗传学在人类基因组研究中的应用，包括基因关联分析、群体遗传学和基因表达分析等。
重点分析了遗传变异对复杂疾病的影响和遗传因素的相互作用。
5. 空间统计分析，该范文探讨了空间统计分析的方法和应用，包括地理信息系统（GIS）数据分析、空间插值和空间回归等。
重点研究了空间自相关、空间依赖和空间聚类等问题。
6. 统计学在医学研究中的应用，该范文研究了统计学在医学研究中的应用，包括临床试验设计、生存分析和医疗数据挖掘等。
重点分析了样本量计算、生存模型和医学图像分析等问题。
7. 时间序列分析，该范文探讨了时间序列分析的方法和应用，包括平稳性检验、自回归移动平均模型（ARMA）和协整分析等。
重点研究了季节性调整、异常检测和预测方法等问题。
8. 统计学在社会科学研究中的应用，该范文研究了统计学在社会科学研究中的应用，包括问卷调查分析、因子分析和多层次建模等。
重点分析了样本设计、数据清洗和模型比较等问题。
9. 多元统计分析，该范文探讨了多元统计分析的方法和应用，包括主成分分析、聚类分析和判别分析等。
重点研究了变量选择、模型评估和模式识别等问题。
10. 统计学在环境科学研究中的应用，该范文研究了统计学在环境科学研究中的应用，包括环境监测数据分析、生态模型和环境风险评估等。
空间统计软件Geoda简介
空间统计软件Geoda简介
GeoDa是一个设计实现栅格数据探求性空间数据分析（ESDA）的软件工具集合体的最新成果。
它向用户提供一个友好的和图示的界面用以描述空间数据分析，比如自相关性统计和异常值指示等。
Geoda完整版中文操作手册和Geoda软件，请见下面的分享链接
/OckRTfc6VJ8Ftt 访问密码 0274
GeoDa的设计包含一个由地图和统计图表相联合的相互作用的环境，使用强大的连接窗口技术。
GeoDa 能在任何风格的微软公司的操作系统下运行（Win95，98，2000，NT，Me，andXp）。
Geoda软件适用于区域经济学、法学、政治学等社会学科，以及医学、地理学、植物学、土壤学、地质学、水文学和气候学等领域。
简短操作步骤学习：
1.打开地图文件
2.打开数据窗口，选择edit-select variable
3.制图
点击Map---
选择相应的变量
设置分成的级别数目
4.制作空间权重矩阵点击菜单中的权重图标
选择输入和输出文件
选择权重的确定方式
5.制作散点图，计算莫兰指数
做出散点图，右键可以保存。
6.局部莫兰指数，制作空间集聚图，选择相应的图形
7.做出空间地图
点击右键，选择保存结果
8.拟合曲线
9.回归分析
10.空间滞后模型
11.空间误差模型。
医科高等数学
医科高等数学医科高等数学是临床医学专业中不可缺少的一门学科，它不仅是医学专业的必修课程，也是医学专业学生综合素质的重要体现。
医学专业的学生在学习医科高等数学时，需要掌握很多数学知识和技能，主要包括微积分、概率统计学、线性代数等。
这些数学知识和技能在医学领域中有广泛的应用，能够帮助医学专业的学生更好地理解医学知识，提高临床诊断能力，提高医疗水平。
先从微积分入手。
微积分是医科高等数学中重要的知识点之一，它是为了研究变化规律而发展起来的一门数学科学。
医学领域存在很多变化规律，例如人体内所发生的生理变化、药物在体内的代谢规律等等，这些都可以用微积分来描述和分析。
学习微积分的医学专业的学生需要掌握函数的极限、导数、积分等基本概念和常用方法，这些知识可以帮助学生更好地理解医学专业中的相关知识，例如心电图分析、药物动力学等。
接下来是概率统计学。
概率统计学是一门研究随机现象规律的学科，它主要涉及到概率概念、随机变量、概率分布、统计量等内容。
在医学领域，概率统计学有着广泛的应用，例如流行病学调查、医学研究等。
学习概率统计学的医学专业的学生需要掌握概率与统计的基本概念和方法，例如概率分布、随机变量、样本空间、统计推断等，这些知识可以帮助学生更好地掌握医学中常用的统计方法和工具。
最后是线性代数。
线性代数是一门研究向量空间及其线性变换的学科，它主要包括矩阵论、行列式、向量空间、线性变换等。
在医学领域，线性代数应用广泛，例如在医学影像学中，图像的变换和处理都会用到线性代数的知识。
学习线性代数的医学专业的学生需要掌握矩阵的基本概念和运算，例如矩阵乘法、逆矩阵等，以及向量空间的基本概念和性质，例如基、维数、子空间等等。
综上所述，医科高等数学是医学专业中非常重要的一门课程，有助于学生更好地理解和应用医学知识，提高学生的综合素质。
医学专业的学生需要在学习过程中仔细掌握微积分、概率统计学、线性代数等数学知识和技能，加强数学与医学知识的融合，不断提高自己的学习水平和应用能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
华 中 科 技 大 学 硕 士 学 位 论 文
任一位置的随机变数（给定其邻近区域随机变数的）概率分布。此构建方法的主要 优点在于很多实际问题，不易描述整体之间的空间关系，但却很容易通过局部关系 的描述，建构适当的条件空间模型求空间过程因子识别。空间过程是生态与环境、 社会经济和地理系统的基本运动形式之一，由于空间过程复杂多样，往往受到自然、 社会和经济等多种要素的共同影响，准确理解和刻画空间过程非常困难。但为了模 拟甚至控制空间过程，必须首先将影响空间过程的主要（如果不是全部）影响因子 识别出来。 近年来从非典到大头娃娃事件，再到近期的结石娃娃事件，病情爆发的频率加 速，显示了研究流行病学的重要性和紧迫性，同时也说明了流行病学的机制有待完 善。以往的病例研究，主要是生物统计方法，采用的是传统的统计模型[6]，无法突 显流行病学的特点，而且会丢掉一些有用的信息。流行病学主要分为传染病和非传 染病两大模块，其中就传染病的本质来说，主要特点是一般依赖与直接接触进行传 播，其本质隐含着连续空间的概念，故距离往往是影响该种类型扩散的主要因子， 另一方面，若从区域和社会的层面来看，其扩散又按照某种等级或顺序在空间上的 传播。如从大城市到一般城市，再到乡村。虽然，非传染病并未像传染病那样表现 出明显的空间因素，但从发病缘由来看，也存在隐含的空间关联性，如在不同的地 区出现了某种非传染病，这些地区的水资源，环境状态、人口密度等相似。基于以 上考虑，对于流行病学的分析加入空间信息是有必要的。另外，空间统计对脑部信 息的解读，从另一个角度提出了脑科学研究的方法，对于脑学的发展也有一定的意 义。这也将是空间统计在医学方面的一个研究方向。
