版本：V11.6 更新日期: 2023-03-22
医学统计助手，是专为医学统计而设计的，功能有基本统计、卡方检验、t检验、z检验、秩和检验、游程检验、方差齐性检验、方差分析、回归分析、相关分析、生存分析、聚类分析、离散分布、样本量估算、随机数和统计图等实用功能。
一、软件特点
界面简洁，计算简便，直接输入数据点击计算就可以显示结果，没有大型统计软件的复杂操作，设计原则就是尽量减少操作步骤。
体积小，速度快，无广告，无插件，无后门，注册后可断网使用，任何情况下不发送隐私信息。
二、运行环境
现有版本为Windows版，支持windows XP及以上操作系统。
三、主要功能
（一）、基本统计：
1、描述性统计量；2、频数分布；3、正态分布；4、二项分布；5、Poisson分布。
版本：V3.6 更新日期: 2023-03-22
在统计分析中卡方检验应用非常广泛，大型统计软件虽然功能强大，但操作相对复杂，而使用手工计算非常烦琐且易出错， 所以使用一款小巧的计算软件非常必要。
卡方检验计算器是医学统计助手功能简化版，集中最常用统计检验功能，软件小巧实用，可以进行卡方检验、t检验、秩和检验、方差齐性检验等功能。以卡方检验为主，卡方检验同时计算出Fisher检验、kappa检验和OR值等。
秩和检验是一种常用的非参数假设检验方法，用于比较两个或多个独立或配对样本的中位数是否相等。在医学研究中，秩和检验常用于比较不同治疗方案或条件的效果差异，特别是在数据不满足正态分布假设的情况下。
一、配对样本秩和检验
配对资料秩和检验是一种常用的非参数假设检验方法，用于比较同一组体验受到两种不同治疗方案或条件的影响。在医学研究中，配对资料秩和检验常用于比较某种治疗前后的效果差异。
比较两种不同的药物治疗方案对糖尿病患者血糖控制的影响。随机抽取20名患者，每个患者在使用药物A和药物B治疗时，血糖控制指标进行评估。以下是每个患者在两种治疗方案下的血糖控制指标数据：
卡方检验应用于两个率或两个构成比比较；多个率或多个构成比比较以及分类资料的相关分析等。 分类为独立样本卡方检验和配对样本卡方检验，独立样本卡方检验包括四格表卡方检验和行乘列卡方检验， 配对样本卡方检验分为四格表形式的配对资料卡方检验和R×R列联表卡方检验。
一、四格表卡方检验
四格表方法卡方检验是卡方检验中最常使用的方法。卡方检验基于卡方分布，是一种常用假设检验方法，它的H0：观察频数与理论频数没有差别。 该检验的基本思想是：如果H0假设成立，那么实际频数与理论频数应该比较接近。如果实际频数与理论频数相差较大， 超出了抽样误差所能解释的范围，可以认为H0假设不成立。相应地，P≤α，根据小概率原理，拒绝H0，否则没有理由拒绝H0。
1．基本公式
自由度df=(行数-1)(列数-1)
2．专用公式
N≥40 且T≥5
3．连续性矫正公式
N≥40 且1≤T＜5
4．n<40或T<1用Fisher精确检验，又叫确切概率检验
在计算小样本的P值时，不能根据卡方检验公式计算，可以使用Fisher精确检验直接计算出P值，Fihser精确检验只适用于计算小样本计数资料。
方差分析是一种重要的统计方法，用于比较两个或多个样本均值之间的差异是否具有统计学意义。它能帮助研究人员对不同治疗方法、药物或者其他因素的影响进行量化分析，从而为临床决策提供有力的数据支持。
一、方差分析应用
1、单因素方差分析，例如，在某项研究中，科研人员可能需要评估三种不同药物治疗高血压的效果。通过使用单因素方差分析，研究人员可以确定这三种药物在降低血压方面是否存在显著差异。如果发现显著差异，可以进一步使用多重比较方法来确定哪些药物之间存在显著差异。
2、多因素方差分析可以用来评估两个或多个分类变量（如性别、年龄组、基因型等）对某一数值变量（如血压、血糖等）的影响。例如，研究人员可能想了解药物治疗和患者年龄对高血压患者血压降低效果的影响。通过使用两因素方差分析，研究人员可以同时考虑药物和年龄因素，评估它们的主效应以及相互作用效应。
