01如何选择合适的统计学方法？
1连续性资料
1.1 两组独立样本比较
1.1.1 资料符合正态分布,且两组方差齐性,直接采用t检验。
1.1.2 资料不符合正态分布，（1）可进行数据转换,如对数转换等,使之服从正态分布,然后对转换后的数据采用t检验；（2）采用非参数检验,如Wilcoxon检验。
1.1.3 资料方差不齐，（1）采用Satterthwate 的t’检验；（2）采用非参数检验,如Wilcoxon检验。
1.2 两组配对样本的比较
1.2.1 两组差值服从正态分布，采用配对t检验。
1.2.2 两组差值不服从正态分布，采用wilcoxon的符号配对秩和检验。
1.3 多组完全随机样本比较
1.3.1资料符合正态分布，且各组方差齐性，直接采用完全随机的方差分析。如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。
1.3.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Kruscal－Wallis法。如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用成组的Wilcoxon检验。
1.4 多组随机区组样本比较
1.4.1资料符合正态分布，且各组方差齐性，直接采用随机区组的方差分析。如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。
1.4.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Fridman检验法。如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用符号配对的Wilcoxon检验。
****需要注意的问题：
（1）一般来说，如果是大样本，比如各组例数大于50，可以不作正态性检验，直接采用t 检验或方差分析。因为统计学上有中心极限定理，假定大样本是服从正态分布的。
（2）当进行多组比较时，最容易犯的错误是仅比较其中的两组，而不顾其他组，这样作容易增大犯假阳性错误的概率。正确的做法应该是，先作总的各组间的比较，如果总的来说差别有统计学意义，然后才能作其中任意两组的比较，这些两两比较有特定的统计方法，如上面提到的LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。**绝不能对其中的两组直接采用t检验，这样即使得出结果也未必正确**
（3）关于常用的设计方法：多组资料尽管最终分析都是采用方差分析，但不同设计会有差
别。常用的设计如完全随即设计，随机区组设计，析因设计，裂区设计，嵌套设计等。2．分类资料
2.1 四格表资料
2.1.1 例数大于40，且所有理论数大于5，则用普通的Pearson 检验。
2.1.2 例数大于40，所有理论数大于1，且至少一个理论数小于5，则用校正的检验或Fisher’s 确切概率法检验。
2.1.3 例数小于40，或有理论数小于2，则用Fisher’s确切概率法检验。
2.2 2×C表或R×2表资料的统计分析
2.2.1 列变量＆行变量均为无序分类变量，则（1）例数大于40，且理论数小于5的格子数目<总格子数目的25％，则用普通的Pearson 检验。（2）例数小于40，或理论数小于5的格子数目>总格子数目的25％，则用Fisher’s确切概率法检验。
2.2.2列变量为效应指标，且为有序多分类变量，行变量为分组变量，用普通的Pearson 检验只说明组间构成比不同，如要说明疗效，则可用行平均分差检验或成组的Wilcoxon秩和检验。
2.2.3 列变量为效应指标，且为二分类变量，行变量为有序多分类变量，则可采用普通的Pearson 检验比较各组之间有无差别，如果总的来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。
2.3 R×C表资料的统计分析
2.2.1 列变量＆行变量均为无序分类变量，则（1）例数大于40，且理论数小于5的格子数目<总格子数目的25％，则用普通的Pearson 检验。（2）例数小于40，或理论数小于5的格子数目>总格子数目的25％，则用Fisher’s确切概率法检验。（3）如果要作相关性分析，可采用Pearson相关系数。
2.2.2列变量为效应指标，且为有序多分类变量，行变量为分组变量，用普通的Pearson 检验只说明组间构成比不同，如要说明疗效或强弱程度的不同，则可用行平均分差检验或成组的Wilcoxon秩和检验或Ridit分析。
2.2.3 列变量为效应指标，且为无序多分类变量，行变量为有序多分类变量，则可采用普通的Pearson 检验比较各组之间有无差别，如果有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。
2.2.4 列变量＆行变量均为有序多分类变量，（1）如要做组间差别分析，则可用行平均分差检验或成组的Wilcoxon秩和检验或Ridit分析。如果总的来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。（2）如果要做两变量之间的相关性，可采用Spearson相关分析。
2.4 配对分类资料的统计分析
2.4.1 四格表配对资料，（1）b＋c>40，则用McNemar配对检验。（2）b＋c<40，则用校正
的配对检验。
2.4.1 C×C资料，（1）配对比较：用McNemar配对检验。（2）一致性检验，用Kappa检验。
在SPSS软件相关分析中,pearson(皮尔逊), kendall（肯德尔）和spearman（斯伯曼/斯皮尔曼）三种相关分析方法有什么异同
两个连续变量间呈线性相关时，使用Pearson积差相关系数，不满足积差相关分析的适用条件时，使用Spearman秩相关系数来描述.
Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析，对原始变量的分布不作要求，属于非参数统计方法，适用范围要广些。对于服从Pearson相关系数的数据亦可计算Spearman相关系数，但统计效能要低一些。Pearson相关系数的计算公式可以完全套用Spearman相关系数计算公式，但公式中的x和y用相应的秩次代替即可。Kendall's tau-b等级相关系数：用于反映分类变量相关性的指标，适用于两个分类变量均为有序分类的情况。对相关的有序变量进行非参数相关检验；取值范围在-1-1之间，此检验适合于正方形表格；
计算积距pearson相关系数，连续性变量才可采用;计算Spearman秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据; 计算Kendall秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据。
计算相关系数：当资料不服从双变量正态分布或总体分布未知，或原始数据用等级表示时，宜用spearman或kendall相关
Pearson 相关复选项积差相关计算连续变量或是等间距测度的变量间的相关分析
Kendall 复选项等级相关计算分类变量间的秩相关，适用于合并等级资料
Spearman 复选项等级相关计算斯皮尔曼相关，适用于连续等级资料
注：
1若非等间距测度的连续变量因为分布不明-可用等级相关/也可用Pearson 相关，对于完全等级离散变量必用等级相关
2当资料不服从双变量正态分布或总体分布型未知或原始数据是用等级表示时,宜用Spearman 或Kendall相关。
3 若不恰当用了Kendall 等级相关分析则可能得出相关系数偏小的结论。则若不恰当使用，可能得相关系数偏小或偏大结论而考察不到不同变量间存在的密切关系。对一般情况默认数据服从正态分布的，故用Pearson分析方法。
在SPSS里进入Correlate－》Bivariate，在变量下面Correlation Coefficients复选框组里有3个选项：
Pearson
Kendall's tau-b
Spearman：Spearman
spearman（斯伯曼/斯皮尔曼）相关系数
斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。它是依据两列成对等级的各对等级数之差来进行计算的，所以又称为“等级差数法”
斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究
Kendall's相关系数
肯德尔(Kendall)W系数又称和谐系数，是表示多列等级变量相关程度的一种方法。适用这种方法的数据资料一般是采用等级评定的方法收集的，即让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物。等级评定法每个评价者对N件事物排出一个等级顺序，最小的等级序数为1 ，最大的为N，若并列等级时，则平分共同应该占据的等级，如，平时所说的两个并列第一名，他们应该占据1，2名，所以它们的等级应是1.5,又如一个第一名，两个并列第二名，三个并列第三名，则它们对应的等级应该是1,2.5,2.5,5,5,5,这里2.5是2,3的平均，5是4,5,6的平均。
肯德尔(Kendall)U系数又称一致性系数，是表示多列等级变量相关程度的一种方法。该方法同样适用于让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物所得的数据资料，只不过评定时采用对偶评定的方法，即每一次评定都要将N个事物两两比较，评定结果如下表所示，表格中空白位（阴影部分可以不管）填入的数据为：若i比j好记1，若i比j差记0，两者相同则记0.5。一共将得到K张这样的表格，将这K张表格重叠起来，对应位置的数据累加起来作为最后进行计算的数据，这些数据记为γij。
正态分布的相关检验
对来自正态总体的两个样本进行均值比较常使用T检验的方法。T检验要求两个被比较的样本来自正态总体。两个样本方差相等与不等时用的计算T值的公式不同。
进行方差齐次性检验使用F检验。对应的零假设是：两组样本方差相等。P值小于0.05说明在该水平上否定原假设，方差不齐；否则两组方差无显著性差异。
U检验时用服从正态分布的检验量去检验总体均值差异情况的方法。在这种情况下总体方差通常是已知的。
虽然T检验法与U检验法所解决的问题大体相同，但在小样本（样本数n）=30作为大样本）且均方差未知的情况下就不能用U检验法了。
均值检验时不同的数据使用不同的统计量
使用MEANS过程求若干组的描述统计量，目的在于比较。因此必须分组求均值。这是与Descriptives过程不同之处。
检验单个变量的均值是否与给定的常数之间存在差异，用One-Sample T Test 单样本T检验过程。
检验两个不相关的样本是否来自来具有相同均值的总体，用Independent-Samples T test 独立样本t检验过程。
如果分组样本不独立，用Paired Sample T test 配对t检验。
如果分组不止两个，应使用One-Way ANOVO一元方差分析（用于检验几个独立的组，是否来自均值相等的总体）过程进行单变量方差分析。
如果试图比较的变量明显不服从正态分布，则应该考虑使用一种非参数检验过程Nonparametric test.
