应用统计学的基本概念
统计的基本概念与应用
统计的基本概念与应用统计学是一门研究收集、处理、分析和解释数据的科学。
在日常生活和各个领域中，统计学都起着重要的作用。
本文将介绍统计学的基本概念和其在实际应用中的重要性。
一、统计的基本概念统计学的基本概念包括总体与样本、参数与统计量、随机变量与分布等。
（1）总体与样本：总体是指研究对象的全体，而样本是从总体中抽取的一部分个体。
通过对样本的数据进行统计分析，可以推断出总体的特征。
（2）参数与统计量：参数是总体的数值特征，如总体的平均值、方差等。
统计量是样本的数值特征，通过对统计量的计算可以对总体参数进行估计。
（3）随机变量与分布：随机变量是在随机试验中表示各种可能结果的变量。
概率分布则描述了随机变量可能取值与其对应的概率。
二、统计的应用领域统计学在各个领域都有着广泛的应用，如社会科学、自然科学、医学和商业等。
以下是其中几个重要领域的应用示例：（1）社会科学中的统计应用：社会科学研究中，通过对样本数据的统计分析，可以推断出总体特征。
例如，在一项选举调查中，通过对一部分选民的样本调查分析，可以预测候选人的胜选概率。
（2）自然科学中的统计应用：在实验科学中，统计学被广泛应用于数据分析与结论推断。
科学家使用统计学方法来评估实验结果的有效性，并确定其结果是否具有统计显著性。
（3）医学中的统计应用：医学研究中，统计学被用于评估医疗方案的有效性，比如药物治疗的效果以及治疗方法的可行性。
同时，统计学也用于分析疾病的发病率和流行趋势。
（4）商业中的统计应用：在商业领域中，统计学被广泛用于市场调研、销售预测和企业管理等方面。
通过对大量数据的统计分析，企业可以做出更准确的决策和战略规划。
三、统计的重要性统计学作为一门科学，对于推动社会发展和解决问题具有重要意义。
（1）数据的收集和整理：统计学提供了有效的方法和工具，帮助人们收集、整理和管理大量的数据。
这些数据是进行各种统计分析和决策制定的基础。
（2）信息的解释和应用：通过对数据的统计分析，我们可以对信息进行解释和应用。
统计量的基本概念及其应用
统计量的基本概念及其应用统计学是指以收集、整理、分析、解释和抽样等方法，研究群体总体特征和个体间关系的一门学科。
而统计量就是指统计学研究中所使用的各种数字指标和计算结果，是对数据的描述和度量。
本文将从统计量的基本概念和应用方面进行讨论。
一、统计量的基本概念1.1 样本与总体在统计学研究中，数据的来源通常是从总体中随机选择一些样本来进行研究。
总体是指具有一定特征的全部个体，如全国所有人口；而样本是指从总体中随机抽取的一部分，如全国人口中的一部分。
1.2 中心趋势指标中心趋势指标用于描述数据分布的中心，通常包括平均数、中位数、众数等指标。
平均数是指数据的算术平均值，是最常见的中心趋势指标；中位数是指数据排序后中间的数值；众数是指数据中出现最频繁的数值。
1.3 离散程度指标离散程度指标用于描述数据的分布程度，通常包括方差、标准差、极差等指标。
方差是指数据离平均数的距离的平方和与数据个数的比值；标准差是方差的正平方根，用于描述数据的离散程度，越大说明数据分布越分散；极差是指数据的最大值与最小值之差。
1.4 偏态和峰态偏态用于描述数据分布的不对称程度，通常包括正偏态和负偏态。
正偏态是指数据分布呈现右偏的形态，即数据的平均数大于中位数；负偏态则是呈现左偏的形态，即数据的平均数小于中位数。
峰态用于描述数据分布的峰度，通常包括正峰态和负峰态。
正峰态是指数据分布的波峰较高，呈现比较尖锐的形态；负峰态则是波峰较平缓的形态。
二、统计量的应用2.1 假设检验假设检验是统计学中常用的应用之一，用于验证某个假设是否成立，如判断一个新的药品是否有效。
