下载文档原格式
卫生学校医学统计学优质课掌握医学数据分析与统计方法卫生学校医学统计学优质课：掌握医学数据分析与统计方法统计学在医学领域中扮演着重要的角色，它帮助我们理解、分析和解释大量的医学数据。
为了掌握医学数据分析与统计方法，卫生学校设立了医学统计学优质课，旨在培养学生对医学数据的深度理解与分析能力。
本文将探讨医学统计学优质课所覆盖的内容，以及它对医学学生的意义。
医学统计学优质课的课程安排丰富多样，涵盖了统计学的基本概念、常用统计方法、数据采集与整理、数据分析与解释等方面的知识。
首先，课程会介绍统计学的基本概念与原理，包括总体、样本、假设检验、置信区间等。
通过深入理解这些概念，学生能够正确理解医学研究中所使用的统计术语，为后续学习打下坚实基础。
其次，医学统计学优质课还注重培养学生的数据采集与整理能力。
在医学研究中，正确、全面地采集数据是非常关键的。
课程会教授学生如何设计问卷调查、如何从医疗记录中提取有效数据等技巧，并引导学生进行实践操作。
通过这些实践，学生能够掌握合理的数据采集方法，从而保证研究数据的可靠性与有效性。
另外，医学统计学优质课还涉及到常用的医学数据分析方法。
其中包括描述性统计分析、推断统计分析和回归分析等。
描述性统计分析旨在对医学数据进行整体的总结与描述，例如平均数、标准差、频率分布等。
推断统计分析则旨在根据样本推断总体的特征，例如使用假设检验来判断两组样本之间是否存在显著差异。
回归分析则可以帮助我们研究影响因素与结果之间的关系。
通过学习这些分析方法，学生能够灵活运用统计工具，对医学数据进行深入分析，从而得出科学、准确的结论。
医学统计学优质课的学习对医学学生具有重要意义。
首先，医学统计学为学生提供了正确理解和运用医学数据的工具。
在医学研究领域，准确理解和分析数据对于制定临床决策以及开展医学科研至关重要。
通过学习医学统计学，学生能够避免对数据的主观解读，采用科学的方法进行研究。
其次，医学统计学培养了学生的批判性思维和科学研究能力。
医学统计学教学方法嘿，咱今儿就来聊聊医学统计学教学方法这档子事儿！你说医学统计学，那可不是一般的重要啊！就好像是医生手里的一把利剑，能帮咱拨开迷雾，看清那些隐藏在数据背后的真相。
那怎么教这门学问才能让学生们真正掌握呢？咱得有点小妙招才行。
首先啊，不能光讲那些干巴巴的理论知识，得结合实际例子呀！比如说，拿一些真实的医学案例来，让学生们自己去分析、去计算，这样他们才能深刻体会到医学统计学的用处。
就好比学游泳，光在岸上比划可不行，得跳进水里扑腾几下才能真正学会。
然后呢，教学可不能是老师一个人的独角戏，得让学生们参与进来呀！分组讨论就是个很不错的办法。
大家一起叽叽喳喳地讨论问题，思维碰撞出火花，说不定就能发现一些新的思路和方法呢。
这就好像一群小伙伴一起玩拼图，每个人都贡献一点力量，就能更快地拼出完整的画面。
还有啊，实践操作也不能少。
不能光让学生们纸上谈兵，得让他们用软件去实际处理数据呀。
就像学开车，理论知识学了一堆，不上路开几圈，那永远也成不了老司机。
老师呢，也得有点幽默感，别老是板着个脸。
偶尔讲个小笑话，调节一下课堂气氛，让学生们在轻松愉快的氛围中学习，效果肯定更好呀！再说说考试吧，可别老是出那些死记硬背的题目，得多考些实际应用的呀！这样才能检验出学生们是不是真的学会了。
咱再想想，还可以请一些在医学统计学领域有丰富经验的专家来给学生们讲讲实际工作中的案例和经验，让学生们提前感受一下以后工作会遇到的情况。
这就像是给他们提前打了预防针，让他们有个心理准备。
哎呀，医学统计学教学方法真的是太重要啦！教好了，能培养出一批又一批优秀的医学人才；教不好，那可就耽误事儿啦！所以老师们可得好好琢磨琢磨这些方法，让学生们真正爱上医学统计学，为他们以后的医学之路打下坚实的基础。
你说是不是这个理儿呢？咱可不能让这么重要的学科被埋没了呀！。
运用统计学在医学领域的实践应用引言：统计学作为一门科学，不仅仅在经济学、社会学等领域有广泛的应用，同样也在医学领域发挥着重要的作用。