如果用户相比较的变量是分类变量，应该使用Crosstabs功能。
当样本值不能为负值时用右侧单边检验
医学科研中如何用好应用统计学的方法
统计学是一门透过同质事物的变异性、揭示内在事物规律性和实质性的科学，确切地讲，是一门关于客观数据分析的科学，研究数据的收集、整理和分析，包括理论和应用两个方面。医学应用统计学，侧重于实际应用，是在传承和借鉴传统医学统计学“理论·原理·公式·应用”模式基础上，创造性地以“目的·数据库一变量类型一变量间关系”模式为指导的统计学。
它遵循简单实用的原则，力避复杂的数学原理和公式推导，以解决实际问题为导向，以建立统计数据库、分清变量类型为基础，以分析变量与变量间关系为核心阐述统计学分析方法，对于广大医学科研工作者，具有内容简单、思维明确、操作可行、方法实用的特点。因此，学好用好医学应用统计学需要掌握如下一些基本方法。
一、明确研究目的和研究设计
研究目的是研究设计的目标和方向，科学研究的基本要素及其基本原则是科研设计的基础和指南。完整的科研设计包括专业设计和统计设计两部分：专业设计是指课题的实际意义和研究价值，入选对象的诊断标准、纳入标准及排除标准等，决定研究课题的先进性和实用性；统计设计包括选择研究类型与设计方案，确定研究总体、样本量、观察指标、随机化分组或抽样方法，以及数据的质量控制和统计分析方法等，影响课题的可信度和科学价值。
因此，正确的统计学分析一定要建立在明确的研究目的和研究设计的基础之上，那些事先没有研究目的和研究设计，事后找来一堆数据进行统计分析都是不可取的。
在医学论文的撰、编、审、读过程中经常遇到的问题是研究的题目与课题设计、论文内容不符，包括文章的方法解决不了论文的目的、文章的结果说明不了论文的题目、文章的讨论偏离了论文的主题；还有是目的不明确、设计不合理。如题目过小，论文不够字数，而一些无关紧要的变量指标或结果被分析被讨论；又如题目过大，论文的全部内容不足以说明研究的目的，使论文的论点难以立足。
所以，合理明确的论文题目或目的以及研究设计方案是撰、编、审、读者应当关注的首要问题。此外，样本含量是否满足，抽样是否随机，偏倚是否控制等，也是不可忽视的问题。
二、建好分析用的数据库
数据库即存放数据的“仓库”，是指将不同研究对象不同观测指标的观察结果逐一有序记录的二维表格形式。二维表中除第一行属于观察指标外，其余每一行代表一个观察对象的所有观察指标值（即数据）；每一列代表某项观察指标所有观察对象的观察值。严格的数据库数据可以直接应用相关软件进行统计分析。
由于不同软件对文字存在可识别性问题，一般在统计分析时要求数据库的数据值全部用阿拉伯数字表示，必要时可在适当位置附加批注。对于论文作者来讲，统计分析需要借助于统计分析软件计算，而统计分析软件都要有完整、符合要求的数据或数据库，所以建好分析数据库是统计分析的需要。
此外，建好分析数据库还可以理清分析思路。在试验或调查研究中获取的数据有时多而零散，如果不能进行科学的整理汇总，就会显得杂乱无章，理不清头绪，抓不住要点，甚至无所适从，最后可能束之高阁、弃之不用，造成数据的极大浪费。相反，建好数据库，可以使观察对象的研究指标一目了然，使研究思路清晰明确。
因此，建好数据库是正确统计分析的前提和基础，甚至决定了论文分析结果的成败。对于编、审、读者来讲，一般由于篇幅的限制，往往得不到数据库数据，而只有作者在数据库数据基础上经统计描述计算后给出的诸如各指标均数 x、标准差s 或中位数M、百分位数Px 的“二手”数据，或将研究对象的某一指标按其数值大小或特征属性分组，清点各组观察单位出现的个数或频数的频数表数据等。
无论是否能够得到数据库数据，作者在统计分析过程中一定依据数据库数据进行计算，得出结果。如果对“二手”数据或频数表数据的结果等存在疑惑，编辑、审稿专家或读者有权要求作者提供数据库数据以检查其完整性、准确性和真实性，确保研究数据的质量。假若在投稿须知中对数据库数据作出必要的要求，无疑对于保证刊物的发表质量有着积极的意义。
三、分清楚指标（或变量）的性质和类型
指标，即观察指标，是由研究目的确定的观察对象的内在属性特征或其相关的影响因素。例如，需要研究本体感觉训练对脑卒中偏瘫患者运动功能（本体感觉、平衡功能）的影响，那么本体感觉、平衡功能反映了脑卒中偏瘫患者运动功能的特征，分别称为研究的本体感觉指标、平衡功能指标，影响本体感觉和平衡功能的有关因素，比如年龄、性别、病种、病程等，称为研究的年龄指标、性别指标、病种指标和病程指标。
变量即观察变量，也称变化的量，实际上就是观察指标，一般特指用于数学、统计或软件计算的分析指标。例如，脑卒中偏瘫患者运动功能的本体感觉、平衡功能指标，在统计计算时，分别称为本体感觉变量和平衡功能变量。
按变量是否影响其它变量或是否受到其它变量的影响有影响变量和结果变量之分。影响变量，也称自变量，是指自身变化并影响结果变量变化的量；结果变量，又称因变量，是指随影响变量变化而变化的量，看作是影响变量变化的结果。
如果分析康复训练对冠心病患者有氧运动功能的影响，那么康复训练可看作是影响变量，有氧运动功能则为结果变量；如果分析不同性别之间冠心病患者有氧运动功能是否存在统计学
差异，那么性别是影响变量，有氧运动功能是结果变量。分清楚变量的性质，即什么是结果变量、什么是影响变量，是选择统计分析方法的第一步。
一般而言，那些相对固有的、不易改变的特征（如性别、籍贯等）或易于被人控制的处理因素（如实验分组、疫苗接种与否等）作为影响变量或影响因素；而那些容易变化、较难确定的观察效应或结局（如疗效、患病与否等）作为结果变量，看成是最后观察的结果。但影响变量和结果变量的划分是相对的，视研究目的和具体情况而定，有时甚至不加区分。
从数据库、数据分析的角度来看，变量是指那些能反映数据库数据的内在数量关系，可用于统计计算包括软件计算的指标。一般而言，不同的研究目的决定了不同的数据库，实际上决定了组成数据库的不同变量。变量的类型分为数值变量和分类变量。
数值变量，又称定量变量，是指能用定量方法测定的、具有数值大小、高低或多少的指标，变量值一般有度量衡单位，可以带小数点，如身高、体重、血压等；分类变量，又称定性变量，是指能用定性的方法确定的、观察单位某项属性或特征分类的指标。根据分类变量的分类项数和各项数间有无等级程度差异分为二项分类变量、多项无序分类变量、多项有序分类变量，如表1。
表1 分类变量的不同类别与举例
从应用统计学选择统计分析方法的角度考虑，变量可考虑分为数值变量、多项有序分类变量、多项无序分类变量、二项分类变量四种。此外，不同类别变量可遵循下列顺序转化：数值变量一多项有序分类变量一多项无序分类变量一- 项分类变量，称为降级转化，但这种转化过程会不断丧失蕴藏的数据信息，导致统计分析过程中假阴性结果的不断增加。
至于逆向转化即升级转化，尽管理论上认同，但实际应用中不建议采用。
很多研究表明，掌握好统计分析的应用条件，正确选择统计分析方法是学习并应用统计学的一个突出难点。
对于医学论文作者而言，分清楚数据库中变量的性质（影响变量与结果变量）、类型（数值变量、多项有序分类变量、多项无序分类变量、二项分类变量）以及它们之间的降级转化关系（数值变量一多项有序分类变量一多项无序分类变量一二项分类变量）是学好用好应用统计分析的基础，可以有效避免张冠李戴、缺乏原则地选错统计分析方法；对于文章的编审和读者来说，这是判断作者正确选择统计学分析方法与否的一个简单有效的途径。
四、正确选用统计学方法
应用统计学（严格而言是指统计学的假设检验）可以简单地看作是一门关于结果变量与影响变量之间关系分析的科学。
由于结果变量（因变量）、影响变量（自变量）各有4 种类型，所以相互组合有16 种情形，相对应的有16 种首选的统计分析方法（表2 中第一个或用☆表示的方法），如，二项分类变量与二项分类变量关系的分析选用两个率比较的X2 检验（四格表X2 检验），二项分类变量与多项无序分类变量关系的分析选用多个率比较的X2 检验，多项无序分类变量与二项分类变量关系的分析选用两个构成比比较的X2 检验，多项无序分类变量与多项无序分类变量关系的分析选用多个构成比比较的x2 检验.
