临床试验相关统计分析
临床试验中的数据分析方法
临床试验中的数据分析方法在临床试验中，数据分析是评估新药疗效和安全性的重要环节。
合理的数据分析方法可以帮助研究人员准确地评估药物的治疗效果，并从中获取有意义的结果。
本文将介绍几种常用的临床试验中的数据分析方法。
一、描述性统计分析描述性统计分析是对试验数据的基本特征进行总结和描述的方法。
它通常包括测量数据的均值、标准差、中位数和百分比等指标，并可通过绘制直方图、箱线图和散点图等图表来展示数据的分布情况。
描述性统计分析可以帮助我们对数据的整体情况有一个直观的了解，为后续的进一步分析提供基础。
二、假设检验假设检验是在临床试验中用于检验研究假设是否成立的统计方法。
常见的假设检验方法包括t检验、方差分析和卡方检验等。
其中，t检验适用于比较两组样本均值的差异；方差分析适用于比较三组以上样本均值的差异；卡方检验适用于比较两组或多组分类数据的差异。
通过假设检验，我们可以判断药物的治疗效果是否显著，并对结果进行进一步的解读。
三、生存分析生存分析主要用于评估试验中受试者的生存情况和事件发生的时间。
在临床试验中，我们常用的生存分析方法有卡普兰-迈尔曲线和Cox比例风险模型。
卡普兰-迈尔曲线可以显示不同治疗组或不同变量水平的生存曲线，从中可以观察到治疗效果的差异；Cox比例风险模型可以用来分析多个变量对生存风险的影响，并得出风险比值和相应的置信区间。
生存分析可以帮助我们评估药物对患者生存情况的影响，为临床决策提供科学依据。
四、回归分析回归分析是一种用于研究因果关系的统计方法。
在临床试验中，我们常用的回归分析方法有线性回归、逻辑回归和生存回归等。
线性回归适用于研究两个连续变量之间的关系；逻辑回归适用于研究因变量是二分类的情况；生存回归适用于研究因变量是生存时间的情况。
回归分析可以帮助我们确定药物的独立影响因素，并预测结果的变化趋势。
综上所述，临床试验中的数据分析方法包括描述性统计分析、假设检验、生存分析和回归分析等。
这些方法可以帮助我们全面评估药物的疗效和安全性，为临床决策提供科学依据。
临床试验中常用统计分析方法
临床试验中常用统计分析方法在临床试验中，常用的统计分析方法有很多。
下面将介绍一些常见的统计学方法及其作用。
1.描述性统计：描述性统计是对试验数据进行整理和总结，以描述试验样本的特征和分布情况。
它包括了均值、标准差、中位数、百分位数、频率等指标的计算和展示。
2. 整体效应分析：整体效应分析用于评估治疗措施的总体效果。
其中，使用t检验可以比较两个样本的均值差异，配对t检验可以比较同一组样本在不同时间点的均值差异，方差分析可用于比较三个或三个以上组别的均值差异。
此外，如果存在荟萃分析（meta-analysis）数据，可以使用统计学的合并技术进行整体效应的定量分析。
3. 变量关联分析：变量关联分析用于评估两个或多个变量之间的关系。
相关系数可以用来度量两个变量之间的线性关系，如Pearson相关系数和Spearman等级相关系数。
此外，还可以通过回归分析来研究一个或多个自变量对因变量的影响。
4. 风险评估与预测：在临床试验中，风险评估和预测是一项重要的统计方法。
例如，Kaplan-Meier生存分析用于评估治疗组和对照组的生存曲线差异，Cox回归分析用于评估多个自变量对生存时间的风险影响。
5.随机性分析：随机性分析用于评估试验中的随机抽样过程是否满足预设的随机性要求。
例如，随机化完整性检查可用于检查随机分配的效果，查找可能的偏倚。
6.安全性分析：安全性分析主要用于评估药物或治疗措施的不良事件和副作用情况。
可以利用卡方检验或费希尔精确概率检验来比较不良事件在不同组别中的发生率。
以上是临床试验中常用的几种统计分析方法，不同的研究目的、研究设计和数据类型，可能需要采用不同的统计方法进行分析。
此外，临床试验中还可以使用一些高级的统计技术，如生存分析、荟萃分析和多个比较法等，以获得更详细和准确的研究结果。
临床试验数据统计分析概述
临床试验数据统计分析概述临床试验是评估新药物、治疗方法或医疗器械安全性和效果的重要步骤。
数据统计分析是临床试验中至关重要的一环，它能够从庞大的数据中提取有价值的信息，为医疗决策和科学研究提供依据。