在进行假设检验时，需要确定一个零假设和一个替代假设，通过计算统计量的值来决定是否拒绝零假设。
2.2 方差分析方差分析也是统计学中的一种应用，主要用于分析多个样本间的差异，如比较不同地区、不同年龄段和不同性别的人口数据。
在进行方差分析时，通常需要计算F值和P值，以判断不同样本间的方差是否有显著性差异。
统计学的三组基本概念
统计学的三组基本概念统计学是一门研究数据收集、整理、分析和解释的学科，它在各个领域中广泛应用，并发展出了许多基本概念和方法。
下面我将介绍统计学的三组基本概念。
第一组基本概念是描述统计学概念。
描述统计学是统计学的一个分支，它关注的是对数据进行总结和描述。
在描述统计学中，我们常用的基本概念包括变量、测量尺度、频率分布和图表等。
变量是描述研究现象或对象不同特征的属性。
根据其性质，变量可分为定性变量和定量变量。
定性变量是指描述对象属性或特征的变量，如性别、种族、学历等；定量变量是指可以进行数值比较的变量，如身高、体重、成绩等。
测量尺度是用来度量变量的属性的一种方法。
常见的测量尺度包括名义尺度、顺序尺度、间隔尺度和比例尺度。
名义尺度用来测量定性变量，它只能用来区分对象之间是否具有某种属性；顺序尺度除了可以区分对象是否具有某种属性，还可以表达对象之间的关系；间隔尺度在顺序尺度的基础上增加了单位间隔的概念，可以进行比较和加减运算；比例尺度在间隔尺度的基础上增加了零点的概念，可以进行除法运算。
频率分布是对变量在不同取值上出现的次数或占比进行总结和描述。
一般情况下，频率分布包括表格形式和图表形式两种。
表格形式将变量的不同取值列在一起，记录其频数和频率；图表形式将频率分布以图形的方式展示，如直方图、饼图和线图等。
第二组基本概念是统计推断概念。
统计推断是统计学的另一个分支，它关注的是基于样本数据对总体性质进行推断的方法。
在统计推断中，我们常用的基本概念包括概率、抽样、估计和假设检验等。
概率是描述随机事件发生可能性的一种度量。
统计学中的概率可以用来描述随机变量的分布、事件的发生概率等。
概率的计算基于一些基本规则，如加法规则和乘法规则等。
抽样是从总体中选取一部分个体作为样本进行研究的过程。
抽样的目的是通过样本的统计量来推断总体的参数。
常见的抽样方法包括简单随机抽样、分层抽样和系统抽样等。
估计是根据样本数据对总体参数进行推断的过程。
应用统计学 知识点考点汇总
（1）约有68%的观测值落于 ( x , x ) 的区间内； （2）约有95%的观测值落于 ( x 2 , x 2 ) 的区间内； （3）约有99.7%的观测值落于 ( x 3 , x 3 )的区间内；
3.数据的分布形状 偏斜度（Pearson偏态系数、矩法求偏态系数的计算及
第八章 相关与回归分析
1.函数关系与相关关系
2.简单线性相关分析
n
n
n
总体相关系数、样本相关系数n（简xi y便i 公 式xi ）y、i 相关
3. 系一数元的线假性设回检归验分、析相关分析r 中n应in1注xi2 意i(1i的n1 x问i )2题in1 （in1 i虚y1i2 假( i相n1 y关i )2 ）
登记性误差和代表性误差 重点：各种统计调查方式的特点和区别。
第三章 数据整理
1.数据分组（分组的目的、原则） 2.统计分组的方法
品质分组的方法 变量分组的方法：单项式分组、组距式分组（等距 和不等距 ）
根据统计数据编制次数分配表（也称频数分配 表）、绘制直方图、计算累计次数（向上累计、向 下累计）
ቤተ መጻሕፍቲ ባይዱ
因素B SB
s1
SB
SB s1
FB
SB SE
误 差 SE
(r 1) (s 1)
SE
SE (r 1)(s 1)
总 和 ST rs 1
第七章 卡方检验
1.卡方检验的基本原理 比较理论频数与实际频数吻合的程度. 2.卡方检验的具体应用（拟合度检验、独立性