数值变量与二项分类变量关系的分析选用t- 检验，数值变量与多项无序分类变量关系的分析选用完全随机设计的，F- 检验，数值变量与数值变量关系的分析选用Pearson 直线相关回归分析，等等。如果首选统计方法的条件不适合，一般通过降级转化选择“低”一级或“低”二级、三级的统计方法或其它统计方法。
如，t 一检验是数值变量与二项分类变量关系分析时首选的统计方法，如果该方法的条件不适合，此时将- 检验中数值变量“降级”当作多项有序分类变量看待，故可次选Wilcoxon 秩和检验，如果再“降级”，依次低选两构成比比较的x2 检验，甚至四格表X2 检验。
又如，如果Pearson 直线相关回归分析的条件不符合，可根据情况将其中的一个或两个数值变量“降一级”，选择Spearman 等级相关，如果再“降级”，相应可以选择秩和检验、Logistic 回归或者t 一检验、X2 检验，等等。其它仿此，详见表2。它涵盖了基本统计分析的绝大部分，是应用统计分析的核心内容。
当然，应用统计分析除了单一变量分析、两变量间关系的分析以外，其它诸如一个自变量和多个因变量、多个自变量和多个因变量之间关系的分析当属多变量关系分析的内容。
由于分类变量与数值变量各不相同，不同个数不同变量的组合方式多种多样，所以相应的统计方法也有很多种，主要有：1 个数值变量与多个数值变量之间的关系，如多元相关回归分析；1 个分类变量与多个数值变量之间的关系，如多因素方差分析、重复设计方差分析；l 个数值变量与混合多个变量之间的关系，如协方差分析、COx 模型;l 个分类变量与混合多变量之间的关系，如Logistic 回归分析；多个数值变量与多个数值变量之间的关系，如典则相关等。
表2 两变量关系分析的统计方法
因此，医学论文的作者，在分清楚数据库中分析变量的性质、类型和降级转化关系时，可以应用表2 迅速确定首选的统计方法以及备选或次选的统计方法，应用相关软件或计算工具快速实现统计分析。医学论文的编审和读者也可应用该表2，准确判断作者是否正确选择了统计学分析方法，甚至分析错误选择统计方法的原因与后果。
如，欲评价某种药物的降舒张压效果，试验组用该降压药、对照组不用药，假如测量的舒张压值符合t 检验的条件（正态分布、方差齐等），很明显该数据首选 f 检验的统计方法。如果降级转化可以选择Wilcoxon 秩和检验，如果降压效果转化为有效和无效两种情况，甚至可以选择四格表X2 检验。
但需要注意的是，如此降级选择统计方法，可能出现假阴性或漏诊错误，即把差异有统计学意义的结果（有降压效果）当作差异无统计学意义的结果（无降压效果）看待，从而低估药物的作用，在论文讨论中至少要加以必要的说明，否则统计方法不能视为正确有效，可作为退修或退稿处理。
五、熟悉常用的统计分析软件
统计分析软件是统计分析的必备工具，常用的统计分析软件有：统计分析系统SAS、社会学统计程序包SPSS、微软公司电子表格系统Microsoft Office Excel 等。
SAS(statistics analysis system) 是统计分析系统的英文缩称，最早由北卡罗来纳大学的两位生物统计学研究生编制，1976 年由SAS 软件研究所正式推出。SAS 完全针对专业用户进行设计，以编程为主。
其最大特点是分析模块调用，功能强大，深浅皆宜，简短编程即可同时对多个数据文件进行分析。但对一般用户而言，人机界面不太友好，最初编写使用程序时可能会存在各种难度。SPSS(statistical package for the social science) 是社会学统计程序包的英文缩称，20 世纪60 年代末由美国斯坦福大学的 3 位研究生研制，1975 年由芝加哥sPss 总部推出。sPss 系统的最大特点是菜单操作，方法齐全，绘制图形、表格较为方便，输出结果比较直观。但其统计分析功能略显逊色，特别是难以同时分析处理多个数据文件。
Microsoft Office Excel 是美国微软公司开发的电子表格系统，是目前应用最为广泛的办公室表格处理软件之一。Excel 作为Office 软件的一员被众多用户所熟知，具有数据处理、函数运算、数据库、图表制作等功能，进行统计分析时具有易得，快速、直观、简单、运算可视等优点，是建立数据库，并进行常用统计分析的好工具。
其中，SAS、sPss 是国际通用的统计分析计算软件。即便如此，不同软件仍各有利弊、互有长短，用户可根据需求和使用习惯，选择一种或几种软件进行数据分析。特别一提的是Microsoft Office Excel．由于其独特的优势，统计计算功能也逐渐得到开发应用，如Excel 统计分析程序等，必将得到广大科技论文作者、编审和读者认可与使用。
本文作者：陈青山孟晶杨剑周亚敏刘晓玲
本文出自：《中国物理医学与康复杂志》2014 年6 月第36 卷第6 期P483~485 选择统计方法一般可遵循以下步骤：研究目的→变量个数→设计类型→资料类型→样本个数→分析目的→分析方法→运算方法→形成报告。
计量资料应考虑以下两点：资料是否满足参数检验的应用条件；判定计量资料属于何种设计类型常用的统计指标及方法有：均数、几何均数、中位数标准差、方差、均数的标准误t检验、U检验、方差分析、T检验、多元方差分析、秩和检验、直线相关与回归分析、等级相关、曲线相关、多元线性相关与回归分析等。
在交代定量资料统计分析方法之前，一定要加上实验设计的名称，例如，采用成组设计定量资料的Wilcoxon秩和检验；采用单因素多水平设计定量资料的Kruskal-Wallis秩和检验；采用随机区组设计定量资料的Friedman秩和检验；采用成组设计定量资料的t检验；采用单因素多水平设计定量资料的方差分析；采用三因素析因设计定量资料的方差分析；采用具有一个重复测量的两因素设计定量资料的方差分析。当需要对多因素设计中的某个因素各水平下的平均值进行两两比较时，若因素之间的交互作用项具有统计学意义，不应简单地采用单因素多水平设计定量资料的q检验法LSD检验法或Dunnett检验法，而应建立在相应设计定量资料的方差分析基础之上。
计数资料应先分类汇总，清点观察单位数，编制分类资料的频数表，常用的统计指标及方法有：率、构成比、相对比、率的标准误、率的标准化法、率的卡方检验、一般检验、配对检验、拟合优度检验等一致性分析(Kappa值)。计数资料的统计方法主要针对四格表和RC表利用卡方检验进行分析。卡方检验的应用条件：成组四格表的卡方检验要求样本含量40，且理论频数不小于5；成组四格表的校正卡方检验要求样本含量40，但理论频数大于1且小于5；Fisher 确切概率法要求样本含量40，或理论频数小于1。
等级资料应先按等级顺序分类清点观察单位数，编制等级资料的频数表，常用的统计指标及方法有：率、构成比、秩和检验、等级相关等。等级资料中，组间构成比的比较用行、列表卡方检验，对于组间率的比较宜采用非参数秩和检验，并注意秩和检验校正值的计
算，对于两组等级资料比较，通常采用Wilcoxon秩和检验，而多组等级资料的比较采用KruskalWallis秩和检验。
在科技论文方法中要求给出分析所采用的统计方法(t检验F检验和x2等)，结果中要给出P值(现在提倡给出精确的P值大小)，以及根据样本信息计算的统计量值(t值F值和x2
值等)，然后根据统计量值判定P值大小，对于P值的解释一定要结合专业知识，并且用两均数(率)之差的可信区间反映出实际差别的大小。