通过统计学的方法和理论，医学研究者能够更加准确地分析和解释医学数据，提高研究的可靠性和可信度。
本文将探讨统计学在医学领域的实践应用，以及其对医学研究和临床实践的重要性。
一、数据收集与整理在医学研究中，数据的收集和整理是非常重要的一步。
统计学提供了一系列的方法和工具，帮助研究者有效地收集和整理数据。
例如，研究者可以使用随机抽样的方法，从整个人群中选取一部分样本进行研究，以保证样本的代表性。
此外，统计学还提供了数据清洗和数据预处理的技术，帮助研究者剔除异常值和缺失值，确保数据的准确性和完整性。
二、数据分析与解释在医学研究中，数据的分析和解释是为了回答研究问题和验证假设。
统计学提供了一系列的分析方法，如描述统计分析、推断统计分析和回归分析等，帮助研究者从数据中提取有用的信息。
例如，研究者可以使用描述统计分析来计算样本的均值、标准差等指标，以了解样本的基本特征。
推断统计分析则可以帮助研究者通过样本数据推断总体的特征，如使用置信区间估计总体均值等。
此外，回归分析可以帮助研究者探索变量之间的关系，如探索某个因素对疾病发生的影响等。
三、实验设计与效应评估在医学研究中，实验设计和效应评估是为了验证治疗方法的有效性和安全性。
统计学提供了一系列的实验设计方法，如随机对照试验和交叉设计等，帮助研究者设计合理的实验方案。
同时，统计学还提供了一系列的效应评估方法，如假设检验和效应量计算等，帮助研究者评估治疗方法的效果。
例如，在药物研发中，研究者可以使用随机对照试验来比较新药与安慰剂的疗效差异，通过假设检验来评估治疗方法的有效性。
四、风险评估与预测在医学领域，风险评估和预测是为了提前识别患者的风险因素，做出相应的干预和预防措施。
统计学提供了一系列的风险评估和预测方法，如生存分析和Logistic回归等，帮助研究者预测患者的疾病风险和预后。
医学统计学方法与应用医学统计学是运用统计方法来收集、整理、分析和解释医学数据的学科。
它在医学研究中起着重要的作用，可以帮助医学研究人员更好地理解和应用数据，支持医疗决策和健康政策的制定。
本文将介绍医学统计学的基本方法和其在实践中的应用。
一、研究设计与数据收集在进行医学研究之前，研究者需要设计一个科学合理的研究方案。
常见的研究设计包括横断面研究、纵向研究、随机对照试验等。
研究设计的选择要根据研究目的和实际情况进行，以获取可靠的数据。
数据的收集是医学研究的重要步骤，常用的数据收集方法包括问卷调查、实验观察、临床试验等。
在数据收集过程中，要确保数据的准确性和完整性，严格遵循研究方案的要求，以避免数据偏倚或其他潜在的误差。
二、数据描述与可视化在收集到数据之后，研究者需要对数据进行描述性统计分析，了解数据的分布、中心趋势和离散程度等。
常用的描述性统计指标包括均值、标准差、中位数、四分位数等，可以帮助研究者了解数据的基本特征。
为了更好地理解数据，研究者还可以借助可视化方法进行数据展示。
常见的数据可视化方式包括频率分布直方图、箱线图、散点图等。
通过可视化，研究者可以更直观地观察数据的分布情况，发现潜在的规律或异常情况。
三、推断统计分析推断统计分析是医学统计学中的核心内容，用于从样本数据中推断总体的特征和关联性。
常见的推断统计方法包括参数估计、假设检验和置信区间等。
参数估计是通过样本数据来估计总体参数的值，其中最常用的方法是点估计和区间估计。
点估计基于样本给出总体参数的一个估计值，区间估计则给出一个可能包含总体参数真值的区间范围。
假设检验用于检验研究假设是否成立，可以帮助研究者判断差异的显著性。
假设检验通常包括设立原假设和备择假设、选择合适的检验统计量、计算p值等步骤。
置信区间是估计总体参数范围的一种方法，与区间估计密切相关。
置信区间提供了一个包含总体参数真值的区间范围，可以用来判断参数估计的可靠性。
四、回归分析与生存分析回归分析是一种用于探究变量之间关系的统计方法，在医学研究中得到广泛应用。
医学统计学方法统计学图表在医学研究中，统计学方法和统计学图表被广泛应用于数据分析和结果呈现。
通过合理选择和运用各种统计学方法和图表，研究人员可以更好地理解和传达研究中的数据和结论。