检验、同质性检验） 3.列联表的简单计算公式
分位数、几何平均数、调和平均数等的计算；（注 意应用条件及分组数据的计算）
应用统计学基本概念
统计总体：统计研究的对象的全体，简称总体。
特征：大量性、同质性、变异性总体单位：构成总体的各个基本单位。
标志：说明总体单位所具有特征的名称。
品质标志和数量标志（统计）指标：反映总体数量特征的概念和具体数值。
构成要素：指标名称、计量单位、指标数值、时间、地点。
特点：数量性、综合性、客观性关系：联系：指标值是由总体单位的数量标志汇总而来，在特定条件下可以互相转换。
区别：反映的对象不同；指标能用具体数值表示，标志未必；指标数值通过汇总得到，标志可直接取得；指标是总体在特定条件下的数量特征，而标志没有时间属性、空间概念。
时期指标：反映连续发生变化的现象或总体在一段时期内发展过程的总量。
时点指标：反映不连续发生变化的现象或总体在某一时间点上的状况或水平的总量。
统计调查的种类：按调查的组织形式：统计报表调查和专门调查（普查、抽样调查、典型调查、重点调查）范围：全面和非全面（抽样、重点、典型）时间：经常性和一次性统计分组：根据研究目的，用某个或某几个标志将总体划分为若干性质不同的部分的一种统计方法。
作用：划分总体或现象的类型，研究总体或事物的内部结构，研究现象之间的相互依存关系。
分组标志：将总体划分为若干性质不同组的标准或依据。
种类：品质标志和数量标志。
统计分组体系：对某一总体运用多个不同标志进行分组形成的相互联系、相互补充的体系。
简单分组及平行分组体系和复合分组及复合分组体系。
统计表: 总标题、横行标题、纵栏标题、数据资料；主词和宾词总量指标：反映在社会经济现象在一定时间、地点、条件下的总规模或总水平的统计指标。
反映的内容不同：总体单位总量和总体标志总量；时间状况不同：时期指标和时点指标相对指标（相对数）：计划完成相对数（实际/计划）、强度、比较、比例、结构、动态。
时间序列：将同一现象在不同时间上的一系列指标数值，按时间先后顺序排列而成的序列。
绝对数时间序列、相对数、平均数趋势剔除法下，季节比率的计算步骤：计算移动平均数Mij；剔除长期趋势；将剔除长期趋势后的资料Xij按各年同期排列计算各年同期平均数；计算调整系数；季节比率。
应用统计学大一课程
应用统计学大一课程摘要：1.应用统计学大一课程简介2.课程的主要内容3.课程的学习方法和技巧4.课程对学生的意义和价值5.总结正文：一、应用统计学大一课程简介应用统计学大一课程是针对统计学专业大一学生的一门必修课程，旨在帮助学生建立统计学的基本概念和方法，培养学生解决实际问题的能力。
该课程为学生提供了统计学的基本理论、数据处理技术和实际应用案例，使他们在后续专业课程学习中具备扎实的基础。
二、课程的主要内容1.统计学基本概念：包括随机事件、样本空间、概率分布等。
2.常见概率分布：包括离散型概率分布和连续型概率分布，如二项分布、正态分布等。
3.抽样分布：包括t 分布、卡方分布、F 分布等。
4.参数估计：包括点估计和区间估计，如矩估计、极大似然估计等。
5.假设检验：包括单样本假设检验、双样本假设检验、方差分析等。
6.相关与回归分析：包括线性回归、多元回归、非线性回归等。
三、课程的学习方法和技巧1.理解概念：要学好应用统计学，首先要理解统计学的基本概念和原理，这样才能灵活运用到实际问题中。
2.掌握方法：学会运用统计软件（如R、SPSS 等）进行数据处理和分析，熟练掌握各种统计方法。
3.大量练习：通过做课后习题、参加模拟考试等方式，不断提高自己的实际解题能力。
4.结合实际案例：通过阅读专业书籍、参加学术讲座等途径，了解统计学在实际问题中的应用，提高自己的实际问题解决能力。