定义 假设检验就是用来判断样本与样本,样本与总体的差异就是由抽样误差引起还就是本质差别造成的统计推断方法。其基本原理就是先对总体的特征作出某种假设,然后通过抽样研究的统计推理,对此假设应该被拒绝还就是接受作出推断。 基本原理 (1)先假设总体某项假设成立,计算其会导致什么结果产生。若导致不合理现象产生,则拒绝原先的假设。若并不导致不合理的现象产生,则不能拒绝原先假设,从而接受原先假设。 (2)它又不同于一般的反证法。所谓不合理现象产生,并非指形式逻辑上的绝对矛盾,而就是基于小概率原理:概率很小的事件在一次试验中几乎就是不可能发生的,若发生了,就就是不合理的。至于怎样才算就是“小概率”呢？通常可将概率不超过0、05的事件称为“小概率事件”,也可视具体情形而取0、1或0、01等。在假设检验中常记这个概率为α,称为显著性水平。而把原先设定的假设成为原假设,记作H0。把与H0相反的假设称为备择假设,它就是原假设被拒绝时而应接受的假设,记作H1。 假设的形式 H0——原假设, H1——备择假设 双侧检验:H0:μ = μ0 , 单侧检验: ,H1:μ < μ0 或, H1:μ > μ0假设检验就就是根据样本观察结果对原假设(H0)进行检验,接受H0,就否定H1;拒绝H0,就接受H1。 假设检验的种类 下面介绍几种常见的假设检验 1、T检验 亦称student t检验(Student's t test),主要用于样本含量较小(例如n<30),总体标准差σ未知的正态分布资料。 目的:比较样本均数所代表的未知总体均数μ与已知总体均数μ0。 计算公式:统计量: 自由度:v=n - 1 适用条件: (1) 已知一个总体均数; (2) 可得到一个样本均数及该样本标准误; (3) 样本来自正态或近似正态总体。 T检验的步骤 1、建立虚无假设H0:μ1= μ2,即先假定两个总体平均数之间没有显著差异; 2、计算统计量T值,对于不同类型的问题选用不同的统计量计算方法; 1)如果要评断一个总体中的小样本平均数与总体平均值之间的差异程度,其统计量T值
选择合适的统计学方法 1连续性资料 1.1 两组独立样本比较 1.1.1 资料符合正态分布,且两组方差齐性,直接采用t检验。 1.1.2 资料不符合正态分布，（1）可进行数据转换,如对数转换等,使之服从正态分布,然后对转换后的数据采用t检验；（2）采用非参数检验,如Wilcoxon检验。 1.1.3 资料方差不齐，（1）采用Satterthwate 的t’检验；（2）采用非参数检验,如Wilcoxon检验。 1.2 两组配对样本的比较 1.2.1 两组差值服从正态分布，采用配对t检验。 1.2.2 两组差值不服从正态分布，采用wilcoxon的符号配对秩和检验。 1.3 多组完全随机样本比较 1.3.1资料符合正态分布，且各组方差齐性，直接采用完全随机的方差分析。如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。 1.3.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Kruscal－Wallis法。如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用成组的Wilcoxon检验。 1.4 多组随机区组样本比较 1.4.1资料符合正态分布，且各组方差齐性，直接采用随机区组的方差分析。如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。 1.4.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Fridman检验法。如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用符号配对的Wilcoxon检验。 ****需要注意的问题： （1）一般来说，如果是大样本，比如各组例数大于50，可以不作正态性检验，直接采用t 检验或方差分析。因为统计学上有中心极限定理，假定大样本是服从正态分布的。 （2）当进行多组比较时，最容易犯的错误是仅比较其中的两组，而不顾其他组，这样作容易增大犯假阳性错误的概率。正确的做法应该是，先作总的各组间的比较，如果总的来说差别有统计学意义，然后才能作其中任意两组的比较，这些两两比较有特定的统计方法，如上面提到的LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。**绝不能对其中的两
医学统计学检验方法(转) 医学论文中统计方法的正确应用 医用统计方法是医学科研和论文撰写的一个基本工具，但是不少医学科研及临床工作者对统计方法的正确应用缺乏足够的知识，在实际应用过程中常常出现一些不妥用法甚至误用现象。正确使用统计方法，能使研究结果具有科学性和说服力;反之，如果使用不当，不仅不能准确地反映科研结果，而且可能带来错误的结论。 1、所选统计方法脱离了资料的性质不同的资料类型和不同的研究目的采用不同的统计方法。按照资料的性质测定指标的多少，确定资料是计数资料还是计量资料，应用单因素分析还是多因素分析。 1.1 多因素资料是对每个研究对象测量的多个指标同时进行的综合分析，其分析计算过程相对复杂。常用的有回归分析;相关分析以及判别分析、聚类分析、主成分分析和因子分析等。多因素分析多用于计量资料。 1.2 单因素分析应用较多，按获取资料的方法，分计数资料和计量资料。首先，计数资料主要是针对要求某现象的频率和比例，利用率或比的相应计算方法。如做不同样本间的比较则采用计数资料的显著性检验，样本率与总体率的比较用u 检验;两个样本率的比较可用u 检验或四格表的x 检验，多个样本率的比较可用行乘列的卡方检验或2XC 表的卡方检验。其次，计量资料要结合研究目的确定相应的统计方法。对于显著性检验通常有T 检验和F 检验，T 检验是用于两个均数问的比较，按研究设计与比较内容的不同又分为样本均数和总体均数的比较，两个样本均数差别的检验，配对资料的显著性检验。F 检验用于多个样本均数的比较，按设计类型分完全随机设计的方差分析、随机区组设计的方差分析和组内分组资料的方差分析。 2、根据研究目的选用统计分析方法不同的统计方法说明不同的问题，同样不同的问题要应用不同的统计方法来分析和表达。研究者在做统计分析前，首先要明确资料分析的目的、意图是什么，通过分析最终达到什么样的期望，临床工作者科研通常的目的主要有: 2.1 某现象发生的频率或比例如人群中重复癌的发生率，采用频率指标，构成指标或相对比，可计算发病、患病、感染、阳性频率或构成等。
医学统计学分析基本思路指南 医学统计学的学习一定要以理解为主。对于初学者，不必强记一大堆的公式，也不要死钻牛角尖，非要弄明白为什么这种方法叫“t检验”、“F检验”，为什么这个残差叫做“学生化残差”等等。这些都是历史遗留问题，感兴趣的读者可以查阅统计学史。对于只想应用的人来讲，你只要了解在什么情况下应该用什么方法，什么指标应该用于什么情形。尽管多数统计教材都说了数据分析应该先做假设检验，然后选定统计量，然后怎么怎么。但实际中我们拿到一堆数据的时候，不会坐在桌上先列出零假设和备择假设，也不会满座子地计算统计量。 更实际的分析思路是: （1）先确定研究目的，根据研究目的选择方法。不同研究目的采用的统计方法不同，常见的研究目的主要有三类：一是差异性研究，即比较组间均数、率等的差异，可用的方法有t检验、方差分析、χ2检验、非参数检验等。二是相关性分析，即分析两个或多个变量之间的关系，可用的方法有相关分析。三是影响性分析，即分析某一结局发生的影响因素，可用的方法有线性回归、logistic回归、Cox回归等。 （2）明确数据您身边的论文好秘书：您的原始资料与构思,我按您的意思整理成优秀论文论著,并安排出版发表，扣1550116010 、766085044自信我会是您人生路上不可或缺的论文好秘书类型，根据数据类型进一步确定方法。不同数据类型采用的统计方法也不同。定量资料可用的方法有t检验、方差分析、非参数检验、线性相关、线性回归等。分类资料可用的方法有χ2检验、对数线性模型、logistic回归等。图1.6简要列出了不同研究目的、不同数据类型常用的统计分析方法。 （3）选定统计方法后，需要利用统计软件具体实现统计分析过程。SAS中，不同的统计方法对应不同的命令，只要方法选定，便可通过对应的命令辅之以相应的选项实现统计结果的输出。 （4）统计结果的输出并非数据分析的完成。一般统计软件都会输出很多结果，需要从中选择自己需要的部分，并做出统计学结论。但统计学结论不同于专业结论，最终还需要结合实际做出合理专业结论。下面是本人简单总结的常用方法的选择，可供读者参考。
