医学科学研究论文中统计方法的正确应用摘要.doc

医学科学研究论文中统计方法的正确应用 一、 统计方法正确应用的重要性　　医学统计方法很多,各适用于不同的数据。临床试验中所用统计方法必须根据数据情况认真选用。这是因为,数理统计是根据一定的数据分布推导出一定的统计方法,它仅适用于一定的数据。例如,ｔ检验及方差分析是由正态分布数据以及各组方差相同推导出来的,因而要求数据为正态分布(至少接近正态分布)且方差齐性。但是,在论文的统计方法部分常有如下阐述:一般资料进行χ2检验,其余资料进行ｔ检验,这种不管数据分布是否很偏态,就一概使用某种统计方法不正确。此外,分类数据与计量数据的统计方法也不同,分类数据中对于名义变量和顺序变量的统计方法也不同。统计方法应用的错误会使整个精心进行的研究得出错误的结论。在这一讲中我们将结合目前文献中常见的一些统计方法的错误应用,对如何根据数据的情况来正确地选择统计方法进行讨论。　　二、 统计方法上常见的一些问题　　1.ｔ检验和方差分析要求数据服从正态分布:在医学研究中大量的数据并不服从正态分布。有时可以从报告中的数据看出。例如,在文献中体温降至正常的平均日数在两组分别为3 .0±1 .7及2 .4±2 .0。由数据可以看到标准差是平均数的1/2以上,甚至接近平均数。这就提示数据严重偏离了正态分布。因为,当数据不可能为负值(如日数),且样本不是过小时,按正态分布规律,平均数减3个标准差仍应是正数。这里平均数减3个标准差已经是-2.1和-3.6了。因为日数不可能是负数,这就说明数据偏离了正态分布规律。又如,文献[2]关于统计分析方法方面写道:“测量参数以ｘ±ｓ表示。根据性别及骨密度(2.5ｓ为界)分组,用两样本均数ｔ检验对组间各形态计量参数进行统计分析(SPSS8.0软件)。样本均数与总体均数用ｔ检验比较形态计量学参数与正常参考值之间的差异”。由文内表格(表1)可以看到有不少标准差大于均数。数据很可能是很偏态,不宜使用ｔ检验。事实上,ｔ检验和方差分析是一种所谓“稳建的”(robust)统计方法。就是说,当分布偏离正态分布不大时,对其结果的影响不大。但对于计量数据还是应当先做正态性检验。如果正态性检验结果认为数据不服从正态,可以进行数据转换,但比较麻烦。简单的方法是用非参数统计。过去一般认为非参数统计效率较差,但这是指当数据为正态分布时。如果数据是非正态分布时其效率比参数法高,甚至可以高出很多。常用的有秩和检验和符号秩和检验等。　　2.关于多组计量资料的一揽子比较:在多组计量资料的组间两两比较时不可以用“一揽子比较”。所谓“一揽子比较”是进行多组比较时进行所有的两两比较。这是因为,在进行两组间比较时我们确定了第Ⅰ类错误的概率α。一般我们用α=0.05。如果做一揽子比较,α就会扩大,也即,第Ⅰ类错误的概率扩大了。我们就会得到过多的假阳性结果。这时对第Ⅰ类错误的概率α进行调整的方法很多。一般先做方差分析,然后再用各种多重比较的方法,如Student Newman Keuls法等,做各组间的两两比较。文献[2]是一个用错了的例子。文献[4]的表中(表2),原作者对A、B、C3组做了一揽子比较。正确的做法应当是先做总的检验,然后再做多重比较。本例还有各组间方差不齐的问题。不宜用方差分析而需用非参数统计方法来处理。　　3.顺序变量的χ2检验:(1)临床疗效的比较:2组有效率的比较,用四格表χ2检验或Fisher精确检验法是可以的。但是,如按疗效分成多个等级,如痊愈、显效、进步、无效　　　4个疗效等级,则目前常用的χ2(Peasonχ2)不能说明疗效的好坏。因为Peasonχ2只检验结构是否均衡而不能检验2组疗效是否有差别。在表3这个假设的例子中, Peasonχ2检验得到差别有高度统计意义的结果。而实际上很难说哪一组疗效更好。如果我们对表3中任何两列进行对换。Peasonχ2的数值也不会有变化。 　　表1老年股骨颈骨折患者骨密度、骨形态计量学参数与形态计量学正常值比较(%,ｘ±ｓ)组别 例数 TBV OV TOS PRS正常值 15.36 1.07 13.21 4.76骨密度降低≥2.5ｓ 10 8.68±3.18 7.78±13.54 6.55±7.07 6.79±8.68骨密度降低2.5ｓ 7 7.92±2.58 4.35±7.40 5.94±6.27 2.43±2 .9与正常值比较: Ｐ0.05, Ｐ0.001表2 燃煤型砷中毒患者皮肤组织中p53mt阳性表达分析组别 例数阳性 细胞密度(ｘ±ｓ) 阳性率(%)Ａ组 18 38.07±29.00 88.89Ｂ组 11 17.16±15.00 72.73Ｃ组 39 4.05±8.24 25.64对照 12 0 0 　　各组与对照比较:Ｐ0.01;Ａ与Ｂ比较Ｐ0.01;Ａ与Ｃ比较Ｐ0.0