【医学信息学】研究和统计——显著性检验

本文仅为笔者学习过程中的总结笔记，如有错误敬请指正。

什么是显著性检验

显著性检验（significance test）是用于检测科学实验中实验组与对照组之间是否有差异以及差异是否显著的办法。

要先对科研数据做一个假设，然后用检验来检查假设对不对。一般而言，把要检验的假设称之为原假设，记为H0；把与H0相对应（相反）的假设称之为备择假设，记为H1。

如果原假设为真，而检验的结论却劝你放弃原假设。此时，我们把这种错误称之为第一类错误。通常把第一类错误出现的概率记为α。

如果原假设不真，而检验的结论却劝你不放弃原假设。此时，我们把这种错误称之为第二类错误。通常把第二类错误出现的概率记为β。

通常只限定犯第一类错误的最大概率α， 不考虑犯第二类错误的概率β。我们把这样的假设检验称为显著性检验，概率α称为显著性水平。显著性水平是数学界约定俗成的，一般有α =0.05,0.025.0.01这三种情况。代表着显著性检验的结论错误率必须低于5%或2.5%或1%（统计学中，通常把在现实世界中发生几率小于5%的事件称之为“不可能事件”）。

P值的报告规范及保留小数位数

不同医学期刊对P值的报告规范有不同要求。例如，NEJM规定，除非研究设计需要进行单侧检验，如非劣效性试验，其他报告的P值均应为双侧。P值大于0.01应报告小数点后两位；P值在0.01到0.001之间应报告小数点后三位；P值小于0.001应报告为P＜0.001。在分层分析中，只需报告层间比较差异有统计学意义的P值，而不需报告所有层间两两比较的P值。

CMJ（Engl）规定，应使用大写斜体，并报告P值的精确值（如果P值在0.001~0.05之间时）。中华医学杂志规定，应尽可能给出具体的P值。中华流行病学杂志规定，应给出P值的实际数值，并保留3位小数。在使用不等式表示P值时，选用P＞0.05、P＜0.05和P＜0.01即可满足需求，无须细分P＜0.001或P＜0.000 1。

可以看出，目前医学期刊对P值的报告尚无统一规范，导致一些研究仅给出P值与显著性水平之间的不等关系，而不体现量化的数值（如P＞0.05）；一些研究则盲目追求P值的精度，而保留不必要的小数位数（如P=0.0357）。

双尾单尾检验

1.双尾检验，属于比较性检验，没有具体方向性，只是比较与一个设定值的是否相同，无关乎大小；

2.单尾检验，属于方向性检验，在科研实验或者干扰实验中比较多，给定一个处理，有一个预期结果：相对对照组大或小，已经预设了一个大小的方向关系。

比如原假设Ho：μ=5，备择假设Ha：μ≠5，这里要否定原假设需要证明两种情况，μ＜5、μ＞5，因此需要双尾检验。

如果是原假设Ho：μ＜5，那么否定原假设只需要证明一种情况，μ≥5，就是单尾检验。

参考

关于显著性检验，你想要的都在这儿了！！（基础篇）

医学论文中如何描述统计方法和统计结果

使用双尾检验和单尾检验的条件？