医学统计学检验方法（转） 医学论文中统计方法的正确应用 医用统计方法是医学科研和论文撰写的一个基本工具，但是不少医学科研及临床工作者对统计方法的正确应用缺乏足够的知识，在实际应用过程中常常出现 一些不妥用法甚至误用现象。正确使用统计方法，能使研究结果具有科学性和说服力;反之，如果使用不当，不仅不能准确地反映科研结果，而且可能带来错误的结论。 1、所选统计方法脱离了资料的性质不同的资料类型和不同的研究目的采用不同的统计方法。按照资料的性质测定指标的多少，确定资料是计数资料还是计量资料，应用单因素分析还是多因素分析。 1.1多因素资料是对每个研究对象测量的多个指标同时进行的综合分析，其分析计算过程相对复杂。常用的有回归分析；相关分析以及判别分析、聚类分析、 主成分分析和因子分析等。多因素分析多用于计量资料。 1.2单因素分析应用较多，按获取资料的方法，分计数资料和计量资料。首 先，计数资料主要是针对要求某现象的频率和比例，利用率或比的相应计算方法。如做不同样本间的比较则采用计数资料的显著性检验，样本率与总体率的比较用 u检验;两个样本率的比较可用u检验或四格表的x检验，多个样本率的比较可用行乘列的卡方检验或2XC表的卡方检验。其次，计量资料要结合研究目的确定相应的统计方法。对于显著性检验通常有T检验和F检验，T检验是用于两个均数问的比较，按研究设计与比较内容的不同又分为样本均数和总体均数的比较，两个样本均数差别的检验，配对资料的显著性检验。F检验用于多个样本均数的比较，按设计类型分完全随机设计的方差分析、随机区组设计的方差分析和组内分组资料的方差分析。 2、根据研究目的选用统计分析方法不同的统计方法说明不同的问题，同样不同的问题要应用不同的统计方法来分析和表达。研究者在做统计分析前，首先要明确资料分析的目的、意图是什么，通过分析最终达到什么样的期望，临床工作者科研通常的目的主要有： 2.1某现象发生的频率或比例如人群中重复癌的发生率，采用频率指标，构成指标或相对比，可计算发病、患病、感染、阳性频率或构成等。
统计中经常会用到各种检验，如何知道何时用什么检验呢，根据结合自己的工 作来说一说： t检验有单样本t检验，配对t检验和两样本t检验。单样本t检验：是用样本均数代表的未知总体均数和已知总体均数进行比较，来观察此组样本与总体的差异性。配对t检验：是采用配对设计方法观察以下几种情形，1，两个同质受试对 象分别接受两种不同的处理；2,同一受试对象接受两种不同的处理；3，同一受 试对象处理前后。 u检验：t检验和就是统计量为t,u的假设检验，两者均是常见的假设检验方法。当样本含量n较大时，样本均数符合正态分布，故可用u检验进行分析。当样 本含量n小时，若观察值x符合正态分布，则用t检验（因此时样本均数符合t 分布），当x为未知分布时应采用秩和检验。F检验又叫方差齐性检验。在两样本t检验中要用到F检验。从两研究总体中随机抽取样本，要对这两个样本进行比较的时候，首先要判断两总体方差是否相同，即方差齐性。若两总体方差相等，则直接用t检验，若不等，可采用t'检验或变量变换或秩和检验等方法。其中要判断两总体方差是否相等，就可以用F检验。 简单的说就是检验两个样本的方差是否有显著性差异这是选择何种T检验（等方差双样本检验，异方差双样本检验）的前提条件。 在t检验中，如果是比较大于小于之类的就用单侧检验，等于之类的问题就用双侧检验。 卡方检验 是对两个或两个以上率（构成比）进行比较的统计方法，在临床和医学实验中应用十分广泛，特别是临床科研中许多资料是记数资料，就需要用到卡方检验。 方差分析 用方差分析比较多个样本均数,可有效地控制第一类错误。方差分析(analysis of variance,ANOVA)由英国统计学家，以F命名其统计量，故方差分析又称F检验。其目的是推断两组或多组资料的总体均数是否相同，检验两个或多个样本均数的差异是否有统计学意义。我们要学习的主要内容包括 单因素方差分析即完全随机设计或成组设计的方差分析（one-way ANOVA）： 用途：用于完全随机设计的多个样本均数间的比较，其统计推断是推断各样本所代表的各总体均数是否相等。完全随机设计（completely random design）不考虑个体差异的影响，仅涉及一个处理因素，但可以有两个或多个水平，所以亦称单因素实验设计。在实验研究中按随机化原则将受试对象随机分配到一个处理因素的多个水平中去，然后观察各组的试验效应；在观察研究（调查）中按某个研究因素的不同水平分组，比较该因素的效应。 两因素方差分析即配伍组设计的方差分析（two-way ANOVA）： 用途：用于随机区组设计的多个样本均数比较，其统计推断是推断各样本所代表的各总体均数是否相等。随机区组设计考虑了个体差异的影响，可分析处理因素和个体差异对实验效应的影响，所以又称两因素实验设计，比完全随机设计的检验效率高。该设计是将受试对象先按配比条件配成配伍组（如动物实验时，可按同窝别、同性别、体重相近进行配伍），每个配伍组有三个或三个以上受试对象，再按随机化原则分别将各配伍组中的受试对象分配到各个处理组。值得注意的是，同一受试对象不同时间（或部位）重复多次测量所得到的资料称为重复测量数据
统计分析方法总结 分享 胡斌 00:06分享，并说：统计 1.连续性资料 1.1 两组独立样本比较 1.1.1 资料符合正态分布,且两组方差齐性,直接采用t检验。 1.1.2 资料不符合正态分布，（1）可进行数据转换,如对数转换等,使之服从正态分布,然后对转换后的数据采用t检验；（2）采用非参数检验,如Wilcoxon检验。 1.1.3 资料方差不齐，（1）采用Satterthwate 的t’检验；（2）采用非参数检验,如Wilcoxon检验。 1.2 两组配对样本的比较 1.2.1 两组差值服从正态分布，采用配对t检验。 1.2.2 两组差值不服从正态分布，采用wilcoxon的符号配对秩和检验。 1.3 多组完全随机样本比较 1.3.1资料符合正态分布，且各组方差齐性，直接采用完全随机的方差分析。如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。 1.3.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Kruscal－Wallis法。如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用成组的Wilcoxon检验。 1.4 多组随机区组样本比较 1.4.1资料符合正态分布，且各组方差齐性，直接采用随机区组的方差分析。如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。 1.4.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Fridman检验法。如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni 法校正P值，然后用符号配对的Wilcoxon检验。 ****需要注意的问题： （1）一般来说，如果是大样本，比如各组例数大于50，可以不作正态性检验，直接采用t检验或方差分析。因为统计学上有中心极限定理，假定大样本是服从正态分布的。 （2）当进行多组比较时，最容易犯的错误是仅比较其中的两组，而不顾其他组，这样作容易增大犯假阳性错误的概率。正确的做法应该是，先作总的各组间的比较，如果总的来说差别有统计学意义，然后才能作其中任意两组的比较，这些两两比较有特定的统计方法，如上面提到的LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。**绝不能对其中的两组直接采用t检验，这样即使得出结果也未必正确** （3）关于常用的设计方法：多组资料尽管最终分析都是采用方差分析，但不同设计会有差别。常用的设计如完全随即设计，随机区组设计，析因设计，裂区设计，嵌套设计等。 2．分类资料
