下载文档原格式
医学论文常见统计学错误与纠正一、设计与实施1.对象合格标准不明确●只报告来源和时间段，总体不清晰：大杂烩,得不到科学结论；●事前未规定合格标准和排除标准，事后排除；●不报告按照合格标准和排除标准筛选对象的过程。
2.结局指标多而杂--是事先规定的最重要的结局指标，通常以此为准来计算样本量。
常见错误：终点指标过多, 大海捞针临床试验时，不知道哪个指标在组与组间有差异；“确定某个指标后，万一组间没有差异，岂不被动?！”生理、生化、组织学、基因，都做；“内容丰富，显得水平高?！”许多仪器一下子可以做许多项目；“许多项目一一分析，哪个有意义，就报告哪个指标?！”哪些指标可能有组间差异，必须心中有数。
假说：预计将要得到的结论——假说是科研的灵魂心中无数，不要“先上马再说”●指标多，实验工作量大。
大海捞针——碰运气，不是科研！●指标多，翻来覆去分析，制造假阳性！Nature杂志统计学指南：➢常见错误之一。
仅分析1个指标时，P(假阳性)=0.05，P(1次分析不犯错误)=0.95 λ，同时分析2个指标时，P(2次分析均不犯错误) = [P(1 次分析不犯错误)] 2 P(假阳性)=1 - 0.952 ≈ 0.10, 同时分析3 个指标时，P(假阳性)=1 - 0.953 ≈ 0.14 λ同时分析10个指标时，P(假阳性)=1 - 0.9510 ≈ 0. 40➢常见错误之一(Nature) ----多重比较不校正多重比较: 对一组数据作多项比较时，必须说明如何校正α水平，以避免增大第一类错误的机会---- Bonfferoni校正（α/k来校正，k为两两比较次数）3 不重视对照为何必需对照？●消除非研究因素的混杂实验组和对照组受非研究因素的影响尽可能相同，使两组的差异主要反映研究因素的效应。
●鉴别研究因素的效应和自然发展结果。
例如，研究某药物对口腔溃疡模型兔的疗效，口腔溃疡有自愈的倾向，必须有对照扣除自愈效应。
常见错误➢没有对照！千方百计省去对照组，以减少一半工作量!? ω自身前后对照/历史对照/文献对照/ “标准”对照➢对照不当ω对照太弱：安慰剂对照/对照过强：西药+加中药~西药/对照剂量有争议：试验药，大剂量~对照药，中小剂量/对照基线不可比：试验组年轻、病轻~ 对照组年老、病重应当如何？ω事先明确研究假说，例如，新药比常规药好：以常规药为对照ω设计：研究组新药~ 对照组常规药可比性：基线可比、过程可比、终点可比ω保证可比性措施：干预性研究: 随机化观察性研究：匹配4样本量无根据ω干预性研究：“ 500 例患者随机分成两组……” 为什麽500 例？不多不少？500 例从天而降？现成送上门来？ω观察性研究：“ 10年期间A组3000例，B组258例……” ---- 有多少用多少!?应当如何？---- 报告最小样本量估算及其依据1. 比较两组测定值的均数依据：（1）预计欲比较的两总体参数的差值δ（2）预计总体标准差σ（3）允许出现假阳性结果的机会α（4）允许出现假阴性结果的机会β :例：格列美脲、格列苯脲对比研究以HbA1c 为主要终点报告依据✓欲检出HbA1c临床差异≥0.65%✓假定标准差为1.3%✓双侧检验水平0.05✓功效80% ω✓退出率20% 计算：157例2. 比较两组达标率依据：（1）预计一组发生某结局的百分比为π1（2）预计另一组发生某结局的百分比为α（3）允许犯假阳性错误的机会β（4）允许犯假阴性错误的机会π2例：格列美脲、格列苯脲对比研究以HbA1c达标为主要终点（1）预计一组发生某结局的百分比为45%（2）预计另一组发生某结局的百分比为25%（3）允许犯假阳性错误的机会α= 5%（4）允许犯假阴性错误的机会β= 20% 计算: 176 例5. 随机化，说而不做，做而不严处理分配的随机化为什么这么重要?(1) 消除分配处理有意或无意的偏倚。
常见医学论文统计错误分析1．将配对设计的资料按成组设计的格式列表整理（资料整理错误）某临床医生比较B超与CT检测结果是否一致的研究论文中，对94例某病患者同时用B超与CT检查，将结果分为“正常、轻度、中度、重度”，列表如下：B超与CT检查结果比较检查方法例数检查结果正常轻度中度重度合计B超70 18 3 3 94CT 46 38 7 3 94 合计116 56 10 6 188使原来只有94例的患者资料，变成了188位患者资料，人为将样本量扩大了1倍。
表格应整理成配对设计定性资料表格，如下B超例数CT 正常轻度中度重度合计正常f11 f12 f13 f14 70轻度f21 f22 f23 f24 18中度f31 f32 f32 f32 3重度f41 f42 f42 f42 3如果按照第一种方式列表，统计方法只能够用秩和检验，来回答两种方法之间的差别是否有统计学意义，而不能回答两种方法的结果是否一致。