本文将介绍一些常用的医学统计学方法和统计学图表，并探讨它们的应用和使用要点。
一、医学统计学方法1. 描述性统计学方法描述性统计学方法是对数据进行概括和总结的方法。
常用的描述性统计学方法包括平均数、中位数、众数、标准差、方差等。
这些方法可以通过对数据的集中趋势、离散程度等进行统计和计算，从而对数据进行更加准确和全面的描述。
2. 推断性统计学方法推断性统计学方法是通过对样本数据进行分析和推断，得出对总体的推断结论。
其中包括假设检验和置信区间两种方法。
假设检验用于检验研究设想是否成立，而置信区间则用于估计总体参数的范围。
3. 相关性分析相关性分析用于研究两个或多个变量之间的关系强度和方向。
常用的相关性分析方法包括皮尔逊相关系数和斯皮尔曼等级相关系数。
这些方法可以帮助研究人员了解不同变量之间的相关性，并提供对数据进行进一步分析和解释的线索。
4. 方差分析方差分析是用于比较两个或多个样本均值是否存在显著性差异的方法。
其中包括单因素方差分析和多因素方差分析。
方差分析可以帮助研究人员确定不同变量对于结果的影响程度，并进行差异比较和结果解释。
二、统计学图表1. 条形图条形图是一种常用的展示分类变量和数量变量之间关系的图表。
它通过绘制不同类别的长条来直观地显示各个类别的数量差异。
条形图可以帮助研究人员比较不同类别之间的差异，并进行数据分析和决策。
2. 折线图折线图是一种用于展示随时间或其他连续变量变化的趋势图表。
通过将数据点连接起来，研究人员可以清楚地观察到随时间变化的模式和趋势。
折线图常用于研究不同时间点或时间段下的数据变化。
3. 散点图散点图用于展示两个变量之间的关系。
通过在坐标轴上绘制散点，研究人员可以观察到变量之间的分布规律和趋势。
医学统计学学习方法（适用于护本专业）第一篇：医学统计学学习方法(适用于护本专业)统计学的大部分公式都不要求你们记忆，但有些最基本的公式你们是要知道的比如说标准误、95%医学参考值范围、可信区间的计算是需要大家熟记的。
统计学是不好学，有些同学反映，这门课和其他课程有很大的区别，其他医学课程不需要思考，书上写什么就是什么，但是统计这门课程很多都要思考。
统计这门课程想学好，确实不容易，不是大家到了期末背背书就可以轻松过关了。
楼上的同学问不知道理论课学什么，其实学习任何一门课程都有共性和特性，每门课程的绪论其实都很重要，它就像一门课程的骨架，我们在学习中不能只见树木不见森林，有了一个总的结构之后，再有针对性的找到学习的方法，有的放矢，才能事半功倍。
举个例子吧，很多同学在学集中趋势和离散趋势的时候，单问有哪些指标用于什么条件，大家都知道，当问描述计量资料用什么指标，同学脑袋就懵了，回答什么的都有，这个就是只关注局部不注意整体所造成的。
在绪论部分我们讲了资料的类型，学生掌握的也挺好，第二章、三章讲了计量资料的统计描述，学生掌握的也可以，但是就是没有把这些知识联系到一起，统计分析里首要是对我们的资料进行描述，描述里面又根据资料的类型的不用，所用到的描述指标也不一样，计量资料做统计描述的时候就可以用集中、变异指标去了解数据的特征，但是计数资料就不可以了。
因此大家在学这门课程的时候要积极思考多想几个为什么，学可信的区间的时候要想想为什么我们要计算可信区间，我们计算可信区间要拿来干嘛，学假设检验方法的时候想想t检验学完了为什么还要学方差分析，多想想每一部分知识之间的联系，再寻找每一块知识的学习重点，这样才能建立一个清晰的思路，否则学到最后脑袋里还是一锅浆糊，不知道为什么要学。
以上是我个人的一点浅见，学习方法因人而异，不一定适合每个人，有的时候老师在上课的时候不一定能体会到大家学习的感受，所以还要你们多跟我们交流，这样我们在上课的时候才能因地制宜去帮助你们学好这门课。
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。
医学统计学在临床研究中的应用与解读技巧医学统计学是医学研究中不可或缺的一部分，它通过收集和分析数据，为临床研究提供了重要的支持和指导。
