统计学方法选用指南：帮你告别选择困难症！

01

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

• 若方差齐性，则作成组t检验

• 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

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。

02

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

• 小样本时：用二项分布进行确切概率法检验；

• 大样本时：用U检验。

（2）多分类资料：用Pearson c2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 c2

（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 c2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

3、2×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，则行评分的CMH c2或成组的Wilcoxon秩和检验

（2）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c2检验

（3）行变量和列变量均为无序分类变量

• 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 c2

• 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

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 c2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 c2

（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

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 c2

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

03

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。

04

两组或多组计量资料的比较

1、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

2、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。

05

分类资料的统计分析

1、四格表资料

• b+c>40，则用McNemar配对 c2检验或配对边际c2检验

• b+c￡40，则用二项分布确切概率法检验

2、C×C表资料

• 配对比较：用McNemar配对 c2检验或配对边际c2检验

• 一致性问题（Agreement）：用Kap检验

06

两个变量之间的关联性分析

1、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
  

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

07

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，…，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
  

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

• 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

（2）配对的情况：用条件Logistic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

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。

• 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
  

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。

• 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

08

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。

- END -

本文为转载分享&推荐阅读，若侵权请联系后台删除

小编根据《大话统计学》整理了16张统计学学习图谱，参照这些思维导图，可以帮你捋清楚关于统计学的概念，以及这些概念之间错综复杂的关系，搞清楚这些，可以在工作中极大的帮助你们在遇到问题时，应用准确的统计方法去实施。