生物统计学系列教程——From ZJU CAS
Preface
最近很多人询问我生物统计的问题,联想起自己也曾受益于热心网友制作的NCBI 使用
教程 (苏州大学urbest)和生物信息学软件使用教程 (福建农林大学Raindy)以及大量网
友在论坛的相关主题讨论,促使我着手整理并制作该生物统计学系列教程。该系列教程将包
括显著性检验之 T 检验与方差分析的选择、单尾检验与双尾检验差别、不同多重比对方法
的比较与选择、统计作图中标准差和标准误的选择、显著性检验结果的标注方法等教程。如
有必要,笔者会发布相关统计与作图软件的视频教程。
先简述下笔者的情况,大学数学是刚刚及格的水平,《概率论与数理统计》讲的什么内
容也早已记不得了,没有上过《生物统计学》课程,更没有接受过严格而专业的训练,本人
的生物统计知识仅来自于高中数学加自学实践,所以不足与谬误之处在所难免,敬请大神拍
砖!尽管自学可以掌握一些生物统计的方法和技巧,但面对复杂而精巧设计的实验得出的实
验数据,自学者还是很难驾驭,所以奉劝各位要想熟练掌握并运用生物统计学的知识,还是
尽量去上专门的生物统计学课程。
本系列教程会同步发布在丁香园、小木虫、生物秀等网络空间,不足与谬误之处敬请大
神指正!如本教程能对您的生物统计能力发挥抛砖引玉的作用,将深感欣慰!
谨以此献给那些还在生命科学的海洋里追逐梦想的人!
鲁牛
zjucas2015@163.com
2015.01.11
浙大启真湖畔
生物统计之“显著性检验”——“T检验”与“方差分析”
1.显著性检验 (significance test )
抽样实验会产生抽样误差,对实验资料进行比较分析时,不能仅凭两个结果(平均数或
率)的不同就作出结论,而是要进行统计学分析,鉴别出两者差异是抽样误差引起的,还是
由特定的实验处理引起的。
显著性检验(significance test )就是事先对总体(随机变量)的参数或总体分布形式
做出一个假设,然后利用样本信息来判断这个假设(备则假设)是否合理,即判断总体的真
实情况与原假设是否有显著性差异。或者说,显著性检验要判断样本与我们对总体所做的假
设之间的差异是纯属机会变异,还是由我们所做的假设与总体真实情况之间不一致所引起的。
显著性检验是针对我们对总体所做的假设做检验,其原理就是“小概率事件实际不可能性原
理”来接受或否定假设。所以,显著性检验只是假设检验中的一种方法,不过比较常用而已。
显著性检验的方法很多,T 检验(t-test/Student’s t-test )和方差分析(Analysis of
Variance )是生物统计中最常用的两种方法。其中,T 检验适用于两组数据间的显著性检验,
而方差分析适用于三组及三组以上数据间的显著性检验。
显著性检验首先要设定显著性水平 (Significance Level ),常见的为0.05 和0.01,少
数要求极严格的实验使用0.001,当显著性检验得到的P 值小于设定的显著性水平时,可以
认为差异显著,反之则不显著。统计结论常描述如下:
P>0.05 差异不显著
0.01
P<0.01 差异极显著
2.T 检验 (t-test )
T 检验(t-test )是最常见的一种假设检验类型,主要验证总体均值间是否存在显著性
差异。T 检验属于参数假设检验,所以它适用的范围是数值型的数据。T 检验分为单样本T
检验(one-sample t-test )、双样本T 检验(two-sample t-test )及配对样本T 检验(pair-sample
t-test )。详见:/blog/static/5119742012032266568/。
目前生物统计中最常用的可能就是双样本T 检验(two-s