在临床研究中，医学统计学的应用涉及到多个方面，如样本选择、数据分析和结果解释等。
本文将探讨医学统计学在临床研究中的应用和解读技巧。
一、样本选择的重要性在临床研究中，样本选择是至关重要的一步。
一个好的样本选择可以保证研究结果的准确性和可靠性。
首先，研究者需要确定研究的目的和研究对象，然后根据目的和对象选择合适的样本。
样本的选择应该具有代表性，即能够代表整个受试人群的特征。
此外，样本的大小也需要根据研究目的和预期效果来确定。
样本过小可能导致结果不具有统计学意义，而样本过大则可能浪费资源和时间。
因此，在样本选择时需要权衡各种因素，确保样本的合理性和可靠性。
二、数据分析的方法在临床研究中，数据分析是医学统计学的核心内容之一。
数据分析的方法有很多种，常见的包括描述性统计分析和推断性统计分析。
描述性统计分析主要用于对数据进行整体和个体的描述，例如计算平均值、标准差和百分比等。
推断性统计分析则用于对样本数据进行推断，从而得出总体的结论。
常见的推断性统计分析方法包括假设检验、方差分析和回归分析等。
在选择数据分析方法时，需要根据研究目的和数据类型来确定合适的方法。
同时，还需要注意数据的可靠性和有效性，避免因数据不完整或错误而导致分析结果的不准确。
三、结果解释的技巧在临床研究中，结果的解释是医学统计学的另一个重要方面。
结果的解释需要结合研究目的和数据分析的结果来进行。
首先，需要对结果进行描述和总结，明确结果的含义和影响。
然后，需要对结果进行解释和评估，分析其合理性和可靠性。
在解释结果时，需要注意结果的置信区间和显著性水平。
置信区间可以用来表示结果的不确定性，而显著性水平可以用来评估结果的统计学意义。
此外，还需要考虑结果的临床意义和实际应用，从而为临床实践提供有益的指导。
总之，医学统计学在临床研究中具有重要的应用和解读技巧。
巧妙的学好医学统计学作为一名临床医师，有时为了完成一些小科研，或晋升职称，都必须撰写医学论文。
大多数人会碰到一个难题，医学论文的数据都必须进行统计学处理，上大学时学过的《医学统计学》早已忘得差不多了，重新翻开统计学书本，花上十天半个月的时间，还是看得不知所云。
《医学统计学傻瓜教程》有别于其他任何的统计学教程，其特点是略去一些高深难懂的统计学原理及计算公式，直奔解决实际问题的方法。
本教程的学习时间约需要2～3小时，但你必须曾经学过《医学统计学》，不管学得好或学得差，或是否已忘记，只要有一点印象即可，同时还需要下载一个简明统计学处理软件《临床医师统计学助手V3.0》，因为作数据统计学处理时最令人头痛的问题是烦琐的计算，则由预存在本软件内的计算公式来完成。
这是一个全“傻瓜化”的教程，由4个实例组成，只要认真看完这4个实例，将实际中碰到的问题对号入座，就足以解决绝大多数问题了。
接下来我们开始轻松愉快的学习过程。
一、均数与标准差【例1】本组105 例，男55例，女50例；平均年龄：62.3±6.1岁，所有入选病例均符合1999年WHO高血压诊断标准。
举这个例子是为了说明“均数”与“标准差”的概念。
我实在不愿意多花时间阐述一些概念性的东西，但是由于“标准差”实在太重要了。
【例1】中的数据“62.3±6.1”，“62.3”就是年龄的均数，均数的概念大家都懂，那么后面的“6.1”是什么呢？它就是标准差。
有人可能会问，表达一组人的平均年龄，用均数就够了，为什么还要加一个标准差呢？先看下面的一个例子：有两组人，第1组身高（cm）：98、99、100、101、102；第2组身高（cm）：80、90、100、110、120，这两组人虽然身高的均数都是100cm，但是，仔细观察，第1组的身高很接近，第2组的身高差别很大，故仅仅用一个平均数表达一组数据的特征是不完整的，还需要用另一个指标来表达其参差不齐的程度，这就是标准差。
统计学上对一组测量结果的数据都要用“均数±标准差”表示，习惯表达代号是：X±S，具体例子如：平均收缩压120±10.2mmHg。
我想现在大家都已知道标准差是什么东东了，那么，标准差是怎样得到的呢？有一个比较复杂的计算公式，我们不必去深究这个公式是怎么样的，只需知道标准差越小，说明数据越集中，标准差越大，说明数据越分散。
