A. 怎麼區別隊列研究和RCT
rct是隨機對照試驗，屬於實驗性研究，隊列研究屬於觀察性研究。隊列研究的分組是固有的，沒有人為干預。
B. 對於R×C表資料的差異性檢驗，其相應的檢驗方法是什麼，如何進行
醫學論文中常用統計分析方法的合理選擇
目前，不少醫學論文中的統計分析存在較多的問題。有報道,經兩位專家審稿認為可以發表的稿件中,其統計學誤用率為90%-95%。為幫助廣大醫務工作者提高統計分析水平，本文將介紹醫學論文中常用統計分析方法的選擇原則及應用過程中的注意事項。 1.t 檢驗
t檢驗是英國統計學家W.S.Gosset 1908年根據t分布原理建立起來的一種假設檢驗方法，常用於計量資料中兩個小樣本均數的比較。理論上，t檢驗的應用條件是要求樣本來自正態分布的總體，兩樣本均數比較時，還要求兩總體方差相等。但在實際工作中，與上述條件略有偏離，只要其分布為單峰且近似正態分布，也可應用[2]。
常用的t檢驗有如下三類：①單個樣本t檢驗：用於推斷樣本均數代表的總體均數和已知總體均數有無顯著性差別。當樣本例數較少（n＜60）且總體標准差未知時，選用t檢驗；反之當樣本例數較多或樣本例數較少、總體標准差已知時，則可選用u檢驗 [3]。②配對樣本t檢驗：適用於配對設計的兩樣本均數的比較，在選用時應注意兩樣本是否為配對設計資料。常用的配對設計資料主要有如下三種情況：兩種同質受試對象分別接受兩種不同的處理；同一受試對象或同一樣本的兩個部分，分別接受不同的處理；同一受試對象處理前後的結果比較。③兩獨立樣本t檢驗：又稱成組t檢驗，適用於完全隨機設計的兩樣本均數的比較。與配對t檢驗不同的是，在進行兩獨立樣本t檢驗之前，還必須對兩組資料進行方差齊性檢驗。若為小樣本且方差齊，則選用t檢驗；反之若方差不齊，則選用校正t檢驗（t』檢驗），或採用數據變換的方法（如取對數、開方、倒數等）使兩組資料具有方差齊性後再進行t檢驗，或採用非參數檢驗[4]。此外，當兩組樣本例數較多（n1、n2均＞50）時，這時應用t檢驗的計算比較繁瑣，可選用u檢驗[5]。 2.方差分析
方差分析適用於兩組以上計量資料均數的比較，其應用條件是各組資料取自正態分布的總體且各組資料具有方差齊性。因此，在應用方差分析之前，同樣和成組t檢驗一樣需要對各組資料進行正態性檢驗、方差齊性檢驗。
常用的方差分析有如下幾類：①完全隨機設計的方差分析：主要用於推斷完全隨機設計的多個樣本均數所代表的總體均數之間有無顯著性差別。完全隨機設計是將觀察對象隨機分為兩組或多組，每組接受一種處理，形成兩個或多個樣本。②隨機區組設計的方差分析：
隨機區組設計首先是將全部受試對象按某種或某些特性分為若干區組，然後區組內的每個研究對象接受不同的處理，通過這種設計，既可以推斷處理因素又可以推斷區組因素是否對試驗效應產生作用。此外，由於這種設計還使每個區組內研究對象的水平盡可能地相近，減少了個體間差異對研究結果的影響，比成組設計更容易檢驗出處理因素間的差別。③析因設計的方差分析：將兩個或兩個以上處理因素的各種濃度水平進行排列組合、交叉分組的試驗設計。它不僅可以檢驗每個因素各水平之間是否有差異，還可以檢驗各因素之間是否有交互作用，同時還可以找到處理因素的各種濃度水平之間的最佳組合。此外，還有正交設計、拉丁方設計等多種方差分析法，實驗者在應用時可以參考相關的統計學著作。
目前，某些醫學論文中有這樣的情況，就是用t 檢驗代替方差分析對實驗數據進行統計學處理，這是不可取的。t 檢驗只適用於推斷兩個小樣本均數之間有無顯著性差別，而採用t 檢驗對多組均數進行兩兩比較，會增加犯I 型錯誤的概率，即可能把本來無差別的兩個總體均數判為有差別，使結論的可信度降低[6]。對多個樣本均數進行比較時，正確的方法是先進行方差分析，若檢驗統計量有顯著性意義時，再進行多個樣本均數的兩兩（多重）比較。