四、课程对学生的意义和价值应用统计学大一课程的学习，对于统计学专业的学生具有重要的意义和价值。
首先，该课程为学生打下了扎实的专业基础，为后续学习提供了支持；其次，该课程培养了学生解决实际问题的能力，提高了他们的综合素质；最后，该课程使学生具备了一定的科研能力，为他们的未来发展奠定了基础。
五、总结应用统计学大一课程是一门具有重要意义的课程，学生应该认真学习，掌握课程内容，提高自己的专业素养。
统计学中的几个基本概念
统计学中的几个基本概念统计学是一门研究数据收集、分析和解释的学科，它在各个领域都有广泛的应用。
在统计学中，有几个基本概念是非常重要的，它们是我们理解和运用统计学的基础。
下面我将介绍一下统计学中的几个基本概念。
第一个基本概念是总体和样本。
在统计学中，我们通常研究的是一个总体，总体是指我们感兴趣的所有个体或事物的集合。
而样本则是从总体中选取出来的一部分个体或事物。
通过对样本进行观察和分析，我们可以得出关于总体的推断和结论。
第二个基本概念是参数和统计量。
参数是指总体的特征或性质，比如总体的平均值、方差等。
而统计量则是根据样本数据计算得出的总体参数的估计值。
通过对样本数据进行统计分析，我们可以得到关于总体参数的估计值，并通过统计推断方法来判断这个估计值的可靠程度。
第三个基本概念是随机变量和概率分布。
随机变量是指在随机试验中可能取得不同值的变量。
而概率分布则是随机变量所有可能取值及其对应概率的描述。
在统计学中，我们经常使用概率分布来描述随机变量的性质和特征，比如正态分布、二项分布等。
第四个基本概念是假设检验和置信区间。
假设检验是用于判断总体参数是否符合某种假设的方法。
在假设检验中，我们首先提出一个原假设和一个备择假设，然后根据样本数据进行统计推断，得出是否拒绝原假设的结论。
而置信区间则是对总体参数估计的一种方法，它给出了一个区间范围，我们可以有一定的置信水平认为总体参数落在这个区间内。
第五个基本概念是回归分析和相关分析。
回归分析用于研究两个或多个变量之间的关系，并建立一个数学模型来描述这种关系。
通过回归分析，我们可以预测一个变量对另一个变量的影响程度，并进行因果推断。
而相关分析则用于衡量两个变量之间的相关性，它可以帮助我们了解变量之间的关联程度和方向。
以上就是统计学中的几个基本概念。
这些概念为我们理解和运用统计学提供了重要的工具和方法。
在实际应用中，我们可以根据具体问题选择适当的统计方法，并利用这些基本概念进行数据分析和推断，从而得出科学、准确的结论。
统计学--基本概念和方法
统计学--基本概念和方法统计学是一门研究如何收集、处理、分析、解释和应用数据的学科。
它是现代科学、工程、医学、社会科学和商业等领域中不可或缺的一部分。
以下是统计学的基本概念和方法的详细介绍：一、基本概念1. 总体和样本：总体是指研究对象的全体，而样本是从总体中抽取的一部分。
2. 参数和统计量：参数是总体的数值特征，如总体均值、方差等；而统计量是样本的数值特征，如样本均值、样本方差等。
3. 随机变量和概率分布：随机变量是指随机试验中的变量，如掷骰子的点数；而概率分布则是随机变量可能取值的概率分布情况。
4. 假设检验和置信区间：假设检验是指根据样本数据对某个假设进行检验，以确定该假设是否成立；而置信区间则是指根据样本数据对总体参数的一个区间估计。
二、基本方法1. 描述统计学：描述统计学是指对数据进行整理、汇总、描述和展示，以便更好地理解数据的性质和特征。
常用的描述统计学方法包括频数分布表、直方图、饼图、条形图等。
2. 探索性数据分析：探索性数据分析是指对数据进行初步探索，以发现其中的规律和特征。
常用的探索性数据分析方法包括箱线图、散点图、相关系数等。
3. 推断统计学：推断统计学是指根据样本数据对总体参数进行推断，以便对总体进行更深入的了解。
