# 统计检验选择指南

本指南提供基于研究问题、数据类型和研究设计的决策树，用于选择适当的统计检验方法。

## 检验选择决策树

### 1. 组间比较

#### 两个独立组
- **连续型结局，正态分布**：独立样本 t 检验
- **连续型结局，非正态分布**：Mann-Whitney U 检验（Wilcoxon 秩和检验）
- **二分类结局**：卡方检验或 Fisher 精确检验（若期望频数 < 5）
- **有序分类结局**：Mann-Whitney U 检验

#### 两个配对/相关组
- **连续型结局，正态分布**：配对 t 检验
- **连续型结局，非正态分布**：Wilcoxon 符号秩检验
- **二分类结局**：McNemar 检验
- **有序分类结局**：Wilcoxon 符号秩检验

#### 三个及以上独立组
- **连续型结局，正态分布，方差齐**：单因素 ANOVA
- **连续型结局，正态分布，方差不齐**：Welch ANOVA
- **连续型结局，非正态分布**：Kruskal-Wallis H 检验
- **二分类/分类结局**：卡方检验
- **有序分类结局**：Kruskal-Wallis H 检验

#### 三个及以上配对/相关组
- **连续型结局，正态分布**：重复测量 ANOVA
- **连续型结局，非正态分布**：Friedman 检验
- **二分类结局**：Cochran Q 检验

#### 多因素（析因设计）
- **连续型结局**：双因素 ANOVA（或多因素 ANOVA）
- **含协变量**：ANCOVA
- **混合被试内与被试间因素**：混合 ANOVA

### 2. 变量间关系

#### 两个连续型变量
- **线性关系，双变量正态**：Pearson 相关
- **单调关系或非正态分布**：Spearman 秩相关
- **基于秩的数据**：Spearman 或 Kendall tau

#### 一个连续型结局，一个或多个预测变量
- **单个连续型预测变量**：简单线性回归
- **多个连续/分类预测变量**：多元线性回归
- **分类预测变量**：ANOVA/ANCOVA 框架
- **非线性关系**：多项式回归或广义加性模型（GAM）

#### 二分类结局
- **单个预测变量**：Logistic 回归
- **多个预测变量**：多元 Logistic 回归
- **罕见事件**：精确 Logistic 回归或 Firth 方法

#### 计数结局
- **Poisson 分布**：Poisson 回归
- **过度离散计数**：负二项回归
- **零膨胀**：零膨胀 Poisson/负二项

#### 时间至事件结局
- **比较生存曲线**：Log-rank 检验
- **含协变量的建模**：Cox 比例风险回归
- **参数生存模型**：Weibull、指数、对数正态

### 3. 一致性与可靠性

#### 评估者间信度
- **分类评级，2 名评估者**：Cohen's kappa
- **分类评级，>2 名评估者**：Fleiss' kappa 或 Krippendorff's alpha
- **连续型评级**：组内相关系数（ICC）

#### 重测信度
- **连续型测量**：ICC 或 Pearson 相关
- **内部一致性**：Cronbach's alpha

#### 方法间一致性
- **连续型测量**：Bland-Altman 分析
- **分类判定**：Cohen's kappa

### 4. 分类数据分析

#### 列联表
- **2×2 表**：卡方检验或 Fisher 精确检验
- **大于 2×2**：卡方检验
- **有序类别**：Cochran-Armitage 趋势检验
- **配对类别**：McNemar 检验（2×2）或 McNemar-Bowker 检验（更大）

### 5. 贝叶斯替代方法

上述任何检验均可使用贝叶斯方法执行：
- **组间比较**：贝叶斯 t 检验、贝叶斯 ANOVA
- **相关性**：贝叶斯相关
- **回归**：贝叶斯线性/Logistic 回归

**贝叶斯方法的优势：**
- 提供给定数据下假设的概率
- 自然融入先验信息
- 提供可信区间而非置信区间
- 无 p 值解读问题

## 关键考量

### 样本量
- 小样本（n < 30）：考虑非参数检验或精确方法
- 极大样本：即使很小的效应也可能具有统计学显著性；重点关注效应量

### 多重比较
- 当进行多重检验时，使用以下方法校正多重比较：
  - Bonferroni 校正（保守）
  - Holm-Bonferroni（较不保守）
  - 错误发现率（FDR）控制（Benjamini-Hochberg）
  - Tukey HSD 用于 ANOVA 事后比较

### 缺失数据
- 完整病例分析（列表删除）
- 多重插补
- 最大似然方法
- 确保理解缺失数据机制（MCAR、MAR、MNAR）

### 效应量
- 始终在报告 p 值的同时报告效应量
- 参见 `effect_sizes_and_power.md` 了解指导

### 研究设计考量
- 随机对照试验：标准参数/非参数检验
- 观察性研究：考虑混杂因素，使用回归/匹配
- 聚类/嵌套数据：使用混合效应模型或 GEE
- 时间序列：使用时间序列方法（ARIMA 等）