成绩统计流程图 成绩统计流程图 1.新建一张工作表，在表格中输入相应的数据，如学科、姓名、学号，学生成绩等，如下图;我们输入24个学生的成绩作为演示。下面的数据是我们最原始收集到的数据，我们现在就对这些数据进行处理。 2.在每个学科后面插入一列，在表头中输入学科排名，如语文课后面这一列输入语文排名在最后两列分别输入总分和总分排名;如下图所示; 3.在表格后面输入统计指标，如平均分，最高分，最低分，及格率，优秀率;我们计算时就可以计算出相应科目的指标。如下图所示; 4.我们一般喜欢把总分第一名的学生排到第一，所示，我们先求出学科的总分来。在O2单元格中输入公式=SUM(C2+E2+G2+I2+K2+M2)，如下图，通过自动填充功能完成其他学生的总分计算。 5.对总分进行排序，我们把光标移动到总分列，点击数据- 排序，主要关键字我们选择总分，按降序的方式进行排序，如下图所示;设置好后点击确定; 6.这一步我们就可以来求学生的总分排名了，大家注意这一步不要用自动填充功能给总分编序号，因为可能会出现分数相同的情况，我们用公式来编写，如果出现分数相同，那么排名也将相同，名次自动往后推。我们在P2中输入公式=RANK(O2,$O$2:$O$25)，大家一定要用上$ 符号引用，不然排名将会出错;自动完成数据填充。如下图 7.学会了上面这一步，我们对学科单科排名也就简单了，我们分别在D2,F2,H2,J2,L2,N2,中输入公式=RANK(C2,$C$2:$C$25)，=RANK(E2,$E$2:$E$25),=RANK(G2,$G$2:$G$25),=RANK(I2,$I
$2:$I$25),=RANK(K2,$K$2:$K$25),=RANK(M2,$M$2:$M$25),可以求出第一条记录在所有记录中的排名。如下图; 8.我们用自动填充功能，完成所有单科成绩的排名，如下图，可以看出，分数相同的学生的排名也是相同。 9.下面我们来求学生的平均分，在c27单元格中输入=A VERAGE(C2:C25)，如下图，我们用自动填充功能完成其它学科平均分的计算。 10.用同样的方法，使用MAX()计算最高分，MIN()计算最低分;countif()计算及格人数，这个函数的具体用法请大家百度找一下，这里只告诉大家用这个函数实现，我们在公式栏输入=COUNTIF(C2:C25, =60 )，在优秀人数中我们改为=COUNTIF(C2:C25, =90 )，之后用自动填充功能完成其它单元格的填充。 11.现在我们来计算及格率和优秀率，及格率(优秀率)=及格人数(优秀人数)/总人数，我们刚才计算的及格人数在C32单元格，学生总数为24，所以在公式中输入=C30/24，同理，在优秀率中输入=C32/24。自动完成后面学科的计算。 12.选择中c31:m31和c33:m33,设置数据以%显示;如图所示。接着我们删除排名列中的统计指标。因为这些数据是复制过来的，我们根本不需要它。 13.一张统计分析表格基本就制作完成了，我们只需要对表格进行一定的美化处理就可以了。 成绩一般却圆梦美国排名11WUSTL物理专University in
统计方法的选择 一、两组或多组计量资料的比较 1.两组资料： 1)大样本资料或服从正态分布的小样本资料 (1)若方差齐性，则作成组t检验 (2)若方差不齐，则作t’检验或用成组的Wilcoxon秩和检验 2)小样本偏态分布资料，则用成组的Wilcoxon秩和检验2.多组资料： 1)若大样本资料或服从正态分布，并且方差齐性，则作 完全随机的方差分析。如果方差分析的统计检验为有统 计学意义，则进一步作统计分析：选择合适的方法 （如：LSD检验，Bonferroni检验等）进行两两比较。 2)如果小样本的偏态分布资料或方差不齐，则作 Kruskal Wallis的统计检验。如果Kruskal Wallis的统计检验为有统计学意义，则进一步作统计分析：选择合适 的方法（如：用成组的Wilcoxon秩和检验，但用Bonferroni方法校正P值等）进行两两比较。 二、分类资料的统计分析 1.单样本资料与总体比较 1)二分类资料： (1)小样本时：用二项分布进行确切概率法检验；
(2)大样本时：用U检验。 2)多分类资料：用Pearson c2检验（又称拟合优度检验）。 2. 四格表资料 1)n>40并且所以理论数大于5，则用Pearson c2 2)n>40并且所以理论数大于1并且至少存在一个理论数<5，则用校正 c2或用Fisher’s 确切概率法检验 3)n￡40或存在理论数<1，则用Fisher’s 检验 3. 2×C表资料的统计分析 1)列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则行评分的CMH c2或成组的Wilcoxon秩和检验 2)列变量为效应指标并且为二分类，列变量为有序多分类变量，则用趋势c2检验 3)行变量和列变量均为无序分类变量 (1)n>40并且理论数小于5的格子数<行列表中格子总数的25%，则用Pearson c2 (2)n￡40或理论数小于5的格子数>行列表中格子总数的25%，则用Fisher’s 确切概率法检验 4. R×C表资料的统计分析 1)列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则CMH c2或Kruskal Wallis的秩和检验
1、两组数据中的每个变量值减去同一常数后做两个样本均数差异的t检验（） *c ? A.t值变小 ? B.t值变大 ? C.t值不变 ? D.t值变小或变大 2、作单组样本均数与一个已知的总体均数比较的t检验时，正确的理解是（） *c ? A.A.统计量t越大，说明两总体均数差别越大 ? B.B.统计量t越大，说明两总体均数差别越小 ? C.C.统计量t越大，越有理由认为两总体均数不相等 ? D.D.P值就是αa 3、随机区组设计的方差分析用于（） * ? A.多个样本均数间的两两比较 ? B.比较各个区组间的样本均数有无差别 ? C.比较各个区组间的总体均数有无差别 ? D.比较各个处理组间的样本均数有无差别 4、各组数据方差不齐时，可以做（） *D ? A.近似检验 ? B.秩和检验 ? C.数据转换 ? D.ABC均可 5、第I类错误的概念是（） *D ? A.H0是不对的，统计检验结果未拒绝H0 ? B.H0是对的，统计检验的结果未拒绝H0 ? C.H0是不对的，统计检验结果拒绝H0 ?
6、下列哪种说法是错误的（） *B ? A.计算相对数尤其是率时应有足够数量的观察单位数或观察次数 ? B.分析大样本数据时可以构成代替率 ? C.应分别将分子和分母合计求合计率或平均率 ? D.相对数的比较应注意其可比性 7、配对计量资料进行假设检验时（） *Dd ? A.仅能用配对t检验 ? B.仅能用成组t检验 ? C.仅能用随机区组设计的方差分析 ? D.用配比t检验和随机区组设计的方差分析均可 8、方差分析的前提条件是（） *A ? A.计量资料非参数统计的 ? B.正态性 ? C.随机性 ? D.方差齐性 9、设配对设计资料的变量为X1与X2，则配对设计的符号的秩检验（） *B ? A.把X1与X2的差数军队之从小到大编秩，排好后秩次保持原差数的正负号 ? B.把X1与X2的差数绝对值从小到大编秩，秩次不保存正负号 ? C.把X1与X2综合按绝对值从小到大编秩 ? D.把X1与X2的差数从小到大编秩 10、对于配对t检验和成组t检验，下列哪一种说法是错误的（） *B ? A.对于配对设计资料应作配对t检验，如果作成组t检验，不但不合理，而且平均起来统计效率降低 ? B.成组设计的资料用配对t检验，不但合理，而且平均起来可以提高统计效率 ? C.成组设计的资料，无法用配对t配对t检验 ?
