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 Wlis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Pearsonx2检验(又称拟合优度检验)。 2.四格表资料 I)n>40并且所以理论数大于5,则用Pearsonx2 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 CMH x2 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
(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 2.C×C表资料: 1)配对比较:用McNemar配对x2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
(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(X,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) l.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一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
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