本文旨在概述临床试验数据统计分析的基本原则和方法。
一、数据收集和整理临床试验中的数据包含诸多种类，如基本信息、临床参数、实验结果等。
为了有效地进行统计分析，数据的收集和整理工作尤为关键。
在收集数据时，需要确定合适的数据类型、测量方法和时间点，确保数据的准确性和一致性。
数据整理工作主要包括数据清洗、校对和编码等，以便后续的统计计算和分析。
二、描述统计分析描述统计分析是对试验数据的基本特征进行总结和描绘的方法。
通过描述统计分析，可以得到数据的中心趋势、离散程度和分布特征等信息。
其中，常见的描述统计指标包括均值、标准差、中位数、百分位数等。
此外，绘制图表也是描述统计分析的重要手段，如直方图、散点图和饼图等，能够直观地展现数据的分布状况。
三、推断统计分析推断统计分析是基于样本数据，对总体参数进行推断和估计的方法。
通过推断统计分析，可以根据样本数据得出总体特征的估计值，并给出其置信区间或假设检验的结论。
常用的推断统计方法包括参数估计、假设检验和相关分析等。
参数估计可以得到总体参数的点估计和区间估计，假设检验可以判断总体参数是否符合预设的假设，相关分析可以探究变量之间的关联关系。
四、生存分析生存分析是对临床试验中时间至关重要的结果进行统计分析的方法。
生存分析常用于评估事件发生的时间、生存率和生存曲线。
其中，生存分析中的关键概念包括风险比（Hazard Ratio）、生存函数（Survival Function）和生存中位数（Median Survival）等。
常见的生存分析方法有Kaplan-Meier法和Cox回归分析法等。
五、敏感性分析和亚组分析敏感性分析和亚组分析是在临床试验数据统计分析中用于评估结果稳定性和总结异质性的方法。
临床试验中的统计分析方法
临床试验中的统计分析方法临床试验是评估新药、治疗方法或医疗器械安全性和有效性的重要手段。
统计分析方法在临床试验中起着关键的作用，它能够通过对试验数据的整理和分析，为研究者提供有力的科学依据。
本文将介绍临床试验中常用的统计分析方法。
一、描述性统计分析在临床试验中，首先需要进行描述性统计分析，以了解实验数据的总体特征。
常见的描述性统计分析方法包括测量数据的中心趋势和离散程度。
中心趋势主要通过计算平均值、中位数和众数等指标来了解数据的集中程度；离散程度主要通过计算标准差、方差和极差等指标来了解数据的分散程度。
二、假设检验分析假设检验分析是临床试验中常用的统计分析方法之一，其主要用于判断两个或多个样本之间是否存在显著差异。
在假设检验中，通常会设立一个零假设和一个备择假设，通过计算样本数据的统计值，再与理论值进行比较，以确定是否拒绝零假设。
常见的假设检验方法包括独立样本 t 检验、配对样本 t 检验和方差分析等。
独立样本 t 检验用于比较两组独立样本的均值是否有显著差异，配对样本 t 检验用于比较同一组样本在不同时间点或对照组的均值是否有显著差异，方差分析则用于比较多个样本间均值是否有显著差异。
三、相关性和回归分析在临床试验中，常常需要探究变量之间的关系以及预测变量对结果的影响。
相关性和回归分析是用于分析变量间关系的统计方法。
相关性分析主要用于描述两个或多个变量之间的相关关系强度和方向。
相关系数可以通过计算协方差或皮尔逊相关系数来得到，其取值范围为 -1 到 1，正值表示正相关，负值表示负相关，绝对值越接近于1表示相关性越强。
回归分析主要用于建立变量间的数学模型来预测或解释因变量的变化。
常见的回归分析包括线性回归分析、多元回归分析和 logistic 回归分析等。
其中，线性回归分析用于探究自变量和因变量之间的线性关系，多元回归分析则考虑了多个自变量对因变量的影响，logistic 回归分析则用于处理因变量为二分类变量的情况。
临床试验中的统计分析方法
临床试验中的统计分析方法临床试验是评估新药物、治疗方法或其他医疗干预措施疗效和安全性的重要手段。
在进行临床试验时，统计分析方法起到了关键的作用，它帮助研究人员从海量数据中提取有价值的信息，并进行科学、客观的评估和判断。
本文将介绍一些常用的统计分析方法，以及它们在临床试验中的应用。
1. 描述性统计分析描述性统计分析是对试验数据进行整体概括的方法。