保密□ ，在__ 本论文属于 不保密□。
_年解密后适用本授权书。
（请在以上方框内打“√”）
学位论文作者签名： 日期： 年 月 日
指导教师签名： 日期： 年 月 日
华 中 科 技 大 学 硕 士 学 位 论 文 1 绪论
1.1 问题的提出与背景
空间统计(spatial statistics)是伴随地质勘探需要、航空和卫星遥感空间高新技 术应用而发展起来的一门新学科[1]。人们在地质勘探勘测中、在处理航空、卫星遥 感景象资料中、在研究其它许多现象的空间作用和空间结构中,遇到很多空间关系的 问题需要解决，如具有代表性的空间样本点的选取问题，进行空间估值问题,两组或 多组空间数据的关系问题等，而由于空间现象中存在诸如不同方向、不同距离成分 间的相互作用不同的复杂性[2]，致使这些问题无法简单通过传统数理统计方法得以 解决，于是空间统计、空间数据分析方法的研究就在实践应用的推动下开始了，逐 渐发展诞生出了空间统计这一门学科。 一般空间中邻近的资料通常比相离较远的资料具有较高的相似性，空间统计通过 位置建立资料间的统计关系。其应用的范围广泛，包括地质、大气、水文、生态、 天文、遥测、地震、环境检测、流行病以及影像处理等[3]。知识世界的空间资料大 多不能为物理及化学机制以简单的公式描述，为解决资料中所隐含的空间不确定因 素，空间统计模型尝试从凌乱的空间资料中，以统计方法挖掘空间变动的规律。同 经典统计分析相比，空间统计研究的空间资料并非独立，而是存在某种空间相关性， 且在不同的空间解析度下呈现不同的相关程度。空间资料是不能重复的。因此，空 间现象的了解与描述极为复杂，传统的统计分析技巧并不适合来分析空间资料。目 前空间统计模型大致可分为三类[4]：地统计学（geostatistics） 、格点空间模型（spatial lattice model） 、空间点分布模型（spatial point pattern） 。 格点空间统计模型用来描述分布与有限(或无穷离散)空间点（区域）上资料的空 间关系，例如，在流行病学中希望以地理区域（如县市、乡镇）为单位的发病个数 资料， 研究病例发生率与地理位置的关系， 主要统计模型是马尔可夫随机域 （markov random field）[5], 马尔可夫随机域为一个条件空间模型，其空间随机变数的联合概 率分布并非直接建构，而是间接地通过一组条件概率建构；这组条件概率描述空间
华中科技大学 硕士学位论文 空间统计在医学中的应用 姓名：程娟 申请学位级别：硕士 专业：概率论与数理统计 指导教师：万建平 20090511
华 中 科 技 大 学 硕 士 学 位 论 文
摘
要
空间统计是继时间序列分析的又一门对一般统计学的推广，空间统计最初是由 地理信息研究发展起来的，同经典统计分析相比，空间统计研究的空间资料并非独 立的，而是存在某种空间相关性，且在不同的空间解析度下呈现不同的相关程度。 空间资料是不能重复的，因此，空间现象的了解与描述极为复杂，传统的统计分析 技巧并不适合来分析空间资料。目前空间统计模型大致可分为三类：地统计学、格 点空间模型、空间点分布模型。本文介绍了地统计学和一些空间数学模型，及其估 计。并采用空间分析手法对案例进行研究，虽然这些案例的模型较为简单，我们的 目的是让大家了解空间分析的方法。 本文首先介绍了地统计学，并探讨了变差函数及其估计，变差函数是地统计学 中较为重要的概念，它可以判断空间数据的异常值（点） ，我们在 SIDS 病例分析中 采用此法来判断异常点。对于数据的分析，我们通常的目的是：一、找到与反应变 量有关的解释变量；二，在此基础上若能建立适当的数学模型，是我们更希望得到 的。鉴于此，在 SARS 病例中，王劲峰采用空间过程因子分析方法（是一般因子分 析方法的推广） ，来寻找与病情有关的空间因子。鉴于在案例分析中要建模，我们介 绍了空间自回归模型及其参数的估计，地理加权回归模型，自泊松模型等。这些模 型与我们常见的回归模型最大的不同之处在于，我们在模型中引进了权重矩阵，这 是空间统计中很重要的因子。 对于空间数据分析，我们首先要判断其是否空间相关，然后才考虑采用空间模 型。 判断空间相关的的方法主要有 Moran’s I 和 Geary’s C 系数法， 但 Moran’s I 运用 更广泛一些，根据空间数据分析软件如 GeoDA 我们可以绘制出 Moran 散点图，并 判断相关因子，这一点本文在案例分析时以给出。 一般而言，病情的爆发总是存在一定的空间属性，因此我们采用空间分析技术 来处理数据，比一般的统计方法要好，因为它保留了空间因素，是数据保留更多的 信息。目前空间统计在许多领域都有应用，如地质、大气、水文、生态、天文、遥
I
华 中 科 技 大 学 硕 士 学 位 论 文
测、地震、环境检测、以及影像处理等，Moore 将空间统计用于脑部信息的解读， 从另一个角度提出了脑科学研究的方法，对于脑学
