数据分析的统计方法选择小结 完全随机分组设计的资料 两组或多组计量资料的比较 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学意义,则进一步作统计分析: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的统计检验为有统计学意义,则进一步作统计分析: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 x2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 x2 2)n>40并且所以理论数大于1并且至少存在一个理论数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 Fisher's确切概 率法检验 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CMHx2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 A]CMH 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
数据分析的统计方法选择小结 完全随机分组设计的资料 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学意义，则进一步作统计分析：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 的统计检验为有统计学意义，则进一步作统计分析：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 2 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 2 2)n>40 并且所以理论数大于 1 并且至少存在一个理论数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 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 2 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 CMH 2 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
(1n>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 Fisher's确切概 率法检验 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统计学意义,则进一步作统计分析: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的统计检验为有统计学意义,则进一步作统计分析: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x2检验或配对边际x2检验 2)b+c≤40,则用二项分布确切概率法检验 2C×C表资料: 1)配对比较:用 McNemar配对x2检验或配对边际x2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,则直线回归(单个自变量的线性回归,称为简单回归),否则应作适当 的变换,使其满足上述条件
(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 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统计学意义，则进一步作统计分析：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 的统计检验为有统计学意义，则进一步作统计分析：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 2 检验或配对边际 2 检验 2)b+c40，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 2 检验或配对边际 2 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，则直线回归（单个自变量的线性回归，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,…,X) 可以为连续型变量、有序分类变量或二分类变量。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,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,以校正这些混杂因素对结果的混杂作用 3.二分类的 Logistic回归:应变量为二分类变量,自变量(X1,X2,…,x)可以为连续 型变量、有序分类变量或二分类变量 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,以校正这些混杂因素对结果的混杂作用 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,以校正这些混杂因素对结果的混杂作用 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,…,x) 可以为连续型变量、有序分类变量或二分类变量 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,以校正这些混杂因素对结果的混杂作用 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,X,…,X) 可以为连续型变量、有序分类变量或二分类变量。 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,以校正这些混杂因素对结果的混杂作用 八、生存分析资:要求资料记录结局和结局发生的时间(如:死亡和死亡发生的时间) 1用 Kaplan-Mier方法估计生存曲线 2.大样本时,可以寿命表方法估计 3单因素可以用Log-rank比较两条或多条生存曲线 4.多个因素时,可以作多重的Cox回归 l)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,以校正这些混杂因素对结果的混杂作用
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、有序分类变量或二分类变量。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，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，以校正这些混杂因素对结果的混杂作用 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、有序分类变量或二分类变量。 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，以校正这些混杂因素对结果的混杂作用 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，以校正这些混杂因素对结果的混杂作用 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、有序分类变量或二分类变量。 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，以校正这些混杂因素对结果的混杂作用 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、有序分类变量或二分类变量。 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，以校正这些混杂因素对结果的混杂作用 八、生存分析资：要求资料记录结局和结局发生的时间（如；死亡和死亡发生的时间） 1.用 Kaplan-Meier 方法估计生存曲线 2.大样本时，可以寿命表方法估计 3.单因素可以用 Log－rank 比较两条或多条生存曲线 4.多个因素时，可以作多重的 Cox 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，以校正这些混杂因素对结果的混杂作用