常用的推断统计学方法包括参数估计、假设检验、置信区间等。
4. 回归分析：回归分析是指研究自变量与因变量之间的关系，并建立数学模型来描述这种关系。
常用的回归分析方法包括简单线性回归、多元线性回归等。
5. 方差分析：方差分析是指研究不同因素对某个变量的影响，并确定这些因素是否显著。
常用的方差分析方法包括单因素方差分析、双因素方差分析等。
以上是统计学的基本概念和方法的详细介绍，统计学在现代社会中的应用非常广泛，可以帮助人们更好地理解和利用数据，从而做出更准确的决策。
- 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)。
第八讲应用统计学的基本概念Dr. Alan Moses我是Alan Moses博士, 是马萨诸塞州波士顿的Joslin糖尿病中心的高级副院长和首席医生。
在这部分讲座中，我们将学习应用统计学的基本概念。
我们首先回顾在临床研究中统计学的作用。
然后学习统计学的基本概念及常用统计学检验。
最后我们将讨论一些所谓的“数据分析中的捣蛋鬼”。
临床研究中统计学的作用是什么？我们所做的就是区分事实和偶然性。
我们需要比较组间差异,并检验干预的效应。
那么，临床研究中生物统计学家的作用是什么？虽然我们希望得到令人满意数据并知道如何设计试验及进行分析数据，但通常我们需要依靠生物统计学家的专业知识来选择适当的试验设计和计算适合的样本量。
我们都应认识到样本量是由对结果的测定决定的，涉及其精确度、准确度、可重复性和可行性。
此外，在进行数据分析时，生物统计学家帮助我们决定使用何种分析工具。
在试验开始之前就应确定所使用的统计方法，非常重要的是, 分析方法决不能在试验完成之后加以改变.在对试验进行分析时,统计学的作用是什么?我们应当记住，统计方法仅仅是一种帮助我们解释试验中所获得的数据的工具。
它们是一种工具而不是试验的最终结果。
而且像任何工具一样，使用统计工具必须小心。
计算机可以产生一些或有统计学意义的数据，但是只有研究者才知道该使用何种统计学检验来进行统计学分析。
已参加培训的研究者可以很容易地选择统计学检验方法，必须记住的很重要的一点是，对于没有足够知识的人而言，有强大功能的统计软件包可能导致致命性的错误。
生物统计学的重要概念之一是其正确性(validity)。
对于关键性的数据分析、试验的结果尤其是结果的发表，正确性都是其核心。
有两种正确性: 内部的和外部的(可推广性)。
内部的正确性就是在设定的试验范围内结果是准确的，使用的方法和分析经受得住检验，数据和相关的医学文献均支持研究者对试验结果的解释和结论。
外部正确性或可推广性决定了试验设计是否能够允许所做的观察和所得的结论推广到整个人群。
试验人群的选择决定了最大可推广范围，这个概念我们在这个讲座的其它部分已经谈到过。
如果研究对象包括男性、女性、不同的种族、不同的年龄分层，那么就有更多的机会将临床试验的结果应用于普通人群。
另一方面，受试者的选择也将决定研究和结论可应用的人群范围。
例如，如果在临床试验中选择年龄介于5-10岁的儿童，那么该试验的结果就仅能应用于该人群。
如果选择45岁以上的亚洲男性作为受试者，那么试验结果就只能应用于这个人群。
在正确性的概念中，应该认识到须有足够的样本量以支持所得出的结论，同时要选择适当的对照人群，特别是强调随机双盲对照这一临床研究的根本的科学方法。
著名科学家IsaacAsimov引用过这样一句话“科学工作的可敬之处就在于，任何科学信仰，虽然已具有坚实的基础，仍要不断地被检验看它是否真实，是否普遍地正确”。
这是他对正确性之重要性的看法，泛指任何科学范畴也包括临床试验。
现在我们将要讨论如何看待一些类型的数据。
首先是相对危险度和比值比。
这是评价后果的指标，当比较暴露因素对结果的影响时是非常有价值的。