3.卡方檢驗（χ2檢驗）
χ2檢驗是一種用途比較廣泛的假設檢驗方法，但是在醫學論文中常用於分類計數資料的假設檢驗，即用於兩個樣本率、多個樣本率、樣本內部構成情況的比較，樣本率與總體率的比較，某現象的實際分布與其理論分布的比較。但是當樣本滿足正態近似條件時，如樣本例數n與樣本率p滿足條件np與n（1— p）均大於5，則可以計算假設檢驗統計量u值來進行判斷。
常用的χ2
檢驗分為如下幾類：①2×2表χ2
檢驗：適用於兩個樣本率或構成比的比較，在應用時，當整個試驗的樣本例數n≥40且某個理論頻數1≤T＜5時，需對χ2
值進行連續性校正。因為T值太小，會導致χ2
值增大，易出現假陽性結論。此外，若樣本例數n＜40，或有某個T值＜1，此時即使採用校正公式計算的χ2
值也有偏差，需要用2×2表χ2
檢驗的確切概率檢驗法（Fisher確切檢驗法）。②配對資料χ2檢驗：適用於配對設計的兩個樣本率或構成比的比較，即通過單一樣本的數據推斷兩種處理結果有無顯著性差別。在應用時，如果甲處理結果為陽性而乙處理結果為陰性的樣本例數n1與甲處理結果為陰性而乙處理結果為陽性的樣本例數n2之和＜40，需要對計算的χ2
值進行校正。③R×C表χ2
檢驗：適用於多個樣本率或構成比的比較。在R×C表χ2檢驗中，若檢驗統計量有顯著性意義時，還需要對多個樣本率或構成比進行兩兩比較，即分割R×C表，使之成為非獨立的四格表，並對每兩個率之間有無顯著性差別作出結論。
2×2表資料在應用時可分為如下幾種類型：橫斷面研究設計的2×2表資料、隊列研究設計的2×2表資料、病例-對照研究設計的2×2表資料、配對研究設計的2×2表資料。研究者應注意不同類型的2×2表資料的統計分析方法略有差別，比如在分析隊列研究設計的2×2表資料時，如果用χ2公式計算得到P＜0.05，研究者則應再計算相對危險度（RR）並檢驗總體RR與1之間的差異是否具有統計學意義。
此外，在進行R×C表χ2檢驗時，還有如下兩個主要的注意事項：首先，T值最好不要＜5，若有1/5的T值＜5，χ2檢驗結論是不可靠的，解決的辦法有三種：增大樣本量；刪去T值太小的行和列；將T值太小的行或列與性質相近的鄰行或鄰列的實際頻數合並。
其次，不同類型的R×C表資料選擇的統計分析方法是不一樣。①雙向無序的R×C表資料：可以選用一般的χ2公式計算。②單向有序的R×C表資料：如果是原因變數為有序變數的單向有序R×C表資料，可以將其視為雙向無序的R×C表資料而選用一般的χ2檢驗公式計算，但如果是結果變數為有序變數的單向有序R×C表資料，選用的統計分析方法有秩和檢驗、Radit分析和有序變數的logistic回歸分析等。③雙向有序且屬性不同的R×C表資料：對於這類資料採用的統計分析方法不能一概而論，應根據研究者的分析目而合理選擇。如果研究者只關心原因變數與結果變數之間的差異是否具有統計學意義時，此時，原因變數的有序性就顯得無關緊要了，可將其視為結果變數為有序變數的單向有序R×C表資料進行分析。如果研究者希望考察原因變數與結果變數之間是否存在線性相關關系，此時需要選用處理定性資料的相關分析方法如Spearman秩相關分析方法等。如果兩個有序變數之間的相關關系具有統計學意義，研究者希望進一步了解這兩個有序變數之間的線性關系，此時宜選用線性趨勢檢驗。如果研究者希望考察列聯表中各行上的頻數分布是否相同，此時宜選用一般的χ
因此，對於適用參數檢驗的資料，最好還是用參數檢驗。
秩和檢驗是最常用的非參數檢驗，它包括如下幾類：①配對資料的符號秩和檢驗