撰写医学论文的第一步是收集原始数据，如：第1组身高（cm）：98、99、100、101、102；第2组身高（cm）：80、90、100、110、120。
在论文中并不是直接给出原始数据，而是要以X±S方式表示。
利用软件《临床医师统计学助手V3.0》，只要输入原始数据，就能自动计算出均数及标准差，即第1组平均身高：100±1.58cm；第2组平均身高：100±15.81cm，如下图。
二、两样本均数差别T检验【例2】目的研究中药板兰根对“非典”疗效。
方法将36例“非典”患者随机分为治疗组19例，采用常规治疗+板兰根口服，对照组17例，仅采用常规治疗。
结果治疗组平均退热时间3.28±1.51d；对照组平均退热时间5.65±1.96d，两组间对照差别有极显著意义（p＜0.01 ）结论中药板兰根对“非典”有显效疗效，实为国之瑰宝。
这是最常见的一种统计学数据处理类型，统计学述语叫做“两样本均数差别T检验”，说得通俗易懂一些，就是检验两组方法所得到的数据到底有没有差异，或者说，差异是否有意义。
我们平时的思维习惯是，数据的大小还用得着检验吗？这是小学生都会的问题。
可是别忘记了现在是在搞科研，科学方法看问题可不一定这么简单。
可能还没有说明白这个问题，下面举一个简单的例子。
我们的目的是得出这样一个结论：“北京出产的西瓜比上海出产的西瓜大”。
最可靠的方法是把所有北京的西瓜和上海的西瓜都测量重量，得到两个均数，然后比大小即可，可是智商正常的人并不会这样去做，通常的做法是，随机选一部分北京的西瓜和一部分上海的西瓜，先让这两部分西瓜比大小，然后推断到底那里的西瓜大。
这种方法是“窥一斑可见全豹”，统计学述语叫做“由样本推断总体”，事实上，我们所做的医学科研都是基于这种方法。
再回到上面的例子，假如我们有二种做法：A、随机选2个北京西瓜，平均重量是5.6±0.3kg；再随机选2个上海西瓜，平均重量是4.3±0.25kg；B、随机选1000个北京西瓜，平均重量是5.6±0.3kg；再随机选1000个上海西瓜，平均重量是4.3±0.25kg。
凭生活常识，由B推出“北京的西瓜比上海西瓜大”这个结论的把握性就非常的大，而A则基本上推不出这个结论。
现在，终于可以引出我们的主题了，统计学处理本质是考查由样本差异推断总体差异的把握性有多大，这种把握性在统计学上由P值表示。
如P＜0.05或P＜0.01，可以理解为由样本差异推断总体差异的把握性达95%或99%以上，两组数据差异有显著意义；如P＞0.05，可以理解为这种把握性在95%以下，两组数据差异没有显著意义。
上面所讲的实已为统计学之精髓，建议多看几遍，如果天生愚鲁，还是看不太懂，也没有关系，现在进一步“傻瓜化”，即所谓统计学处理，只要求得P值即可。
P＜0.05或P＜0.01，表示阳性结果，两组数据差异有显著意义；P>0.05，表示阴性结果，两组数据差异没有显著意义。
所以，统计学处理的中心任务是求P值。
下面讲解遇到【例2】这样的问题，如何求P值。
【例2】中一共有6个数据：第一组均数（X1）、标准差（S1）、例数（N1）与第二组均数（X2）、标准差（S2）、例数（N2），就是根据这6个数据，先通过复杂计算，求出“T”值（如果没有想成为统计学专家，就不必去理解“T”是什么了，知道“T”是为了求“P”用的就可以了），求出“T”值后，再查“T界值表”，就知道“P值”了。
具体解法步骤如下：⑴通过计算（这里略去计算公式，可由软件求出），T=4.088⑵计算自由度：自由度=N1+N2-2=19+17-2=34（计算自由度是为了查T界值表用的，自由度即两组例数之和减去2，不要问我为什么不减去3或减去1这样的问题了。
）⑶查T界值表，对应自由度34，T0.05=2.032，T0.01=2.728,今T=4.088＞T0.01，即P ＜0.01,差别有高度显著意义。