比值比主要用于病例对照研究。
相对危险度主要用于队列研究。
这两类研究设计在前面的讲座中已讲过。
让我们首先看一下相对危险度。
这张表显示是如何得到一个相对危险因素的。
表格被分为两行两列，第一列是发病，第二列是未发病。
我们看一下发病是否是暴露于危险因素的结果或者未暴露于该危险因素。
暴露组发病数被标为A，暴露组未发病数被标为B，非暴露组的发病数被标为C，非暴露组未发病数被标为D。
从这张表格中我们可以得到相对危险度，相对危险度是暴露组的发病率除以非暴露组的发病率，即(A/(A+B))/ (C/(C+D))。
这就是相对危险度。
用来计算比值比的表格结构与上表相似，但是计算方法不同。
仍具有这样的自变量，暴露于危险因素或未暴露于危险因素与发病或未发病比较。
即A和B，与C和D。
但是比值比与相对危险度不同，它是由(A×D)，即病例组有暴露史×对照组无暴露史除以(B×C)，即病例组无暴露史×对照组有暴露史。
比值比即(A×D)/(B×C)。
在解释关联性检验时,我们如何使用比值比和相对危险度?实际上非常简单。
当比值比或相对危险度小于1时，这种危险因素与疾病呈负相关或该因素是保护因素。
比值比和相对危险度等1时二者无关联性，如果大于1时，二者均证明为正相关。
以上介绍了临床试验中生物统计学应用中的一些概念。
下面我们将举一些例子，看看在分析临床研究数据时如何使用以上及其它的检验方法。
8-2应用统计学的基本概念（2）在生物统计学的第一部分,我们讨论了临床试验中统计学的作用,生物统计学家的作用,以及在不同类型的临床试验中比较结果的一些方法。
在这部分我们将学习无效假设一些基本原则，统计学显著性和P值的概念，并简要谈一下样本量。
让我们从无效假设开始谈起。
无效假设就是认为被比较的项目之间无差别。
在临床试验中就是两组:一组是应用一种药物的治疗组，另一组是使用对照药物治疗组。
的确，统计的常规就是用来判断差异是由偶然性或样本偏差造成的，还是存在真实的差异。
统计学显著性水平在某种程度上是任意规定的，但是常规上我们定义统计学显著性水平是0.05。
这就是P 值，即指由于机会（偶然性）导致差异的概率小于5%。
这意味着事实上具有统计学显著性时，无效假设的发生率小于1/20。
再一次强调，这个定义是一种惯例。
对于P值有许多神秘感。
但是应该记住，应在特定临床试验范畴内解释P值。
最近我们将P值用具体数值表述，例如0.023而不是小于0.5。
事实上这就给出了两样本人群之间差异更多的信息。
0.023和0.049都小于0.05，但是0.023统计学显著性更强。
通过可信区间可进一步说明P值。
可信区间为统计量提供了测量的表示方式，在某些情况下,它还可以提供部分临床重要性信息。
可信区间的范围大致是具体统计数值标准误的4倍。
在这部分内容中，也是本次生物统计学课程中最重要的一点是，P值大小并不提示结果的重要性。
结果可能具有统计学显著性。
但是并无临床重要性。
例如，一项包含3000-4000个体的试验，在两种不同的治疗方法之间略有差异，由于样本例数大，差异具有统计学显著性。
但是在对被治疗人群的影响方面，从临床角度而言差异并不具有意义。
另一同等重要的方面是，不具有统计学显著性的差异并非不重要。
例如，英国糖尿病前瞻性研究（UKPDS）发现强化治疗与非强化治疗的糖尿病患者中大血管疾病(心梗)的发生率有差异，P值等于0.052，不具有统计学显著性，但是临床医师却强烈地认为如果增大样本量或延长随访期，这种差异就会达到统计学显著性，该结果看起来很有临床意义。
在进行统计学显著性分析时,可能出现两类错误。
第一类错误是α错误，或Ⅰ型错误：它拒绝了实际上是正确的无效假设。
也就是两种治疗措施在疗效方面被认为不同，但事实上二者疗效相同。