（Wilcoxon配對法）：是配對設計的非參數檢驗。當n≤25時，可通過秩和檢驗對實驗資料進行分析；當n＞25時，樣本例數超出T界值表的范圍，可按近似正態分布用u檢驗對實驗資料進行分析。②兩樣本比較的秩和檢驗（Wilcoxon Mann-Whitney檢驗）：適用於比較兩樣本分別代表的總體分布位置有無差異。如果樣本甲的例數為n1，樣本乙的例數為n2，且n1＜n2；當n1≤10、n2—n1≤10時，可通過兩樣本比較的秩和檢驗對實驗資料進行分析；當n1、n2超出T界值表的范圍時，同樣可按近似正態分布用u檢驗對實驗資料進行分析。③多個樣本比較的秩和檢驗（Wilcoxon Kruskal-Wallis檢驗）：適用於比較各樣本分別代表的總體的位置有無差別，它相當於單因素方差分析的非參數檢驗，計算方法主要有直接法和頻數表法等。此外，在進行上述3類秩和檢驗（前兩類秩和檢驗實際上已經被u檢驗替代）時，如果相同秩次較多，則需要對計算的檢驗統計量進行校正。
公式計算。④雙向有序且屬性相同的R×C表資料：這類資料實際上就是配對設計2×2表資料的延伸，在分析這類資料時，實驗者的目的主要是研究兩種處理方法檢測結果之間是否具有一致性，因此常用的統計分析方法為一致性檢驗或Kappa檢驗。
4. 非參數檢驗
非參數檢驗可不考慮總體的參數、分布而對總體的分布或分布位置進行檢驗。它通常適用於下述資料[2]：①總體分布為偏態或分布形式未知的計量資料(尤其樣本例數n＜30時)；②等級資料；③個別數據偏大或數據的某一端無確定的數值；④各組離散程度相差懸殊，即各總體方差不齊。該方法具有適應性強等優點，但同時也損失了部分信息，使得檢驗效率降低。即當資料服從正態分布時，選用非參數檢驗法代替參數檢驗法會增大犯Ⅱ類錯誤的概率。
C. 【原創干貨】一文搞清楚病例對照研究和隊列研究！
如果你是初到臨床，首先接觸到的可能不是脫離本科 藍色生死戀 的快感，而是無限循環每天早上的查房交班，開葯，治療等等。
除此之外，你的老闆還可能某天說：「誒，小王，來臨床這么久了，除了臨床工作要做，科研也得跟上啊，院里准備聯合某某醫院開展一個關於**的<u style="box-sizing: border-box;">病例對照研究/隊列研究</u>，我們團隊裡面你去試一下吧。「
話畢，滿臉微笑的應了下來，心裡卻是疑問三連」來多久？什麼研究？我要幹嘛？「 ，這個夜晚又多了一個不眠的少年~~
純屬杜撰，如有雷同請看下文解決方法
病例對照研究，隊列研究是在臨床上常見的兩種研究類型， 但是都屬於觀察性研究 ，是為了用統計學的方法解釋臨床遇見的一些問題，並且做出合理的預防，治療，預後等等。
另外有一種研究就不得不提了，那就是大名鼎鼎的 隨機對照研究(RCT)
該研究可以追溯到1926年珍妮特·萊恩·克萊彭（Janet Lane-Claypon）的乳腺癌研究，那是病例對照研究第一次得到認可。 揭示了低生育率會增加患乳腺癌的風險的發現 ，之後在里程碑似的研究：吸煙與肺癌的關系之後，病例對照研究得到了廣泛的應用。
利弊如下：
關鍵步驟：選擇適當的對照組： 病例和對照都應該來自相同的來源人群。
除此之外還有一些設計方法值得一說：
這個可能是你做病例對照研究繞不開的一個過程，這是國際公認的一個報告規范，它適用於病例對照研究，隊列研究，橫斷面研究。
網址如下： http://www.strobe-statement.org/
步驟如下：
經過以上總結，不知道你get到點了嗎？如果你覺得對你有幫助，右下角的」在看「走一波，碼字不易，謝謝！
參考文獻/網站：
D. 正確選擇相關性分析的統計方法
轉自： https://www.medsci.cn/article/show_article.do?id=55c91839569a
相關性分析主要用於：（1）判斷兩個或多個變數之間的統計學關聯；（2）如果存在關聯，進一步分析關聯強度和方向。
那麼，什麼樣的研究可以進行相關性分析呢？我們在這里列舉了幾個相關性研究的例子供大家參考：
確定要進行相關性分析後，對兩個變數或多個變數進行相關性分析所採取的統計方法是不同的。那麼，怎麼判斷研究變數的數量呢？