它通过计算平均值、中位数、标准差等指标，来描述数据的集中趋势、离散程度等特征。
在临床试验中，描述性统计分析常用于对受试者的基线特征进行总结，以及对治疗组和对照组的基本情况进行比较。
2. 假设检验假设检验是判断试验结果是否具有统计显著性的方法。
它基于概率统计原理，通过比较试验组和对照组之间的差异，判断这种差异是否仅仅是由于随机因素引起的，还是真实存在的。
常见的假设检验方法包括t检验、卡方检验、方差分析等。
在临床试验中，假设检验一般用于比较两种治疗方法的疗效，或者评估新药物与安慰剂之间的差异。
3. 生存分析生存分析是评估试验结果中患者生存时间或发生事件的概率的方法。
它考虑到了不同患者间观察时间的差异，通过构建生存曲线和风险比等指标，来评估治疗干预对患者生存的影响。
生存分析常用于研究药物对患者的治疗效果，尤其对于肿瘤临床试验来说具有重要意义。
4. 回归分析回归分析是通过建立数学模型，来探究自变量与因变量之间的关系。
在临床试验中，回归分析可以用来评估治疗干预对预后结局的影响，并控制其他干预因素的干扰。
常见的回归分析方法包括线性回归、逻辑回归、Cox回归等。
5. 效应量计算效应量是一个衡量试验结果差异大小的指标，它可以用于评估治疗效果的临床意义和实用价值。
常用的效应量计算方法有Cohen's d、相对风险等。
临床试验中，选择合适的效应量计算方法，有助于研究人员更准确地评估治疗干预的疗效。
在临床试验中，合理选择和应用统计分析方法，对于得出准确、可靠的结论至关重要。
临床试验数据管理与统计分析
临床试验数据管理与统计分析临床试验是评估药物、医疗器械等医学产品安全性和有效性的重要手段之一，而数据管理和统计分析则是临床试验的核心环节。
本文将为您介绍临床试验数据管理与统计分析的基本概念、流程以及关键考量。
一、临床试验数据管理临床试验数据管理是确保试验数据质量和完整性的过程。
它包括数据采集、存储、验证、清洗和整合等环节。
以下是临床试验数据管理的一般步骤：1. 数据采集：设计合理的数据采集表或电子数据采集系统，确保收集到准确、完整的数据。
2. 数据存储：建立安全可靠的数据库或数据管理系统，妥善保存试验数据，防止数据遗失或篡改。
3. 数据验证：对收集到的数据进行审核，检查是否符合试验方案和规定的质量控制标准。
4. 数据清洗：纠正数据中的错误、缺失和逻辑问题，保证数据质量和可靠性。
5. 数据整合：将来自不同试验中心的数据整合到一个统一的数据库中，以便进行后续统计分析。
在临床试验数据管理中，需要考虑到数据的完整性、准确性、保密性以及合规性。
严格的合规要求可以确保试验数据的可信度和可靠性，这对于后续的统计分析至关重要。
二、临床试验统计分析临床试验统计分析是根据试验数据进行量化分析，评估并得出结论的过程。
它包括描述性统计分析、推断性统计分析和生存分析等内容。
以下是一般的统计分析步骤：1. 描述性统计分析：对试验数据进行整体摘要和描述，包括均值、中位数、标准差等统计指标。
此外，还可以通过绘制直方图、散点图等图表形式进行数据可视化。
2. 推断性统计分析：通过对试验数据进行假设检验和置信区间估计，判断治疗效果的显著性差异。
同时，还可以进行回归分析、方差分析等深入探究因素对治疗效果的影响。
3. 生存分析：对试验数据中的生存时间进行分析，如计算生存率、绘制生存曲线等，评估治疗效果对生存期的影响。
在临床试验统计分析中，需要充分考虑到样本量、数据的正态性、随机性以及多重比较等问题。
合理选择适用的统计方法和工具，避免统计误差和偏差，能够提高分析结果的科学性和可靠性。
临床试验中的统计分析方法与结果解读
临床试验中的统计分析方法与结果解读在临床试验中，统计分析方法和结果解读扮演着非常重要的角色。
通过统计分析方法，我们可以对试验结果进行客观、科学的评估和解读。
本文将详细介绍临床试验中常用的统计分析方法，并简要解读结果。
一、统计分析方法1.描述性统计方法描述性统计方法是对试验数据进行总体特征的描述。
常见的描述性统计方法有：（1）平均值：表示数据集中趋势的指标。
（2）标准差：表示数据离散程度的指标。
（3）中位数：表示数据的中间值，用于描述数据的分布特征。
（4）百分位数：表示数据在整体中的位置。