如果按照第二种方式列表，可以选用一致性检验kappa检验，可以正确回答设计者想要的答案。
2 错用t检验例子1：采用RT-PCR（逆转录聚合酶链反应）和实时PCR（荧光定量pcr）两种方法检测foxp3 mRNA和mosc1 mRNA，得到定量资料如下表，采用t检验比较两组差异。
是否正确哮喘患儿与正常儿童foxp3 mR NA和mosc1 mRNA PCR检测结果（x+-s）分组nRT-PCR 实时PCRfoxp3 mosc1 foxp3 mosc1哮喘组正常对照组20200.24＋-0.082.37＋-0.590.38＋-0.131.86＋-0.450.12＋-0.0566.32＋-9.250.39＋-0.1930.78＋-4.56表格正确的列表方式应该为：哮喘患儿与正常儿童foxp3 mR NA和mosc1 mRNA PCR检测结果（x+-s）分组nfoxp3 mosc1RT-PCR 实时PCR RT-PCR 实时PCR哮喘组正常对照组20200.24＋-0.082.37＋-0.590.12+-0.0566.32＋-9.250.38＋-0.131.86＋-0.450.39＋-0.1930.78＋-4.56可以看出这里有一个重复测量，两组中的每一位样品都被两种方法个检验了一次，实际上是一个具有重复测量的两因素设计，应该用重复测量的两因素设计定量资料方差分析。
（精品收藏）医学论文中常见统计学概念误用分析医学统计学作为一种认识医学现象数量特征的重要工具，在医学研究的过程中起着非常重大的作用。
但国内外研究者通过调查发现，在现代医学期刊中，统计方法的运用及表述却存在着较多的问题［1，2］。
笔者在医学论文的编辑过程中，也发现有些作者对统计学中最常见、最基本的概念常混淆不清，因此其论文很难符合刊用的要求。
我们知道，概念是逻辑思维的基本要素，只有概念明确，才能准确地表达思想，才能对事物的本质进行客观的描述，才能作出正确的判断和推理，从而得出科学的结论。
为与作者共同提高论文质量，现对编辑工作中经常碰到的一些概念方面的误用问题，试图进行一些粗略的分析。
1概念混淆1.1以比代率比与率是临床医学研究中最常用的相对数指标。
比是表示某一事物或现象各组成部分之间或各个部分在全体中所占的比重或分布。
较常用的有构成比、相对比等。
而率是指某种现象或事件在一定条件下，其实际发生数与可能发生此现象或事件总数的比例。
临床医学论文中很多作者常把构成比当作率进行比较，造成对疾病的发生作出错误估计。
如在研究性别与其疾病发病率的关系文章中，作者把男女的构成比当作发病率，从而得出某种性别的发病率高的错误结论。
还有作者由于对构成比与率的概念不明确，造成计算错误。
如某农村卫生单位对7250名少儿进行粪检，检出蛔虫卵者4300人，需要进行治疗。
因各种原因，有900人未行治疗。
结果：已治率为79.07%，未治率为20.93%。
很明显，这是典型的以构成比代率的例子。
我们根据定义，可计算如下：出现这种错误的原因，是因为不能正确理解比与率的区别所致。
一般来说，率的分子源于分母，但分子、分母具有不同的事件属性，构成比虽然分子也源于分母，但分子、分母具有相同的事件属性。
1.2不同率混用在临床医学研究中，一些具有特殊性质的率很容易用错。
最常见的有发病率与患病率，死亡率与病死率。
发病率与患病率相混淆的原因主要是没有把握住观察、统计的时间。
医学科技论文常见统计学问题分析摘要：针对医学科技论文中常见统计学问题以及稿件退修和编辑加工过程中遇到的共性的统计学问题进行分析，并提出可能避免统计学方面错误的方法及建议，便于科研人员撰写论文时学习借鉴，也为医学期刊编辑处理类似稿件提供参考。
关键词：统计学；医学；科研；论文；问题1描述性分析时存在的统计学问题2统计分析方法不满足假设条件2.1不满足参数检验的数据采用了参数检验方法2.2不满足卡方检验条件的数据采用了卡方检验2.3不满足线性回归条件的数据采用了线性回归分析线性回归模型的前提条件包括线性、独立性、正态性和方差齐性。
其中，线性是指因变量的总体平均值与自变量呈线性关系。
可以通过绘制散点图判断回归关系是否成立[11]。
独立性是指任意2条记录互相独立。
正态性是指模型的误差项需服从正态分布（等价于当自变量某为定值时因变量Y也呈正态分布），而在样本量较大时可以忽略正态性要求。
方差齐性是指在自变量某的取值范围内，不论某取什么值，Y都具有相同的方差，等价于残差的方差齐性。
需要注意的是，线性、正态性和方差齐性通常通过绘制散点图或正态概率图等即可快速判断，但独立性往往容易被研究人员忽视，即纳入分析的研究对象不应有多条记录，如果有部分研究对象有多条记录，则应只保留一条记录，否则不能采用线性回归模型进行分析，只能改用混合效应模型进行分析。
