统计分析思路

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。

如有引用本图者，请注明引自《医学案例统计分析与SAS应用》一书，谢谢。

转自medsci网站
日志
返回日志列表
[转] 医学统计学总结2013-12-22 20:10阅读(1)转载自星之所在<Ivy>
•赞(234)
•评论
•转载(3717)
•分享(1121)
•复制地址
•收藏夹按钮收藏
•更多
上一篇 | 下一篇：麻雀虽小五脏俱全...
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
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
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
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
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
三、Poisson分布资料
1.单样本资料与总体比较：
1)观察值较小时：用确切概率法进行检验。

2)观察值较大时：用正态近似的U检验。

2.两个样本比较：用正态近似的U检验。

配对设计或随机区组设计四、两组或多组计量资料的比较
1.两组资料：
1)大样本资料或配对差值服从正态分布的小样本资料，作配对t检验
2)小样本并且差值呈偏态分布资料，则用Wilcoxon的符号配对秩检验
2.多组资料：
1)若大样本资料或残差服从正态分布，并且方差齐性，则作随机区组的方差分析。

如果方差分析的统计检验为有析：选择合适的方法（如：LSD检验，Bonferroni检验等）进行两两比较。

2)如果小样本时，差值呈偏态分布资料或方差不齐，则作Fredman的统计检验。

如果Fredman的统计检验为有析：选择合适的方法（如：用Wilcoxon的符号配对秩检验，但用Bonferroni方法校正P值等）进行两两比较。

五、分类资料的统计分析
1.四格表资料
1)b+c>40，则用McNemar配对c2检验或配对边际c2检验
2)b+c￡40，则用二项分布确切概率法检验
2.C×C表资料：
1)配对比较：用McNemar配对c2检验或配对边际c2检验
2)一致性问题（Agreement）：用Kap检验
变量之间的关联性分析六、两个变量之间的关联性分析
1.两个变量均为连续型变量
1)小样本并且两个变量服从双正态分布，则用Pearson相关系数做统计分析
2)大样本或两个变量不服从双正态分布，则用Spearman相关系数进行统计分析
2.两个变量均为有序分类变量，可以用Spearman相关系数进行统计分析
3.一个变量为有序分类变量，另一个变量为连续型变量，可以用Spearman相关系数进行统计分析
七、回归分析
1.直线回归：如果回归分析中的残差服从正态分布（大样本时无需正态性），残差与自变量无趋势变化，则直线称为简单回归），否则应作适当的变换，使其满足上述条件。

2.多重线性回归：应变量（Y）为连续型变量（即计量资料），自变量（X1，X2，…，Xp）可以为连续型变量、果回归分析中的残差服从正态分布（大样本时无需正态性），残差与自变量无趋势变化，可以作多重线性回归。

1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素
2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校用
3.二分类的Logistic回归：应变量为二分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量1)非配对的情况：用非条件Logistic回归
(1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素
(2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校用
2)配对的情况：用条件Logistic回归
(1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素
(2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校用
4.有序多分类有序的Logistic回归：应变量为有序多分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素
2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校用
5.无序多分类有序的Logistic回归：应变量为无序多分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、
1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素
2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校用。