数据分析的统计方法选择小结

目录 完全随机分组设计的资料 1 配对设计或随机区组设计 2 变量之间的关联性分析 3

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 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 小样本偏态分布资料，则用成组的Wilcoxon秩和检验

完全随机分组设计的资料 两组或多组计量资料的比较 多组资料 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。 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。

完全随机分组设计的资料 分类资料的统计分析 单样本资料与总体比较 二分类资料 多分类资料：用Pearson 2 检验（又称拟合优度检验） （1）小样本：用二项分布进行确切概率法检验； （2）大样本：用U检验 多分类资料：用Pearson 2 检验（又称拟合优度检验）

完全随机分组设计的资料 分类资料的统计分析 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<5，则用校正 2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

完全随机分组设计的资料 分类资料的统计分析 2×C表资料的统计分析 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 2或成组的Wilcoxon秩和检验 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2检验 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 2 （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

完全随机分组设计的资料 分类资料的统计分析 R×C表资料的统计分析 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 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 列变量和行变量均为有序多分类变量，可以作Spearman相关分析 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 2 （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

完全随机分组设计的资料 Poisson分布资料 单样本资料与总体比较 两个样本比较：用正态近似的U检验 观察值较小时：用确切概率法进行检验

配对设计或随机区组设计 两组或多组计量资料的比较 两组资料 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 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

配对设计或随机区组设计 两组或多组计量资料的比较 多组资料 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。 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。

配对设计或随机区组设计 分类资料的统计分析 四格表资料 C×C表资料 b+c>40，则用McNemar配对 2检验或配对边际2检验

变量之间的关联性分析 两个变量之间的关联性分析 两个变量均为连续型变量 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 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 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 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 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

变量之间的关联性分析 回归分析 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。

变量之间的关联性分析 回归分析 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。 观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素 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

变量之间的关联性分析 回归分析 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。 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

变量之间的关联性分析 回归分析 二分类的Logistic回归 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

变量之间的关联性分析 回归分析 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

变量之间的关联性分析 回归分析 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

变量之间的关联性分析 生存分析 生存分析资料：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） 用Kaplan-Meier方法估计生存曲线 大样本时，可以寿命表方法估计 单因素可以用Log－rank比较两条或多条生存曲线 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

Thank You !