随着統計教育的普及，對于科研工作者來說，統計分析看起來慢慢變得不再是問題了，統計描述、t檢驗、方差分析，乃至多重比較、卡方檢驗貌似都可以通過SPSS統計軟件分析快速形成。但統計分析有一些問題還是容易犯錯，有些是原則性的問題、有些則是小細節問題，我列舉基本統計研究的幾個問題，稱之為七宗罪。

1、項目與論文研究設計，沒有考慮樣本量的計算

之所以把這個問題擺在第一位，是因為這個問題基本上十之八九就沒有很好考慮，無論是一個項目的申報書、還是一個畢業論文的開題、一篇論文分析，均沒有考慮好樣本量的多少？經常采用30、40、60例這樣齊整的樣本量，怎麼來得？自己想想的。更不要說動物試驗了！其實動物試驗也需要估算樣本量，不能因為動物不值錢，動物也有倫理的！

比如有下文，沒有樣本量計算方法，怎麼設定60例呢？為什麼就是60例呢？即便60例足夠，也不嚴謹！

2、所有定量數據，統計描述都用均數±标準差

你見過什麼時候中文的學術論文，定量數據采用中位數和四分位數描述了？太少太少了！大家都喜歡用均數±标準差。但你沒有考慮，均數能否代表着這一堆數據嗎？你沒有發現有些時候标準差遠遠大于均數？有時候數據有好一些異常值？固定思維模式要改改了，很多時候中位數和四分位數間距反而能夠更好體現數據的特征。

一般情況下，判斷數據是不是正态分布的簡易方法是，當指标隻能取正值或隻能取負值時，“标準差接近或大于均值時數據不是正态分布成立”。

一旦出現現象，就不能用均數±标準差了，否則論文發表會被審稿人發現。

比如下文，用均數±标準差，顯然不合适。

3、所有定量數據的比較，都采用t檢驗

早些年這一現象非常普遍，現在随着統計思維的普及，很多人知道了偏态數據差異性比較時候采用非參數秩和檢驗來代替。但總的來說，基本上采用t檢驗來進行兩組定量數據的差異性比較仍然是固定思維？如果沒有你數據分析之前沒有考慮數據正态性的問題，沒有考慮兩組數據方差是否相似，那麼就容易犯錯。再次強調：嚴重偏态分布的數據用秩和！秩和！秩和！

4、無論什麼樣的分類數據的比較，一直都是卡方檢驗

卡方檢驗是用來畢竟不同組數據之間率或者構成比有無統計學差異。沒有錯，率的比較是采用卡方。但有沒有考慮過你的卡方條件是否符合呢？當樣本量較小，或者某一行或者一列數據太少的時候，卡方檢驗不好使用，應該是用Fisher！

這裡說一下，建議以後少用卡方，多用Fisher，因為Fisher才是最準确的！哪一種場景下都沒有錯！

比如：下列表格，屬于樣本量較少的情況，應該用FIsher确切概率法

又比如：試驗組和對照組的癌症特征比較，也應該用Fisher确切概率法

這裡強力建議： 多分類數據差異性比較，Fisher确切概率法才是首選，不要過于依賴卡方檢驗

5、方差分析多重比較，用t檢驗

這宗罪早些年很多，如今已經被死死遏制在較低的犯罪水平，凡事講到方差分析都要提到，兩兩比較不要用t檢驗！你現在還犯錯？那不應該呀！兩兩比較要采用類似于LSD, Bonfferoni、tukey、SNK的方法，推薦使用Bonfferoni方法，相對保守的一種方法。

6、P值小于0.05，被認為有顯著性差異，P值小于0.01，被認為有極其顯著性差異

P<0.05英文名字是statistical significance 沒有錯，但是由于顯著性差異給人帶來誤導（感覺組别與組被之間的差異很大），現在醫學研究不再強調顯著性差異，P<0.01更不能說差異極其顯著。無論 P<0.05還是P<0.01，隻能說，差異具有統計學意義或者具有統計學差異。

比如下文，其統計文字描述是不妥當的

又例如，當比較甲、乙兩種藥物的療效時（假定甲藥優于乙藥），若得到“P<0.001”，則認為甲藥極顯著地優于乙藥；若得到“P<0.01”，則認為甲藥非常顯著地優于乙藥；若得到“P<0.05”，則認為甲藥顯著地優于乙藥。

7、沒有遵循随機化、對照、重複原則評價處理因素的作用

無論是t檢驗、卡方、秩和、方差分析的分析結果，其結論是否可靠均需要嚴謹的設計。隻有在随機化設計、合理均衡對照、一定樣本量的基礎上，通過假設檢驗的方法得到的結果，才能夠被認為是處理因素發揮作用。而随意分組、自身前後配對研究、甚至空白對照，都沒法證明處理因素的作用。觀察性研究比如調查研究，差異性的統計分析方法更說明不了什麼問題，隻能說組與組有差别！

例如：

這是一項回顧性隊列研究，所有180病例為醫院手足口病的住院患者。按患者是否應用中藥治療分為常規治療組(對照組)與中藥治療組(治療組)。比較中、西醫治療的效果。結果方面，兩組患者的有效情況采用卡方檢驗，差異有統計學意義（P<0.01），該論文認為中醫藥治療效果較好。顯然這樣的結論不妥當，不夠嚴謹。

好了，基本統計方法，你犯了幾宗罪？

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!