关键词：空间统计；地统计学；变差函数；空间自回归模型；自泊松过程模型；地
理加权回归模型
II
华 中 科 技 大 学 硕 士 学 位 论 文
Abstract
Spatial statistics is derived from ordinary statistics following the step with time series analysis. It is based on the geographic information system. Comparing with classic statistical analysis, its observations are not independent. Instead, they often depend on space. The spatial information doesn’t replicate, so it’s complex to describe and know clearly about the spatial subjects. In this case, it’s not right to solve the problem with the traditional methods. Nowadays, spatial statistical modes are three types: geostatistics, lattice model and point pattern model. The paper attempts to gives an overview of geostatisics, spatial statistical model and estimation. The paper also gives three examples with spatial analysis methods, the purpose is to introduce the spatial analysis methods. First, we introduce geostatistics, then provide overview of variogram and estimation. It’s known that variogram plays an important role in geostatistics. Usually, we can find the outliers of spatial data with it. For example, Cressie uses this methods in SIDS analysis. Second, as to data analysis, we hope to find the explanatory variables related to response variables, then find an appropriate model based on it. Considering it, Wang jinfeng adapts factor analysis on spatial process when analyzing SARS data in 2003. Third, we introduce auto spatial regression model and estimation, geographical weighted regression and auto poisson model. The biggest difference between these models and traditional models is weighted matrix, which plays an important role in spatial statistics. As to spatial data analysis, firstly we should judge the spatial dependence. To solve the problem, we introduce Moran’s I and Geary’s C coefficients. Usually, we adapt the former one. We can draw a Moran scatter plot, then to analyze the dependent factor with GeoDA (software). We provide an example in this paper. Generally, disease is more or less related to spatial attributes, therefore, it’s better to use spatial analysis than traditional. Because it preserves spatial factors and mines more information of data. So far, spatial statistics is applied in many fields, such as weather, soil, earthquake, image. Recently, Moore adapts this method to do research on brain, it’s meaningful for the development of brain research.