我們分別就兩個變數的研究和三個及以上變數的研究進行了舉例，幫助大家理解。同時，我們也對例子中變數數據類型進行了描述（如，連續變數、二分類變數、無序分類變數和有序分類變數）。
確定擬分析變數之間的相關性後，我們需要判斷變數的數據類型。
變數的數據類型主要分為連續變數、二分類變數、無序分類變數和有序分類變數4類。擬分析的變數可以同屬於一個數據類型，也可以分屬不同的數據類型。根據這兩個變數數據類型的不同，應採用的統計分析方法也不同。
連續變數是指對連續的指標測量所得到的數值，比如體重。其特點是等距區間的差異相同，例如體重在50kg-60kg之間的差異與60kg-70kg之間的差異相同。連續變數的示例如下：
有序分類變數可以有兩個或者多個已排序的類別。舉例來說，如果某患者的治療結果是「痊癒」、「好轉」、「不變」或者「惡化」。這就是一個有序分類變數，因為可以對四個類別進行排序。
需要注意的是，雖然我們可以對有序分類變數的類別排序，但還需要判斷這種類別排序是不是等距的。例如，用各年齡段的近似中位數代表年齡類別，即24（18-30）歲、40（31-50）歲、60（51-70）歲、80（70歲以上）歲，可以將年齡視為定距變數。
但將患者的診療結果「痊癒」、「好轉」、「無變化」或者「惡化」就不能認為是等距的，換句話說，不能認為「好轉」是「無變化」的2倍；也不能認為「痊癒」和「好轉」的差異與「不變」和「惡化很滿意」的差異一樣，即有序分類變數各類別之間不是可能是定距、也可能不是定距的，這是與連續變數的根本不同。有序分類變數的示例如下：
患者對醫療效果的滿意程度，用5類測量：1-非常不滿意、2-不滿意、3-一般、4-滿意、5-非常滿意
對疾病的療效：用4類測量：1-痊癒、2-好轉、3-不變、4-變差
BMI指數是一種用於評估體重水平的指標。一般來說，BMI是連續變數（例如BMI為23.7或BMI為34.1），但按以下方式分類時可以視為有序分類變數：體重過輕（BMI小於18.5）、健康/正常體重（BMI在18.5—23.9之間）、超重（BMI在24—27.9之間）和肥胖（BMI大於28）。
二分類變數是只有兩個類別的分類變數。二分類變數的類別之間沒有順序，不能像有序分類變數的類別那樣進行排序。比如，性別變數就是一個二分類變數，可以分為「男性」和「女性」兩個分類。再如，罹患心臟病也是一個二分類變數，分為「是」和「否」兩個分類。
二分類變數類別是互斥的，一個研究對象不能同時分屬於兩個類別，比如一個人不能同時是男性或者女性，也不能同時患有心臟病又沒有心臟病。二分類變數的示例如下：
性別，兩個類別：男性或女性
罹患心臟病，兩個類別：是或否
研究分組，兩個類別：實驗組或對照組
無序分類變數是具有三個及以上類別的分類變數。無序分類變數的類別之間沒有內在順序，也不能像有序分類變數類別那樣進行排序。比如，出行方式是一個典型的無序分類變數，可以分為自行車、自駕、計程車、地鐵或公交5個類別。無序分類變數的類別也是互斥的，一個研究對象不能同時分屬於不同的類別，比如一次出行不能同時坐地鐵又自己開車。無序分類變數的示例如下：
手機品牌，四個類別：蘋果、三星、華為或其他
頭發的顏色，五個類別：棕色、黑色、金色、紅色或者灰色
民族，七個類別：漢族、回族、蒙古族、滿族、維吾爾族、朝鮮族或其他
自變數也稱為預測變數或解釋變數，因變數也稱為應答變數或結局變數。兩者的區分在於，自變數可以影響因變數，因變數的值取決於對應自變數的值。也可以用因果關系來區分自變數和因變數，即自變數的變化導致了因變數的變化（但自變數和因變數之間並不一定真的存在因果關系）。自變數是對因變數的描述，而因變數可以被自變數所解釋。
研究設計也可以幫助我們區分自變數和因變數。舉例來說，我們計劃開展一項研究分析不同劑量葯物的治療效果，治療葯物就是這個研究的自變數，治療效果則是因變數。
