statistics2..doc

1.试验数据为计量资料，可t检验进行分析。凡自身对照资料可以采有配对t检验，两组均数比较采用成组t检验，后者需进行方差齐性检验，对非正态分布或方差不齐的数据进行适当的变量转换，待满足正态方差齐后，用转换的数据进行t检验；若转换数据仍不能满足正态方差齐要求，改用t’检验或秩和检验；但变异系数太大（如CV50%）的资料应用秩和检验。 有效率采用X2检验进行检验。四格表总例数小于40，或总例数等于或大于40但出现理论数等于或小于1时，应改用确切概率法。有效率采用X2检验。 2. 医学研究中的统计方法错误使用 三、资料严重偏态却使用 t 检验或方差分析 t 检验和方差分析要求数据服从正态分布，而且方差齐，医学研究中大量的数据并不服从正态分布。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分布，可以进行变量变换，或进行非参数统计。有时从论文中的数据可以看出其资料严重偏离了正态分布，但仍然使用 t 检验或方差分析。因为医学研究数据不可能是负数，当样本不太小时，平均数减 3 个标准差不应是负数，否则就偏离了正态分布规律。 四、 t 检验代替方差分析进行多组间的比较 这种现象还不少见，在统计学上多组计量资料的比较时，应当先做总的检验 ( 各组间方差齐用方差分析，方差不齐需用非参数统计方法来处理 ) ，在得出差别有统计学意义的基础上，再做多重比较，如每两组均数都做比较的 Student-Newmn-Keuls 法，或多个处理组与同一个对照组比较的 Dunnett 法，以及比较 k 组中某一对或某几对在专业上有特殊意义的均数的 LSD 法等。文章中常见错误是将资料拆开，对各种组合下的两两均数分别做成组设计两样本比较的 t 检验或配对 t 检验，且每次比较的检验水准仍然为 =0 ． 05 ，这样就会增大犯错误的概率，将本来无统计学意义的差异误判为有统计学意义。 五、成组 t 检验代替配对 t 检验 随机化分组是保证非处理因素均衡一致的重要手段，增加实验组与对照组间的可比性。配对设计的目的也是减少混杂因素对处理因素的影响，它比成组设计非处理因素更加均衡一致，二者关键是实验设计方案不同，分析目的不同，其统计方法也不同。 六、区组设计的方差分析代替重复测量设计的方差分析 重复测量设计看似随机区组设计，但与其不同的是试验结果按时间顺序排列，不像随机区组设计的处理那样经过随机排列，其不同时间之间是相关的、不独立的，不但可以分析两因素各水平间是否有差别，还可分析两因素有无交互作用。 七、单向有序变量做检验 临床上当疗效或检验结果分成多个等级，如疗效分为痊愈、显效、进步、无效 4 个等级，则 Person 检验只能检验各组构成是否相同，而不能检验各组疗效是否有差别。 八、误用检验公式 检验中的公式较多，各有其适用条件，稍有不慎，即有误用的可能，应根据实验设计和资料的性质进行正确选择。常见的失误有： 普通四格表资料，当 n4O ，但有 1T5 时，没有计算校正 Y 值。 普通四格表资料，当 n4O ，或有 T1 时，仍然用检验，没有选用四格表确切概率法。 R × C 表资料，有理论数 T1 的格，或 1T5 的格数超过总格数的 1 ／ 5 ，没有采用适当的处理方法，而直接套用 R × C 表检验的公式，导致分析的偏性。 配对四格表资料整理为普通四格表，二者设计方案不同， a 、 b 、 c 、 d 的意义不同，分析目的和方法也不同。 九、直线相关与直线回归分析中的问题 进行直线相关与回归分析时，得出回归方程式或算出了 r 值，得出结论前，应先做假设检验，用以推断变量间是否存在直线性的依存关系或相关关系，至于相关的密切程度还要看 r 绝对值的大小，因为 r 的假设检验，无论 P 值多么小，只能说明变量间是否相关，而不能提供相关密切程度的信息。 r 绝对值越接近变量间的相关关系越密切。称为决定系数，表示回归平方和占总平方和的比例，当变量间有相关关系，但不是很大时，提示变量间的相关关系实际意义不大，有些科研工作者对此缺乏了解，在论文中曾发现 r 值为 0 ． 126 ， P0 ． O1 ，决定系数 =1 ． 59 ，而未引起研究者对其实际意义的关心。还有的用直线相关代替曲线相关，用直线相关代替等级相关，应变量为二分类变量却使用线性回归。 十、多因素分析中的问题 随着计算机的普及，多因素分析已日益广泛地应用于医学研究之中。医学研究中所应用的多因素分析有多元线性回归、 Logistic 回归、 Cox 比例风险模型、判别分析、聚类分析、主成分和因子分析、典型相关分析、对应分析、多维标度法、 Poisson 回归分析等。由于这些分析的复杂性，有些研究