2.推断性统计方法推断性统计方法通过对样本数据进行分析，估计总体参数，并判断差异是否显著。
常见的推断性统计方法有：（1）假设检验：用于判断样本差异在统计上是否显著。
（2）置信区间：估计总体参数的范围。
（3）回归分析：用于研究变量之间的关系。
二、结果解读1.显著性水平在假设检验中，显著性水平是一个重要指标。
通常将显著性水平设为0.05，表示接受原假设的抽样误差较小，拒绝原假设的抽样误差较大。
如果p值小于0.05，则认为差异具有统计学意义。
2.效应量效应量用于衡量样本结果的大小。
它反映了一个变量对另一个变量的影响程度。
常用的效应量指标有：相关系数、风险比、相对风险等。
3.置信区间置信区间是对总体参数的范围进行估计。
一个典型的置信区间通常表示为：点估计值 ±标准误差 ×临界值。
置信区间可以帮助我们判断样本结果的稳定性和可靠性。
4.实际意义除了统计学意义之外，我们还应该关注试验结果的实际意义。
不仅仅要看结果是否具有统计学意义，还要考虑其在临床实践中的应用和意义。
总之，在临床试验中，统计分析方法和结果解读是科学研究的重要环节。
准确的统计分析可以使我们对试验结果有一个客观、全面的评估，以便更好地指导临床实践。
因此，研究人员需要熟练掌握合适的统计方法，并正确解读结果，以提高研究质量和可信度。
临床试验的研究设计与统计分析
临床试验的研究设计与统计分析临床试验是评估新药、新治疗方法或医疗器械安全性和疗效的关键环节，它对于指导临床决策和提高患者治疗效果具有重要意义。
本文将重点介绍临床试验的研究设计以及统计分析的相关方法和技巧。
一、临床试验研究设计1. 研究类型选择根据研究目的和数据获取方式，临床试验研究设计可分为观察性研究和干预性研究。
观察性研究主要通过观察人群的暴露与结果之间的关系，探索潜在的危险因素和保护因素。
干预性研究则通过对人群进行干预，评估干预措施的效果。
常见的干预性研究设计包括随机对照试验、非随机对照试验和自身对照试验。
2. 样本容量计算样本容量的确定是保证试验结果的可靠性和有效性的关键步骤。
通过样本容量计算，可以估算出适当的样本规模，以减少随机误差和提高统计检验的可靠性。
样本容量计算需考虑试验的研究问题、预计的效应大小、显著性水平、统计检验的类型等因素。
3. 随机化设计随机化是临床试验中的重要原则，它能够降低实验组与对照组之间的混杂因素的影响，提高试验结果的可靠性。
常见的随机化设计包括简单随机化、分层随机化和区组随机化等。
在随机化设计中，应根据试验的目的和实际情况选择适当的随机化方法。
4. 平行设计与交叉设计在干预性临床试验中，研究设计可以采用平行设计或交叉设计。
平行设计将受试者随机分配至实验组和对照组，在不同组中接受不同的干预措施；交叉设计则是将受试者分为不同顺序接受不同干预措施，并在每个干预阶段测量结果。
二、临床试验统计分析1. 描述性统计分析试验数据的描述性统计分析是对试验数据的基本特征进行总结和描述。
如平均数、标准差、中位数、分位数等。
通过描述性统计分析，可以了解试验数据的分布情况、集中趋势和离散程度，为进一步的推断性统计分析提供基础。
2. 推断性统计分析推断性统计分析是基于样本数据对总体进行推断，判断样本间差异是否代表总体间的差异。
常见的推断性统计分析包括假设检验和置信区间估计。
假设检验用于验证研究假设是否成立，置信区间估计则用于评估参数估计的精度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
描述 -生存时间 生存率 风险率 • 非参数法 -KM法 、寿命表 (LIFETEST) • 参数法- 指数模型、Weibull模型、Gompertz模型 ( LIFEREG) • 半参数法- COX回归 (PHREG)
03
数据分析
数据分析
推断性描述：1. t 检验
1.1 单样本t检验（The One-Sample t-Test）：临床试验中应用最广泛的是在配对数据， 包括开放性试验前后比较和随机对照试验中组内比较
回归系数b
优势比OR
RR
至少变量数的10倍
至少变量数的20倍
非截尾例数至少变量数的10倍
应用
因素分析 预测预报 Y
因素分析 预测、判别P(Y＝1)
因素分析 生存预测 S(t)