比如我們想知道抗感染葯物劑量（1.5 mg / d、4 mg /d或者 8 mg/d）與患者發熱時長的關系，抗感染葯物劑量就是自變數，因為這個劑量的是由研究者干預產生的，且很可能是發熱時長差異的原因；而同時發熱時長就是這項研究的因變數。
橫斷面調查並不區分自變數和因變數。舉例來說，研究者根據問卷調查研究對象的工作效率（1-5類：1代表非常高效、5代表非常低效）和鍛煉情況（1-4類：1代表經常鍛煉、4代表不鍛煉）的關系。
在該研究中，受調查者的工作效率和鍛煉情況並不存在明確的因果關系，因為效率高可能意味著受調查者有更多的鍛煉時間，而反之經常鍛煉可能也會提高工作效率。因此，我們就不區分該研究的自變數和因變數。
本文先說說研究中涉及兩個變數的情況。
Pearson相關用於評估兩個連續變數之間的線性關聯強度。這種統計方法本身不區分自變數和因變數，但如果您根據研究背景已經對變數進行了區分，我們仍可以採用該方法判斷相關性。
Pearson相關不區分自變數和因變數。雖然這不影響我們採用Pearson相關分析兩個連續變數的相關性，但如果還是想通過統計方法區分一下，可以採用線性回歸。
這里還需要判斷有序分類變數是否為定距變數。如果認為擬分析的有序分類變數是定距變數，我們就可以為變數中的類別賦值，然後根據這些數值進行分析（即看作連續變數），比如測量滿意度（從「完全同意」到「完全不同意」5個類別）就是一個定距變數，可以用1-5為各類別賦值，即1 =完全同意、2 =同意、3 =一般、4 =不同意、5 =完全不同意。
對於不能作為定距變數的有序分類變數，比如軍銜的類別（少將、中將、上將、大將等）之間就不是等距的，就不能賦值後對數值進行分析（只能對類別進行分析）。
實際上，將有序分類變數作為連續變數進行分析，這在大多數情況下可能不符合我們的研究目的。對類別進行分析是對有序分類變數相關性分析的常見選擇。但是，如果基於的研究背景，待分析的有序分類變數確實可以作為定距變數處理，也是可以的。
Mantel-Haenszel 趨勢檢驗。該檢驗也被稱為Mantel-Haenszel 卡方檢驗、Mantel-Haenszel 趨勢卡方檢驗。該檢驗根據研究者對有序分類變數類別的賦值，判斷兩個有序分類變數之間的線性趨勢。
Spearman相關又稱Spearman秩相關，用於檢驗至少有一個有序分類變數的關聯強度和方向。
Kendall's tau-b 相關系數是用於檢驗至少有一個有序分類變數關聯強度和方向的非參數分析方法。該檢驗與Spearman相關的應用范圍基本一致，但更適用於存在多種關聯的數據（如列聯表）。
卡方檢驗常用於分析無序分類變數之間的相關性，也可以用於分析二分類變數之間的關系。但是該檢驗只能分析相關的統計學意義，不能反映關聯強度。因此，我們常聯合Cramer's V檢驗提示關聯強度。
Fisher精確檢驗可以用於檢驗任何R C數據之間的相關關系，但最常用於分析2 2數據，即兩個二分類變數之間的相關性。與卡方檢驗只能擬合近似分布不同的是，Fisher精確檢驗可以分析精確分布，更適合分析小樣本數據。但是該檢驗與卡方檢驗一樣，只能分析相關的統計學意義，不能反映關聯強度。
確定進行兩個二分類變數的相關性分析後，我們需要判斷是否區分自變數和因變數。
相對風險是流行病學或前瞻性隊列研究中的常用指標，可以在一定條件下比較兩個比例之間的關系，但其提示的結果是比值而不是差異。
比值比可以計算多類研究的關聯強度，也是很多統計檢驗（如二分類logistic回歸）的常用指標。在相對風險指標不適用的病例對照研究中，比值比仍可以很好地反映結果。
卡方檢驗可用於分析兩個二分類變數之間的關系。但是該檢驗只能分析相關的統計學意義，不能反映關聯強度。因此，該檢驗可以聯合Phi (φ)系數提示關聯強度。
