醫學統計中的常見誤區有哪些
醫學統計學是運用概率論與數理統計的原理及方法，結合醫學實際，研究數字資料的搜集、整理分析與推斷的一門學科。醫學研究的對象主要是人體以及與人的健康有關的各種因素。下面是yjbys小編為大家帶來的關于醫學統計中的常見誤區的知識，歡迎閱讀。
一，真正差異和統計學差異
常常有人和我說： P值越小，試驗結果的差異就越大!而且還有依據 [P < 0.05 是有顯著性差異; P < 0.01 是有極顯著性差異]。
其實，這些人忽略了 n 這個樣本數的作用，n 的大小會影響 P 值。但更應該澄清一下的是： P 值代表的是統計學差異，并不是真正的差異!真正的差異只能靠平均值或者頻度的比較才能得到。
二，卡方檢驗的局限性
我們知道各組之間的計數資料的比較，要用卡方檢驗，但有些情況是不行的!!!
1，當樣本有小于5的值2X2表時，必須要用 Fisher 檢驗才正確!
2，當組與組之間有不同的背景，而這些背景因子還可能會影響到組與組之間結果差異，這是就必須要用 Mantel-Haenszel 檢驗!
這第2條可能大家不要理解，那我就舉兩個例子：
1) 關于男性和女性對于不同顏色的喜好的統計學分析
但這里應該注意到年齡可能會對這個分析造成影響，這就要用Mantel-Haenszel 檢驗了。
***紅色 藍色 黃色
男性 5 7 8
女性 15 10 6
可以按大人和小孩(比如我們以15歲為分界)分層，在SPSS中要把這個因素放到[行] [列]下邊的[層化]一欄里，并在統計指標選項里，選 Cochran和Mantel-Haenszel的統計量選項，這樣出來的結果就可靠了!
2)兩種治療(A和B)效果的評價分析：
*****A法 B法
生存 41 54
死亡 47 31
用卡方檢驗 X2=4.35; P < 0.05
但是，病人的臨床分期將影響著分析結果：
********生存**************死亡
——————————***——————————
————A****B————————A*****B———
1期-----18-----21--------------------0--------0-------
2期-----23-----33-------------------13------- 8-------
3期------0------0--------------------34-------23-------
再用Mantel-Haenszel檢驗： X2=3.65; P > 0.05
說明實際上A法和B法兩組的統計學差異，是這個不同的分期造成的!!!
1，當樣本有小于5的值2X2表時，必須要用 Fisher 檢驗才正確!
討論：當樣本有小于5的值2X2表時，必須要用 Fisher 確切概率法。
當樣本有小于5的值R×C表時，將某兩組合并，用pearson卡方檢驗。
三，t 檢驗的局限性
1，我們經常用 t 檢驗來判別兩組病人血清中某種標記物水平上的差異，但這里要注意，有一些血清標記物的水平是不能用 t 檢驗的!
比如： 血清標記物 PSA和AFP，在正常人的水平是很低的，而在病人則明顯增加，呈現指數冪次改變，這樣一來，血清 PSA和AFP水平在每組病人中很容易不是呈現正態分布!
這時應該用 非參數性檢驗---即 Mann-Whitney U test (Wilcoxon U test)。
2，關于用不用配對t 檢驗，我個人認為當同一組樣本在不同時點，不同處理方式的比較上，應該用配對t 檢驗。
四，ANOVA 檢驗的局限性
1，在2組以上計量資料樣本比較時，ANOVA 檢驗非常常用。但這個檢驗只是說明了一個趨勢的比較結果，并不能說明真正的統計學差異，真正的差異還要通過每兩個點的直接比較，也就是說應該在ANOVA 檢驗后，還必須做兩兩比較或多重比較，這樣才能從全貌上反映出統計的全部結果。
2，既然方差分析得到差別有顯著性意義的結論后，還需進行兩兩比較，有人認為還不如一開始就進行多次t檢驗更方便，其實，這種認識是不妥當的。t檢驗用于ANOVA的兩兩比較將增大第一類錯誤，產生假陽性，因此要采用特定的方法，在SPSS的one-way ANOVA或General linear models中操作時，Post Hoc(多重比較)對話框內有多種方法可供選擇，象兩兩比較一般用SNK法，而多個試驗組和一個對照組的比較則多用dunnett檢驗。
3，我們經常用 ANOVA 檢驗來判別幾組病人血清中某種標記物水平上的差異，但這里要注意，與 t 檢驗一樣，有一些血清標記物的水平是不能用 ANOVA 檢驗的!
如上所說的： 血清標記物 PSA和AFP，在正常人的水平是很低的，而在病人則明顯增加，呈現指數冪次改變，這樣一來，血清 PSA和AFP水平在每組病人中很容易不是呈現正態分布!