04
结果解读
结果解读
P值与置信区间
e.g.: 一项样本量为804的对照试验，Enalapril组和hydralazine 联合nitrates组 的死亡率分别为33％和38％，两组死亡率差异为5％, p=0.11（95％可信区间： -1.2%~ 12%）
1. 不能排除疗效差异有临床意义 2. 区间范围大根源：样本量较少，阴性结果可能是样本量较少造成
结论：可能样本量不足，无法检验出两组差异
结果解读
：P >0.05
上限小于临床最小有意义值， 试验结论阴性
上限大于临床最小有意义值， 试验结论不确定
阳性结果：P <0.05
连续型：是指X可以取某一区间的所有值。比如，我们定义X为收缩压血压值，理论 上来说X可以取任意非负值
数据分类
参数估计与非参数估计
参数检验parameter test，对参数平均值、方差进行的统计检验
参数检验是针对参数做的假设，非参数检验是针对总体分布情况做的假设
参数检验要利用到总体的信息（总体分布、总体的一些参数特征如方差），以总 体分布和样本信息对总体参数作出推断；非参数检验以样本信息对总体分布作出推 断。
PROC TTEST; PAIRED WTPRE*WTPST; RUN;
1.2 两样本t检验（The Two-Sample t-Test）：应用于随机对照试验中组间比较
PROC TTEST; CLASS GROUP; VAR CHANGE; RUN;
T检验要求：正态分布, 方差齐性，（but中心极限定理，>50/组） 方差齐性 （TTEST）和正态性检验 （UNIVARIATE ） H0假设是 方差齐和正态分布，P>0.05 表示不拒绝H0，数据方差齐/正态分布
FAS 全分析集
从所有随机化的病人中以合理的方法尽可能少地排 排除：（1）违反IE ；（2）病人未曾
除病人
用药；（3）随机化后没有任何数据
PP 符合方案集
Keep：（1）完成了预先确定的治疗 ITT的一个子集，其中更加符合方案的一部分病例 最小量（2）主要变量可以测定（3）
没有重大违反方案
SS（safety set) 至少接受过一次研究药物治疗的随机化病人
安全性分析指定数据集
*Based on ICH E9
数据分析集
常见分析集 analysis set 及其应用
ITT population：Austin Bradford Hill （1955）
（1）从随机化的角度，随机化的目的在于保证受试者一些可能影响结局的因 素在分配的治疗组间保持均衡
（2）从临床实践的角度，药物疗效分析有两部分（ Pragmatic + Explanatory）
least square means VS. means
中心 1 2
A 2, 2, 2 6, 7
B 4, 5 2, 4, 6
means的计算：A=（2＋2＋2＋6＋7）/5＝3.8； B=(4＋5＋2＋4＋6）/5＝4.2 Lsmean的计算：A= (2+6.5)/2=4.25 ; B= (4.5+4)/2=4.25
PROC NPAR1WAY WILCOXON; CLASS TREAT; VAR SCORE; RUN;
数据分析
推断性描述：4.卡方分析 4.1 Chi-Square Test即卡方检验，主要用来率的比较
2*2：PROC FREQ; TABLES GROUP*RESPONSE/CHISQ; RUN; R*C： PROC FREQ; TABLES GROUP*RESPONSE/CMH; RUN;
证实性临床试验（confirmatory trial）中，通常同时进行ITT分析和PP分 析，
02 数据分类
数据分类
数据资料与对应统计变量
数据分类
随机变量分类
随机变量： 离散型（discrete）和连续型（continuous）
离散型：是指X的取值是有限个或可列无限个。比如我们掷硬币，我们定义随机变 量是正面的次数，那么我们掷10次，那么X的取值只能是0,1,2,3,4,5,6,7,8,9,10
Lsmean 是考虑消除区组因素后的mean，先计算 区组内mean再计算治疗组间mean。
数据分析
推断性描述：3. 秩和检验 3.1 Wilcoxon Signed-Rank Test （Wilcoxon符号－秩检验）最常用于配对数据