常用医学统计学方法的选择 1. 多组率的比较用卡方检验（χ2检验，chi-square test) 直接用几个率的数值比较，与直接用原始数据录入比较，结果会有什么不同？卡方值会受样本量的影响，样本越多，卡方值越大。 2.多组计量资料比较采用方差分析(F检验) ，不能用t检验。当方差分析结果为P<0.05时，只能说明k组总体均数之间不完全相同。若想进一步了解哪两组的差别有统计学意义，需进行多个均数间的多重比较，即SNK-q检验(多个均数两两之间的全面比较)、LSD-t检验(适用于一对或几对在专业上有特殊意义的均数间差别的比较)和Dunnett检验(适用于k-1个实验组与一个对比组均数差别的多重比较)。 3.非正态分布多组数据之间比较选用非参数检验、单样本中位数检验（符号检验和Wilcoxon 检验）、双样本中位数检验（Mann-Whitney 检验）、方差分析（Kruskal-Wallis、Mood 中位数和Friedman 检验） 4.按血糖水平从低到高分成多组，进行多组之间死亡率的比较，由于死亡率同样受年龄、性别、病史、您身边的论文好秘书：您的原始资料与构思,我按您的意思整理成优秀论文论著,并安排出版发表，扣1550116010 、766085044自信我会是您人生路上不可或缺的论文好秘书血脂等因素的影响，所以需选取合适统计方法实现“调整年龄、性别等危险因素后，按血糖分组进行死亡率的比较（由血糖从低到高分成的4组）”。 ①年龄是定量变量（是数值），调整年龄的方法可在Logistic回归中运用，连续性变量年龄加入covariate中，当成协变量，就可以调整年龄，age-adjusted odds ratio就能得到了。 ②性别性别是二分类变量，不是定量变量，不可在LOGISTIC回归里比较。调整性别可在卡方检验中采取分层的方法比较。 如果为多分类LOGISTIC回归，在选择用multinomianl LOGISTIC回归中，可选入年龄等进入covariate，观察年龄的配比情况。可把性别选入factors(自变量)。这样可以实现调整年龄、性别等危险因素。 5.回顾性研究(1)临床妊娠率和女性年龄的关系+(2)男性影响临床妊娠的精子参数比较： 数据类型及变量的说明：y：计量 拟采用的分析方法：卡方检验 拟采用的分析软件：spss 原始数据附件及格式：word表 能否用其他方法统计分析：可用卡方分割，调整检验水准（根据比较的次数N，校正后的检验水准为0.05/N）。 6.重复t检验：多个样本均数间的两两比较(又称多重比较)不宜用t检验，因为重复数次，t 检验将增加第一类错误的概率，使检验效率降低。此时宜用方差分析，并在此基础上用两两比较方法(如．SNK、LSD、Duncan法等)。 对于同一对均数间的差异，用t检验无显著性，而两两比较可能有显著性，可见错误选用统计方法将推出错误结论。 统计方法的选择: 分计量、计数、等级资料三
01如何选择合适的统计学方法？ 1连续性资料 1.1 两组独立样本比较 1.1.1 资料符合正态分布,且两组方差齐性,直接采用t检验。 1.1.2 资料不符合正态分布，（1）可进行数据转换,如对数转换等,使之服从正态分布,然后对转换后的数据采用t检验；（2）采用非参数检验,如Wilcoxon检验。 1.1.3 资料方差不齐，（1）采用Satterthwate 的t’检验；（2）采用非参数检验,如Wilcoxon检验。 1.2 两组配对样本的比较 1.2.1 两组差值服从正态分布，采用配对t检验。 1.2.2 两组差值不服从正态分布，采用wilcoxon的符号配对秩和检验。 1.3 多组完全随机样本比较 1.3.1资料符合正态分布，且各组方差齐性，直接采用完全随机的方差分析。如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。 1.3.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Kruscal－Wallis法。如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用成组的Wilcoxon检验。 1.4 多组随机区组样本比较 1.4.1资料符合正态分布，且各组方差齐性，直接采用随机区组的方差分析。如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。 1.4.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Fridman检验法。如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用符号配对的Wilcoxon检验。 ****需要注意的问题： （1）一般来说，如果是大样本，比如各组例数大于50，可以不作正态性检验，直接采用t 检验或方差分析。因为统计学上有中心极限定理，假定大样本是服从正态分布的。 （2）当进行多组比较时，最容易犯的错误是仅比较其中的两组，而不顾其他组，这样作容易增大犯假阳性错误的概率。正确的做法应该是，先作总的各组间的比较，如果总的来说差别有统计学意义，然后才能作其中任意两组的比较，这些两两比较有特定的统计方法，如上面提到的LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。**绝不能对其中的两组直接采用t检验，这样即使得出结果也未必正确** （3）关于常用的设计方法：多组资料尽管最终分析都是采用方差分析，但不同设计会有差
统计分析方法适用条件 统计学方法一直以来都是我们专业的必修课，也是我们的基本功，可是现在滥用方法 的人很多，现在总结一些前人的资料供大家参考学习！ 1.连续性资料 1.1 两组独立样本比较 1.1.1 资料符合正态分布,且两组方差齐性,直接采用t检验。 1.1.2 资料不符合正态分布，（1）可进行数据转换,如对数转换等,使之服从正态分布,然后对转换后的数据采用t检验；（2）采用非参数检验,如Wilcoxon检验。 1.1.3 资料方差不齐，（1）采用Satterthwate 的t’检验；（2）采用非参数检验, 如Wilcoxon检验。 1.2 两组配对样本的比较 1.2.1 两组差值服从正态分布，采用配对t检验。 1.2.2 两组差值不服从正态分布，采用wilcoxon的符号配对秩和检验。 1.3 多组完全随机样本比较 1.3.1资料符合正态分布，且各组方差齐性，直接采用完全随机的方差分析。如果检 验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni 法，tukey法，Scheffe法，SNK法等。 1.3.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Kruscal－ Wallis法。如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni 法校正P值，然后用成组的Wilcoxon检验。 1.4 多组随机区组样本比较 1.4.1资料符合正态分布，且各组方差齐性，直接采用随机区组的方差分析。如果检 验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni 法，tukey法，Scheffe法，SNK法等。 1.4.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Fridman检验法。如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用符号配对的Wilcoxon检验。 ****需要注意的问题：
一、两组或多组计量资料的比较 1.两组资料： 1)大样本资料或服从正态分布的小样本资料 (1)若方差齐性，则作成组t检验 (2)若方差不齐，则作t’检验或用成组的Wilcoxon秩和检验 2)小样本偏态分布资料，则用成组的Wilcoxon秩和检验 2.多组资料： 1)若大样本资料或服从正态分布，并且方差齐性，则作完全随机的方差分析。如果方差分析的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法（如：LSD检验，Bonferroni检验等）进行两两比较。 2)如果小样本的偏态分布资料或方差不齐，则作Kruskal Wallis的统计检验。如果Kruskal Wallis的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法（如：用成组的Wilcoxon秩和检验，但用Bonferroni方法校正P值等）进行两两比较。 二、分类资料的统计分析 1.单样本资料与总体比较 1)二分类资料： (1)小样本时：用二项分布进行确切概率法检验； (2)大样本时：用U检验。 2)多分类资料：用Pearson c2检验（又称拟合优度检验）。 2. 四格表资料 1)n>40并且所以理论数大于5，则用Pearson c2 2)n>40并且所以理论数大于1并且至少存在一个理论数<5，则用校正c2或用Fisher’s 确切概率法检验 3)n￡40或存在理论数<1，则用Fisher’s 检验 3. 2×C表资料的统计分析 1)列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则行评分的CMH c2或成组的Wilcoxon秩和检验 2)列变量为效应指标并且为二分类，列变量为有序多分类变量，则用趋势c2检验 3)行变量和列变量均为无序分类变量 (1)n>40并且理论数小于5的格子数<行列表中格子总数的25%，则用Pearson c2 (2)n￡40或理论数小于5的格子数>行列表中格子总数的25%，则用Fisher’s 确切概率法检验 4. R×C表资料的统计分析 1)列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则CMH c2或Kruskal Wallis的秩和检验 2)列变量为效应指标，并且为无序多分类变量，行变量为有序多分类变量，作none zero correlation analysis的CMH c2 3)列变量和行变量均为有序多分类变量，可以作Spearman相关分析 4)列变量和行变量均为无序多分类变量， (1)n>40并且理论数小于5的格子数<行列表中格子总数的25%，则用Pearson c2 (2)n￡40或理论数小于5的格子数>行列表中格子总数的25%，则用Fisher’s 确切概率法检验
