wehub-skill-sync
4.4 KiB
4.4 KiB
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）