同时，还需注意，如果是多因素回归分析，则上述线性、正态性和方差齐性的条件应在各变量和因变量之间均得以满足。
3结果阐释时存在的问题3.1受制于P值，未按常用界值对数据进行划分在进行多元回归分析之前，比较可取的是先进行单因素回归分析。
如某单因素为连续型变量，且已知其为结局变量的危险因素可能性较大，若将其直接纳入模型进行单因素回归分析，则可能发现其回归系数β无统计学意义（P>0.05），这时某些研究者可能会采用将连续型变量分类的方式以获得较好结果，可能为得到较小的P值而未采用常用的有意义界值进行划分，如在研究血压对某种慢性病的影响时，未按照临床定义的高血压界定值对血压值进行分类，而是以在数据分析时获得最小P值为目标取最佳截断值进行分析，这种方法会使结果产生较大偏倚。
医学论文中常用统计分析方法错误大全在医学研究领域，准确合理地运用统计分析方法对于得出可靠的研究结论至关重要。
然而，在实际的医学论文中，却存在着各种各样的统计分析方法错误，这些错误可能会导致研究结果的偏差，甚至得出错误的结论。
下面，我们就来详细探讨一下医学论文中常见的统计分析方法错误。
一、数据类型判断错误数据类型的正确判断是选择合适统计分析方法的基础。
医学研究中常见的数据类型包括计量资料、计数资料和等级资料。
然而，很多研究者在数据类型判断上出现失误。
例如，将原本应该是计数资料的数据（如疾病的治愈、好转、无效等）当成计量资料进行分析，错误地使用了均值和标准差等统计指标，而应该使用频率和百分比等指标，并采用卡方检验等方法。
二、样本量计算不合理样本量的大小直接影响到研究结果的可靠性和准确性。
一些医学论文在研究设计阶段没有充分考虑样本量的计算，导致样本量过小或过大。
样本量过小，可能会使研究结果缺乏统计学意义，无法检测出真实存在的差异；样本量过大，则会造成资源的浪费，同时增加研究的难度和成本。
正确的样本量计算应该综合考虑研究的设计类型、预期效应大小、检验水准和检验效能等因素。
三、选择错误的统计方法这是医学论文中常见的错误之一。
例如，对于两组独立样本的均数比较，应该使用 t 检验，但如果两组数据的方差不齐，就需要使用校正的 t 检验或者非参数检验方法（如 Wilcoxon 秩和检验）。
然而，很多研究者在这种情况下仍然使用了普通的 t 检验，导致结果不准确。
再比如，对于多组均数的比较，如果方差分析结果有统计学意义，还需要进一步进行多重比较。
但有些研究在这一步没有进行恰当的多重比较方法选择，导致结论不够准确。
四、忽视数据的正态性检验在进行某些统计分析（如 t 检验、方差分析等）时，要求数据服从正态分布。
然而，很多研究者在使用这些方法之前，没有对数据进行正态性检验。
如果数据不服从正态分布，却仍然使用基于正态分布假设的统计方法，就会得出错误的结论。
医学论文撰写中常见的统计学问题及其处理绝大多数的论文撰写，均需通过一定数量临床病例(或资料)的观察，研究事物间的相互关系，以探讨客观存在的新规律。
如确定新诊断、新治疗等措施是否优于原沿用的方法，就需进行两种方法比较，这就涉及统计处理；统计设计又是整个课题研究设计中一个重要的组成部分。
显然，经正确统计处理的结果可信度高，论文的质量也高。
据不完全统计，在难以发表的、巳凝聚着作者心血并花费较长时间与较大财力撰写的研究论文中，约半数以上是由于统计错误致其结果与原文主要结论相违背。
如一文采用某新药引产，96例足月孕妇的产后出血与新生儿低Apgar评分率均为2.1%(各2例)，明显低于应用原药引产的19例，其产后出血与新生儿低Apgar评分发生率均为15.8%(各3例，x2=7.164, P?.001)。
故认为采用新药引产是一更安全的措施。
原药引产组例数偏少暂且不谈，该资料比较应采用精确法分析，结果是与原结果恰恰相反(P>0.05)，这样上述的主要结论就欠可靠而难以发表，否则论文可起误导作用。
类似问题文稿中还常有出现。
现就文稿中常见的统计问题及其相应的处理方法简述如下。
一、常用的统计术语统计学中常用的概念有总体与样本、随机化与概率、计量与计数、等级资料及正态与偏态分布资料、标准差与标准误等。
如某研究采用经会阴途径测定宫颈长度，以探讨不同宫颈长度与临产时间的关系。
结果显示35例宫颈长度为25〜34 mm者与32例宫颈长为15〜24 mm者临产时间的均值士标准差(士s)各为57.6±58.1与47.3±49.1小时。
该计量资料，经t检验显示t=0.780, P>0.05，并未提示不同宫颈长度的临产时间差异有显著意义；从标准差大于均值，显示各变量值离散程度大，呈偏态分布，故不能采用士，这一算术均数法计算均数。
经偏态转换成近似正态分布资料后结果是：35例与32例的临产时间各为34.5±4.1 与26.7±4.1小时，(t=7.778, P?.001)，两组差异有极显著意义。