Fisher精確檢驗可以用於檢驗任何R C數據之間的關系，但最常用於分析2 2數據，即兩個二分類變數之間的相關性。與卡方檢驗只能擬合近似分布不同的是，Fisher精確檢驗可以分析數據的精確分布，更適用於小樣本數據。但是該檢驗與卡方檢驗一樣，只能分析相關的統計學意義，不能反映關聯強度。
Point-biserial相關。Point-biserial相關適用於分析二分類變數和連續變數之間的相關性。其實，該檢驗是Pearson相關的一種特殊形式，與Pearson相關的數據假設一致，也可以在SPSS中通過Pearson相關模塊進行計算，我們會在教程中具體介紹。
確定進行二分類變數和有序分類變數的相關性分析後，我們需要判斷是否區分自變數和因變數：
有序Logistic回歸。有序Logistic回歸在本質上並不是為了分析二分類變數和有序分類變數之間的相關性。但我們仍可以用有序logistic回歸及其對應的OR值判斷這兩類變數之間的統計學關聯。
Cochran-Armitage 檢驗。Cochran-Armitage 檢驗又稱Cochran-Armitage 趨勢檢驗，常用於分析有序分類自變數和二分類因變數之間的線性趨勢。該檢驗可以判斷隨著有序分類變數的增加，二分類因變數比例的變化趨勢，是對其線性趨勢的統計學分析。我們將在教程中進一步解釋這一問題。
此問題可以使用Mantel-Haenszel卡方檢驗或Cochran-Armitage趨勢檢驗。Mantel-Haenszel卡方檢驗也稱線性趨勢檢驗（Test for Linear Trend）或定序檢驗（Linear by Linear Test）。
Mantel-Haenszel卡方檢驗和Cochran-Armitage趨勢檢驗的區別是：Mantel-Haenszel卡方檢驗要求一個變數是有序分類變數，另一個變數可以是二分類變數，也可以是有序多分類變數。而Cochran-Armitage趨勢檢驗要求一個變數是有序分類變數，另一個變數是二分類變數。
SPSS不提供Cochran-Armitage趨勢檢驗， Mantel-Haenszel卡方可以得到近似的結果。Cochran-Armitage趨勢檢驗可以在SAS等其它軟體中實現（SAS可以同時提供Cochran-Armitage趨勢檢驗和Mantel-Haenszel卡方檢驗的結果）。
Biserial秩相關：Biserial秩相關可以用於分析二分類變數和有序分類變數之間的相關性。在用二分類變數預測有序分類變數時，該檢驗又稱為Somers' d檢驗。此外，Mann-Whitney U檢驗也可以輸出Biserial秩相關結果。
Spearman相關。沒有適用於分析有序分類變數和連續變數相關性的檢驗方法，我們需要將連續變數視為有序分類變數進行檢驗，即分析兩個有序分類變數之間的關系。在這種情況下，我們可以應用Spearman相關或者其他針對有序分類變數的檢驗方法。
E. 職業流行病學常用的調查方法
職業流行病學調查的主要方法：
1.橫斷面調查：現狀調查，屬於描述流行病學，快速、花費少可以提出新的病因假設（新的職業性有害因素與職業性病損的病因假設），不能得到因果關系，職業病普查和工作有關疾病的調查研究。
注意的問題：
（1）健康工人效應：掩蓋有害因素作用。
（2）時間先後關系不清：因素——疾病。
（3）病程因素：職業病特點，某病程長的疾病可能被高估。
（4）患病資料的解釋謹慎
（5）其他：樣本量、診斷標准一致性等。
2.分析性流行病學調查
（1）病例-對照研究：因素-疾病之間的因果關系。
統一方法、控制偏倚，由果及因，病因可能性判斷，下結論要謹慎；經濟、快速、適用於發病率低的疾病研究。統計學指標：比值比。
（2）隊列研究：
接觸組、對照組，可以推斷因素與疾病有無聯系及關聯程度大小。
指標：發病率、患病率、標化死亡比、相對危險度。