数据分析的统计方法选择小结

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KruskalWallis的统计检验。如果KruskalWallis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（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）n40并且所以理论数大于5，则用Pearson2；（2）n40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）n40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KruskalWallis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nonezerocorrelationanalysis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）n40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•观察值较小时：用确切概率法进行检验•观察值较大时：用正态近似的U检验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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•b+c40，则用McNemar配对2检验或配对边际2检验•b+c40，则用二项分布确切概率法检验C×C表资料•配对比较：用McNemar配对2检验或配对边际2检验•b+c40，则用二项分布确切概率法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•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