這時應該用 非參數性檢驗---即 Kruskal-Wallis rank test 。
五，單元線性相關分析
有時我們常常只注意到了 P 值大小，可最重要的是 r 值!
樣本數 n 對 P 值 結果的影響很大，容易讓我們產生錯覺，其實，相關的存在與否的評價是與 r 值最直接相關的，如下：
當 P 值小于0.05時： r 值
0.00--0.20 幾乎沒有相關關系
0.20--0.40 弱的相關關系
0.40--0.70 有相關關系
0.70--0.90 強相關關系
0.90--1.00 極強相關關系
P 值只是證明這個相關在統計學上是否成立!!!
1，當樣本有小于5的值2X2表時，必須要用 Fisher 檢驗才正確!
討論：當樣本有小于5的值2X2表時，必須要用 Fisher 確切概率法。
當樣本有小于5的值R×C表時，將某兩組合并，用pearson卡方檢驗。
不是說樣本小于5
而是說：在R×C表中
理論頻數不應該小于1，并且1≤T≤5的格子數不應該超過總格子數的1/5，若出現上述情況可以通過以下方法：
a.增加樣本含量，使理論頻數增大;
b.根據專業知識，刪除理論頻數太小的行和列;或者將理論頻數太小的行或列與性質相近的鄰行和鄰近列合并。
c.改用雙向無序的R×C表的fishher確切概率法。
還有一點
四格表卡方檢驗的適應指標：(T為理論頻數)
1。n≥40，且T≥5時用卡方檢驗基本公式。但是當p≈α應該用fisher確切概率法
2。n≥40，但是1≤T≤5時，用四格表校正公式
3。n<40，或者T<1時，用fisher四格表確切概率法
4。四格表卡方檢驗的連續性校正僅僅用于自由度為1的四格表尤其是n較小時。
補充幾點：
1. 關于P值：P值的大小并不是各組差異的大小，而是統計學差異顯著性的大小。P值越小，說明得出各組沒有差異的概率越小，越有理由說明各組存在差異(可以說，P值的大小反映了做出統計結論的“理由”的大小，而不是被比較的各組的實際差異的大小，得出有意義的結論后，其差異的大小可直接通過各組的均數或率進行比較)。
2. 關于t檢驗和方差分析：katalyster兄上面提到的t檢驗及方差分析在某些時候不適用，實際上就是每種方法都有其應用條件，不服從正態分布當然不能用。對這樣的資料首先可考慮變量變換(如抗體滴度等資料，為指數或冪次的關系，可用對數轉換)，如變換后，服從正態分布，可用上述方法;若還不符合，則考慮非參數檢驗。
3. 關于相關分析：兩個變量間是否存在相關關系，要看P值，而不是r值，r值用來說明相關關系的大小。當P<0.05，才能講兩變量間存在相關關系，再看r值，r值越大，相關關系越強，反之越小;否則，P>0.05,不能講兩變量間存在相關關系，r值毫無意義。
感謝kushuya, xiaoxiongzjh兩位專家的補充和指正!之所以開這個專題，是真心想讓初學者從這些<誤區>中走出來!
六，Logistic regression 分析
在判斷某因子對疾病的危險度時常用的方法。
1，假設要判斷某因子對疾病的危險度(OR)，要了解這個OR是一個相對危險度，即是有某因子存在和沒有某因子存在之間比較的OR值。
2，OR 和 RR 不一樣，OR是在Logistic regression model中使用，RR是在Cox proportional hazard model中使用。
3，假設要判斷某因子對疾病的危險度，要在多變量Logistic regression model中校正一些混擾因素，如常見的年齡，性別，吸煙等等，并最后得出這個 Adjusted OR。但并不是說有了這些校正，我們就可以在實驗設計上就不考慮這些混擾因素，相反，必須在實驗設計上就把這些混擾因素在實驗組和對照組配平，光靠在多變量Logistic regression model中校正是不可靠的。
其它方法---生存分析 (Kaplan-Meier法+ Logrank法)：
我們有時在臨床研究只注意到了用這種方法分析與生存相關的研究，其實，在疾病復發上也常用這種方法!前者是以生---死為判別，后者則以復發---不復發為判別。
【醫學統計中的常見誤區有哪些】相關文章：
SAT寫作常見誤區有哪些10-06
新手開車的常見誤區有哪些10-10
修煉瑜伽常見的誤區有哪些08-14
煮咖啡常見的誤區有哪些08-25
煮咖啡常見的誤區有哪些呢09-23
裝修吊頂驗收常見誤區有哪些09-25
愛爾蘭留學常見理解誤區有哪些？09-19
喝咖啡的誤區有哪些-咖啡常見誤區07-03
煮咖啡常見的誤區有哪些 ?喝咖啡的利與弊06-05
化妝誤區有哪些09-13