卡方检验是一种常用的假设检验方法，通常用于分析两个或多个分类变量之间的关系。在医学研究中，卡方检验被广泛应用于分析两种或多种治疗方法的疗效，或者分析某种疾病的发病率与某些危险因素之间的关系。下面我们来看一个卡方检验在医学实例中的应用。
假设我们有一组数据，记录了某种癌症的患病情况和年龄分布。数据如下表所示：
| 年龄段 | 患病人数 | 未患病人数 | 合计 |
|---|---|---|---|
| 20-39 | 35 | 65 | 100 |
| 40-59 | 65 | 135 | 200 |
| 60-79 | 55 | 145 | 200 |
| 80以上 | 45 | 55 | 100 |
| 合计 | 200 | 400 | 600 |
我们的研究假设是，年龄与患癌症的发生率之间存在关系。具体而言，我们想知道，不同年龄段的人群中，患癌症的人数是否与预期相符，还是存在显著差异。
为了回答这个问题，我们需要进行卡方检验。具体步骤如下：
建立假设：我们需要建立一个原假设和一个备择假设。原假设是指不同年龄段的人群中，患癌症的人数符合预期的分布。备择假设是指不同年龄段的人群中，患癌症的人数存在显著差异。
Fisher精确检验是一种在统计分析中经常使用的方法，旨在评估两个分类变量之间是否存在显著关系。这种方法由罗纳德·A·费舍尔（Ronald A. Fisher）于20世纪20年代提出，并被广泛应用于小样本数据集的分析。与卡方检验相比，Fisher精确检验在处理低频观察值（如小于5）的情况下更为精确，因为卡方检验在这种情况下可能导致误差。
Fisher精确检验的基本原理是利用超几何分布计算观察数据出现的概率。它通常用于处理2×2列联表，这种表格包含两个分类变量，每个变量有两个水平。通过对比观察数据与随机分布数据之间的差异，可以判断两个分类变量之间是否存在显著关联。
当计算卡方检验时遇到n<40或T<1，或得到的概率P≈α时，需使用Fisher精确检验。
t检验是医学统计学中常用的一种假设检验方法，用于比较两个样本均值是否有显著差异。它可以帮助医学研究者确定一个治疗方法或药物是否显著地改善了患者的症状或生理指标。
在医学研究中，t检验常被用来：
在使用t检验时，需要注意：
一、独立样本t检验
独立样本t检验是一种常用的医学统计方法，它用于比较两组独立个体的连续变量测量结果是否存在显著差异。
假设我们随机选择了40名失眠患者，其中20人接受了新药物治疗，另外20人接受了安慰剂治疗。我们记录了他们使用药物/安慰剂后每晚的睡眠时间，并使用独立样本t检验进行分析。
数据如下：睡眠时间（小时）
新药物
7.0，7.1，6.8，7.1，6.9，7.1，6.8，6.7，6.9，7.2，7.0，6.8，7.1，6.9，7.1，6.8，7.0，6.9，7.2，7.1
安慰剂
6.5，6.8，6.9，6.4，6.7，6.9，6.9，6.3，6.4，6.9，6.9，6.6，6.8，6.5，6.6，6.7，6.9，6.5，6.8，6.9
卡方检验，是一种广泛应用于统计学和科研领域的非参数检验方法。它主要用于分析分类变量之间的关系，以评估观察频数与期望频数之间的差异是否具有统计学意义。卡方检验的基本原理是通过比较实际观察到的频数与基于某种假设（如变量间独立）所预期的频数之间的差异来得出结论。
一、卡方检验的原理
卡方检验的基本思想是通过比较观察频数（实际数据）与期望频数（基于某种假设情况下的预期数据）之间的差异来判断两个分类变量是否独立。卡方检验的计算公式如下：
t检验主要用于样本含量较小（例如n < 30），总体标准差σ未知的正态分布 ，用来比较两个平均数的差异是否显著。
一、t检验的应用条件
1、随机样本；
2、来自正态分布总体（小样本时）；
3、两独立样本比较时，要求两总体方差相等（方差齐性），单样本不需要方差齐性。
二、t检验的分类
1、单样本t检验
检验一个样本平均数与一个已知的总体平均数的差异是否显著。当总体分布是正态分布，
如总体标准差未知且样本容量小于30，那么样本平均数与总体平均数的离差统计量呈t分布。
其中
自由度υ=n-1