PROC UNIVARIATE; VAR DIFF; RUN;
3.2 Wilcoxon Rank-Sum Test（Wilcoxon秩和检验）用于两个独立样本的非正态分布 数据的比较，也称为Mann-Whitney U Test，两者是等价的，计算出的p值也是相同的。
PROC NPAR1WAY WILCOXON; CLASS TREAT; VAR SCORE; RUN; 3.3 Kruskal-Wallis Test：临床试验中常用来比较三个Wilcoxon Rank-Sum Test或 三个以上剂量组或治疗组非正态分布变量的比较。
EMEA(The European Agency for the Evaluation of Medicinal Products) guideline: 1. 优效性试验的主要分析集应为ITT，PP可作为其证实性分析集。 2. 非劣效/等效试验中，ITT和PP具有同等重要的作用，并需要两者的结论相似。
Y=1x1 + 2x2 +•••+ mxm
h(t,x)=h0(t)exp(1x1 + 2x2 +•••+ mxm ）
变量筛选 参数估计 参数检验
参数解释 样本含量
前进法；后退法；逐步法
最小二乘法
最大似然法
最大似然法
F-test t-test
似然比检验
似然比检验
Wald检验 score检验 Wald检验 score检验
下限小于临床最小有意义值， 试验结论不确定
下限大于临床最小有意义值， 试验结论阳性
谢谢
临床试验相关统计分析
目录
01
数据分析集
数据分析集
常见分析集 analysis set 及其应用
分析集
ITT
定义解释
Note
最标准的最严格的ITT定义简单说就是“一旦随机，
就要分析”
不管是否用药，DV，用错药
Practical ITT/MITT 从所有随机化病人中以合理的方式排除一些病人
随机并吃药，至少一个有效性指标有 随访数据
生存资料特点 ： 1 生存时间的分布一般为非正态分布 指数分布,对数正态分布 ，Weibull分布，Gamma分布，……
2 含有截尾数据(censored data) 截尾数据提供的信息是不完全的 是否出现、何时出现结局不知道
数据分类
生存资料分析
生存资料的分析 估计： Kaplan- Meier法，寿命表法 比较： log-rank检验 影响因素分析：Cox比例风险回归模型（Cox回归模型） 预测： Cox回归模型预测生存率。
FISHER：Fisher’s Exact Test 精确检验 存在格子数<5 AGREE： McNemar’s Test 配对率的前后 比较
数据分析
推断性描述：5. 回归分析
数据类型 模型结构
多元线性回归
logistic回归
Cox回归
Y数值变量
Y分类变量
Y二分类变量+时间
X数值变量、分类变量、等级变量
检验功效参数检验大于非参数检验，参数检验只能用于正态分布数据
数据分类
生存资料
生存分析(Survival analysis)是指根据试验或调查得到的数据对生物或人的生存 时间进行分析和推断，研究生存时间和结局与众多影响因素间关系及其程度大小 的方法，也称生存率分析或存活率分析。（20th 30s，1972 Cox）
1. p=0.11>0.05 两组死亡率差异没有统计学意义
2. 95％CI：-1.2%~ 12% 包含0，p 值>0.05
结论：两组治疗没差异
结果解读
P值与置信区间 e.g.: 一项样本量为804的对照试验， Enalapril组和hydralazine 联合nitrates组 的死亡率分别为33％和38％，两组死亡率差异为5％, p=0.11（95％可信区间： -1.2%~ 12%） 95％CI：-1.2%~ 12% 差异上限12% 区间跨度大 检验power 约为31%
PROC GLM; CLASS GROUP CENTER; MODEL CHANGE=GROUP CENTER GROUP*CENTER/SS3; RUN;
同T检验要求：正态分布, 方差齐性 PROC ANOVA vs. GLM: ANOVA 用于平衡数据，GLM 均可
数据分析
推断性描述：2. 方差分析
数据分析
推断性描述：2. 方差分析