T=4.088是如何求出的呢？我们再回到软件《临床医师统计学助手V3.0》，只要把第一组均数（X1）、标准差（S1）、例数（N1）与第二组均数（X2）、标准差（S2）、例数（N2）这6个数据输入对应的框内，该软件就会利用预先存储的公式自动计算T值，并查T界值表，得到P值，如图：三、配对计量资料T检验【例3】目的研究音乐胎教对胎儿运动技能培养的效果。
方法10例28～32周孕妇，分别记录听音乐（水浒传主题曲）前每小时的胎动次数及听音乐后每小时的胎动次数，结果数据如表1所示，音乐胎教后胎动次数增多，差别有显著意义（p＜0.05 ）结论音乐胎教可增强胎儿运动技能，对培养我国运动天才有现实意义。
显然【例3】与【例2】有所不同，主要是【例3】两组间的数据可以前后配对的。
我们经常碰到这种情况，即同一个体做两次处理，如治疗前检测某一指标，治疗后再检测某一指标，而后做治疗前后配对比较，以判断疗效，正如【例3】。
这种情况如何进行统计学处理呢？同样也是先计算T值，然后按自由度（这时自由度=对子数-1，如本例自由度是9。
）查T 界值表，求得P值。
但是“配对T检验”计算T值的方法与“两样本均数T检验”有所不同，这里不再作介绍，由软件《临床医师统计学助手V3.0》自动完成即可，如下图。
本例T=2.47，自由度=10-1=9，查T界值表，对应自由度9，T0.05=2.26，T0.01=3.25,今T=2.47＞T0.05，即P＜0.05,差别有显著意义。
可能有人会问,【例3】的情况，也可以把胎教前视为对照组，求得平均胎动次数是：21.8±5.31，胎教后视为治疗组，求得平均胎动次数是：24.0±6.31，然后套用【例2】的方法，用“两样本均数T检验”行不行？这样虽无大错误，但是将会导致检验效率的下降，就是说，如果数据差异较大时，两种方法均可，如果数据差异较小时，用“配对T检验”会显示出差异有意义，而用“两样本均数T检验”时，可能差异无意义。
切记，非配对资料误用配对T检验，则是错误的。
四、计数资料卡方检验【例4】目的研究医患关系对重症病人死亡率的影响。
方法根据问卷调查对收住重症监护病房的病人分为“医患关系良好组”与“医患关系紧张组”，比较两组间的住院死亡率。
结果“医患关系良好组”25例，住院间死亡3例，死亡率13.6%，“医患关系紧张组”23例，住院间死亡9例，死亡率39.1%，两组间差别有显著意义（p＜0.05 ）结论医患关系紧张增加重症病人的住院死亡率，可能与医师害怕被病人告而治疗方案趋向保守有关。
【例4】又是一个非常常见的一种统计学数据处理类型。
【例4】中所提供的数据是“比例”，或百分数，与前面三个例子不同，前面三个例子所提供的数据则是直接在病人身上测量到的数据，如收缩压120±10.2mmHg、身高100±15.81cm等，我们把【例4】中的数据叫做计数资料，而【例1、2、3】中的数据叫做计量资料。
计数资料无法用X±S形式表示，只能用比例表示，如：死亡率13.6%、30例中显效10例（10/30）等。
显然，对于计数资料，再用T检是不适合了，必须用卡方检验。
卡方检验的步骤是：先求出X2（类似于T检验时先求T值）值，然后进行判断：⑴如果X2＜3.84，则P＞0.05；⑵如果X2＞3.84，则P＜0.05；⑶如果X2＞6.63，则P＜0.01。
解释一下，上面的两个数字“3.84”与“6.63”是查“X2界值表”得来的，只要记住即可。
所以，卡方检验的关键是求出X2值。
为了求出X2值，必须先介绍“四表格”概念。
“四表格”的形式如下，关键数据是a、b、c、d 四个数，X2值就是通过这四个数据计算出来的（这里仍不介绍公式，由软件计算。
）。
现将【例4】中的数据填入“四表格”即如下图。
当你学会了填“四表格”数据之后，就能利用软件《临床医师统计学助手V3.0》非常容易的进行卡方检验了，本软件提供与“四表格”完全相同的界面，把数据填写正确之后，就自动计算X2值并判断结果，【例4】X2=4.702＞3.84，故P＜0.05，如下图：在此说明一下，大家可能已注意到本软件中出现的“理论数（T）”，在此不解释“理论数（T）”是什么，只要记住，当例数（n）＜40或T＜1时，应采用“精确概率法”，这个方法太复杂，在此不作介绍。