假设检验是用来判断样本与样本，样本与总体的差异是由抽样误差引起还是本质差别造成的统计推断方法。其基本原理是先对总体的特征作出某种假设，然后通过抽样研究的统计推理，对此假设应该被拒绝还是接受作出推断。 基本原理 （1）先假设总体某项假设成立，计算其会导致什么结果产生。若导致不合理现象产生，则拒绝原先的假设。若并不导致不合理的现象产生，则不能拒绝原先假设，从而接受原先假设。 （2）它又不同于一般的反证法。所谓不合理现象产生，并非指形式逻辑上的绝对矛盾，而是基于小概率原理：概率很小的事件在一次试验中几乎是不可能发生的，若发生了，就是不合理的。至于怎样才算是“小概率”呢通常可将概率不超过的事件称为“小概率事件”，也可视具体情形而取或等。在假设检验中常记这个概率为α，称为显著性水平。而把原先设定的假设成为原假设，记作H0。把与H0相反的假设称为备择假设，它是原假设被拒绝时而应接受的假设，记作H1。 假设的形式 H0——原假设，H1——备择假设 双侧检验：H0:μ = μ0， 单侧检验：，H1:μ < μ0 或，H1:μ > μ0假设检验就是根据样本观察结果对原假设（H0）进行检验，接受H0，就否定H1；拒绝H0，就接受H1。 假设检验的种类 下面介绍几种常见的假设检验 1.T检验 亦称student t检验（Student's t test），主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料。 目的：比较样本均数所代表的未知总体均数μ和已知总体均数μ0。 计算公式：统计量： 自由度：v=n - 1 适用条件： (1) 已知一个总体均数； (2) 可得到一个样本均数及该样本标准误； (3) 样本来自正态或近似正态总体。 T检验的步骤 1、建立虚无假设H0:μ1= μ2，即先假定两个总体平均数之间没有显著差异； 2、计算统计量T值，对于不同类型的问题选用不同的统计量计算方法； 1）如果要评断一个总体中的小样本平均数与总体平均值之间的差异程度，其统计量T 值的计算公式为： 2）如果要评断两组样本平均数之间的差异程度，其统计量T值的计算公式为： 3、根据自由度df=n-1，查T值表，找出规定的T理论值并进行比较。理论值差异的显
定义 假设检验是用来判断样本与样本，样本与总体的差异是由抽样误差引起还是本质差别造成的统计推断方法。其基本原理是先对总体的特征作出某种假设，然后通过抽样研究的统计推理，对此假设应该被拒绝还是接受作出推断。 基本原理 （1）先假设总体某项假设成立，计算其会导致什么结果产生。若导致不合理现象产生，则拒绝原先的假设。若并不导致不合理的现象产生，则不能拒绝原先假设，从而接受原先假设。 （2）它又不同于一般的反证法。所谓不合理现象产生，并非指形式逻辑上的绝对矛盾，而是基于小概率原理：概率很小的事件在一次试验中几乎是不可能发生的，若发生了，就是不合理的。至于怎样才算是“小概率”呢？通常可将概率不超过0.05的事件称为“小概率事件”，也可视具体情形而取0.1或0.01等。在假设检验中常记这个概率为α，称为显著性水平。而把原先设定的假设成为原假设，记作H0。把与H0相反的假设称为备择假设，它是原假设被拒绝时而应接受的假设，记作H1。 假设的形式 H0——原假设，H1——备择假设 双侧检验：H0:μ = μ0， 单侧检验：，H1:μ < μ0 或，H1:μ > μ0假设检验就是根据样本观察结果对原假设（H0）进行检验，接受H0，就否定H1；拒绝H0，就接受H1。 假设检验的种类 下面介绍几种常见的假设检验 1.T检验 亦称student t检验（Student's t test），主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料。 目的：比较样本均数所代表的未知总体均数μ和已知总体均数μ0。 计算公式：统计量： 自由度：v=n - 1 适用条件： (1) 已知一个总体均数； (2) 可得到一个样本均数及该样本标准误； (3) 样本来自正态或近似正态总体。 T检验的步骤 1、建立虚无假设H0:μ1= μ2，即先假定两个总体平均数之间没有显著差异； 2、计算统计量T值，对于不同类型的问题选用不同的统计量计算方法；
统计学方法的正确抉择 一．统计方法抉择的条件 在临床科研工作中，正确地抉择统计分析方法，应充分考虑科研工作者的分析目的、临床科研设计方法、搜集到的数据资料类型、数据资料的分布特征与所涉及的数理统计条件等。其中任何一个问题没考虑到或考虑有误，都有可能导致统计分析方法的抉择失误。 此外，统计分析方法的抉择应在科研的设计阶段来完成，而不应该在临床试验结束或在数据的收集工作已完成之后。 对临床科研数据进行统计分析和进行统计方法抉择时，应考虑下列因素： 1．分析目的 对于临床医生及临床流行病医生来说，在进行统计分析前，一定要明确利用统计方法达到研究者的什么目的。一般来说，统计方法可分为描述与推断两类方法。一是统计描述(descriptive statistics)，二是统计推断(inferential statistics)。 统计描述，即利用统计指标、统计图或统计表，对数据资料所进行的最基本的统计分析，使其能反映数据资料的基本特征，有利于研究者能准确、全面地了解数据资料所包涵的信息，以便做出科学的推断。统计表，如频数表、四格表、列联表等；统计图，如直方图、饼图，散点图等；统计指标，如均数、标准差、率及构成比等。 统计推断，即利用样本所提供的信息对总体进行推断（估计或比较），其中包括参数估计和假设检验，如可信区间、t检验、方差分析、 2检验等，如要分析甲药治疗与乙药治疗两组的疗效是否不相同、不同地区某病的患病率有无差异等。 还有些统计方法，既包含了统计描述也包含了统计推断的内容，如不同变量间的关系分析。相关分析，可用于研究某些因素间的相互联系，以相关系数来衡量各因素间相关的密切程度和方向，如高血脂与冠心病、慢性宫颈炎与宫颈癌等的相关分析；回归分析，可用于研究某个因素与另一因素（变量）的依存关系，即以一个变量去推测另一变量，如利用回归分析建立起来的回归方程，可由儿童的年龄推算其体重。 2．资料类型 资料类型的划分现多采用国际通用的分类方法，将其分为两类：数值变量(numerical variable)资料和分类变量(categorical variable)资料。数值变量是指其值是可以定量或准确测量的变量，其表现为数值大小的不同；而分类变量是指其值是无法定量或不能测量的变量，其表现没有数值的大小而只有互不相容的类别或属性。分类变量又可分为无序分类变量和有序分类变量两小类，无序分类变量表现为没有大小之分的属性或类别，如：性别是两类无序分类变量，血型是四类无序分类变量；有序分类变量表现为各属性或类别间有程度之分,如：临床上某种疾病的“轻、中、重”，治疗结果的“无效、显效、好转、治愈”。由此可见，数值变量资料、无序分类变量资料和有序分类变量资料又可叫做计量资料、计数资料和等级资料。
第2章统计描述 1．对定量资料进行统计描述时，如何选择适宜的指标？ 定量资料统计描述常用的统计指标及其适用场合描述内容指 标 意义适用场合 平均水平均 数 个体的平均值对称分布 几何均数平均倍数取对数后对称分布 中位数位次居中的观察值 ①非对称分布；②半定量资料；③末端开 口资料;④分布不明 众 数 频数最多的观察值不拘分布形式,概略分析 调和均数基于倒数变换的平均值正偏峰分布资料 变异度全 距 观察值取值范围不拘分布形式，概略分析 标准 差 (方差) 观察值平均离开均数的 程度对称分布，特别是正态分布资料 四分位数 间距 居中半数观察值的全距 ①非对称分布；②半定量资料;③末端开口 资料；④分布不明 变异系数标准差与均数的相对比 ①不同量纲的变量间比较;②量纲相同但 数量级相差悬殊的变量间比较 定性资料:阳性事件的概率,概率分布,强度和相对比。 2. 应用相对数时应注意哪些问题? 答:（1）防止概念混淆相对数的计算是两部分观察结果的比值,根据这两部分观察结果的特点，就可以判断所计算的相对数属于前述何种指标。 (2）计算相对数时分母不宜过小样本量较小时以直接报告绝对数为宜。 (3)观察单位数不等的几个相对数,不能直接相加求其平均水平。 (４）相对数间的比较须注意可比性,有时需分组讨论或计算标准化率。 3. 常用统计图有哪些?分别适用于什么分析目的？ 常用统计图的适用资料及实施方法 图形适用资料实施方法 条图组间数量对比用直条高度表示数量大小 直方图定量资料的分布用直条的面积表示各组段的频数或频率 百分条图构成比用直条分段的长度表示全体中各部分的构成比 饼图构成比用圆饼的扇形面积表示全体中各部分的构成比 线图定量资料数值变动线条位于横、纵坐标均为算术尺度的坐标系 半对数线图定量资料发展速度线条位于算术尺度为横坐标和对数尺度为纵坐标的坐标系散点图双变量间的关联点的密集程度和形成的趋势,表示两现象间的相关关系 箱式图定量资料取值范围用箱体、线条标志四分位数间距及中位数、全距的位置茎叶图定量资料的分布用茎表示组段的设置情形,叶片为个体值,叶长为频数