另一类错误是β错误或Ⅱ型错误，它未拒绝实际上是不正确的无效假设，也就是说真实的差异被忽视。
在假设检验中，当我们谈到未能发现治疗效应的可能性时，我们界定的差异的大小是很重要的因素。
事实上β错误是受三个主要因素相互作用的影响：差异的程度，受试者的数量和α水平，α水平即研究者确定的在此水平他们将拒绝无效假设。
这就提出了统计检验效能的概念。
统计检验效能就是基于事先确定的显著性水平的大小，无效假设被拒绝的概率。
检验效能实际上就是β错误的余数：检验效能=1-β错误。
β错误越低检验效能越大。
对一具体的临床试验设计，检验效能越大，得到具有统计学显著性P值的可能性越大，也就越有希望发现治疗的效益（如果其确实存在）。
你会注意到我们谈论了许多统计学中的常规（惯例），常规是在设计任何试验时，检验效能均应达到80%，在许多试验中检验效能设为90%。
从我们已经讨论过的内容中可以看到，增加检验效能的最明显的方法是增加样本量。
另一方面，在临床试验中增加样本量会增加费用，并且可能会使受试者暴露于研究用药或方法所带来的不适当的危险之下。
所以我们在样本量和检验方法精度之间应取得平衡，使检验效能足够高得以证实特定治疗的益处。
那么什么决定样本量呢？当然是与分析的终点指标有关：我们所需要的结果适合用这些终点指标吗？它们准确吗？是可重复的吗？例如，如果需要进行一个统计检验，无论是关于患者对一种临床状态的反应或是某种变异范围很大的生化检查，即使具有临床意义也很难证实组间存在相对小的差异。
如果某一检查的变异10-20%，将更难证实组间存在5%的差异。
当然，还有很大一个内容是讲述精度以及拥有精确评价工具的重要性。
使用的统计方法有助于决定样本量，并受样本量的制约。
此外，样本量有助于决定干预所预测的差异的幅度。
到目前为止，我们已经学习了P值，概率，假设检验和样本量等内容。
在下一部分，我们将举一些数据分析的具体例子，并讲述如何使用具体的统计学检验来分析特定类型的数据。
应用统计学的基本概念(3)Dr. Alan Moses我们已经学习了一些统计学应用于临床试验的一般概念，生物统计学家的作用，并简要涉及了数据，检验分析和样本量。
在这部分，我们继续学习针对性地处理具体数据。
有三种数据类型:第一类是分类数据。
分类数据就是一些彼此之间没有数学关系的数据。
既无分级也无顺序关系。
例如：性别(男性或女性)，种族，血型。
一个人血型可以是A型或B型或O型或AB型，但不可能既是A又是B型。
等级数据就是有序或分级数据。
尽管是有序资料但是组距无明确规定，并且不一定相等。
例如，社会经济等级，从最易到最难分组。
生活质量的评估依据或将人群任意分组，如三分组，五分组，十分组，其中的关系或顺序已知，但是这些组的组距无明确规定。
例如分五组时，第一组的组距可以是从1到3,而最后一组的组距可能是从75到100。
组距大小可以不同但顺序是固定的。
最后还有区间和比率数据。
这些是连续性数据。
这些数据的共性是有等级或有顺序，并且各个数值之间具有已知的相等的间距。
这类资料可以进行算术运算如加法减法。
我们已经对正态分布的概念非常熟悉。
这张幻灯片是正态分布人群的图形显示。
在这里，我们看到一条线，代表人群的正态分布，X轴代表人群百分比，Y轴代表感兴趣的指标数值。
人群50%点值是人群均数。
1个标准差内包含67%的人群，2个标准差内包含95%的人群。
这就意味着，根据定义，即使是正态分布人群，也有2.5%的人在2个标准差之下，2.5%的人在2个标准差之上。
这就是说，在正态分布人群中，占很小百分比的个体，即5%的人，其指标是在所谓的正常范围之外。
不同的检验方法用来分析不同类型的资料。
分类变量通常可以使用x2检验。
列2×2表进行x2检验。
x2检验代表(实际值-预期值)2/预期值。