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：

1. 比较两个独立样本的均值：例如，比较一个治疗组和一个对照组的平均响应时间或血压。
2. 比较两个配对样本的均值：例如，比较同一个人在治疗前后的血糖水平。
3. 比较一个样本的均值与一个已知的总体均值：例如，比较一个新药物的平均有效期和已知的平均有效期。

在使用t检验时，需要注意：

1. 样本数据必须是正态分布或接近正态分布，可以通过观察样本数据的直方图或使用正态概率图来判断。
2. 样本数据的方差要相等，可以通过方差齐性检验来判断，如果方差不相等需要使用t’检验。
3. t检验只能检验两个样本之间的差异，无法检验多个样本之间的差异。

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

阅读更多

F检验是一种重要的医学统计方法，常用于检验两个或多个样本的方差是否相等，也被称为方差齐性检验。方差齐性检验是医学研究中的基本方法，因为许多重要的统计分析都要求样本方差相等，如方差分析、t检验等。以下将介绍F检验的基本原理、假设检验、计算公式以及在医学研究中如何使用F检验。

1、检验的基本原理

F检验是一种比较两个或多个样本的方差大小来判断它们是否相等的统计方法。具体而言，F检验是通过计算F值来判断两个或多个样本的方差是否相等，F值越大表示两个样本的方差差异越大，F值越小表示两个样本的方差差异越小，如果F值接近1，则表示两个样本的方差相等。

阅读更多

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。

阅读更多

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。

阅读更多

卡方检验是一种常用的统计学方法，主要用于检验分类变量之间的关系。然而，在实际应用中，有时会出现一些错误用法。以下是卡方检验中更详细的常见错误及如何避免它们：

1.样本量太小：卡方检验依赖于足够的样本量，以确保检验结果的准确性。如果观察次数太少，检验结果可能受到偶然因素的影响。通常建议每个单元格的期望计数至少为5。如果样本量较小，可以考虑使用Fisher精确检验等其他方法。

2.连续变量的错误使用：卡方检验主要用于分类变量，将连续变量简单地划分为类别可能会导致信息损失和误差。对于连续变量，应使用其他方法，如t检验、方差分析或相关分析。若要将连续变量用于卡方检验，可以使用合适的分箱策略，但要谨慎处理分箱边界。

阅读更多

在统计学中，假设检验是评估某种特定情况下观察到的数据是否符合假设的一种方法。t检验和Z检验是两种常用的假设检验方法，分别用于比较均值差异以及比例差异。在医学统计中，t检验和Z检验经常被用于研究和比较不同治疗方法的效果，例如药物疗效、手术效果等。t检验和Z检验应用起来容易混淆，下面介绍下它们的区别。

一、t检验

t检验是用于比较两个总体的均值之间是否存在显著差异。在进行t检验时，不知道总体的标准差，而是使用样本标准差代替。t检验基于t分布，其形状与正态分布相似，但是在尾部较厚。随着样本量的增加，t分布逐渐接近正态分布。

t检验通常用于以下场景：1.比较两个独立样本的均值；2.比较两个配对样本的均值差异；3.验证样本均值与已知的总体均值之间是否存在显著差异；4.分析某一变量的变化是否显著。

实例1

阅读更多

一、t检验和方差分析的应用

1、t检验的应用

t检验主要用于比较两组数据之间的均值是否存在显著差异，例如比较两种手术方式对患者的术后疼痛程度是否有显著差异。在医学研究中，t检验可以用于比较不同手术方式或药物对患者的疗效差异。例如，我们可以采集两组患者的术后疼痛程度数据，分别使用A手术和B手术，然后用t检验比较两组患者的术后疼痛程度是否存在显著差异。

2、方差分析的应用

方差分析主要用于比较三组及以上数据之间的均值是否存在显著差异，例如比较不同年龄组对某项指标的反应是否有显著差异。在医学研究中，方差分析可以用于比较不同年龄组或不同性别组对某项指标的反应差异。例如，我们可以采集三组患者的血糖水平数据，分别为20-30岁、31-40岁、41-50岁的患者，然后用方差分析比较三组患者的血糖水平是否存在显著差异。

阅读更多

样本含量是在进行研究时所需的样本大小或参与者数量。在研究设计中，样本含量的大小直接影响研究的统计功效和可靠性。样本含量的大小取决于多个因素，如研究目的、研究设计、效应或关系的大小和统计分析方法等。确定适当的样本大小可以确保研究的有效性，并最大程度地减少Ⅰ类错误和Ⅱ类错误的概率。

一、两类错误：

1.第一类错误（Ⅰ类错误）也称为α错误，指的是原假设是正确的，但被错误地拒绝了。举例来说，在法庭判案中，如果被告真的是无辜的，但法官错误地判定被告有罪，那么这就是一种第一类错误。置信度为1-α。

2.第二类错误（Ⅱ类错误）也称为β错误，指的是原假设是错误的，但被错误地接受了。举例来说，在法庭判案中，如果被告真的是罪犯，但法官错误地判定被告无罪，那么这就是一种第二类错误。检验效能又称把握度，为1-β。

阅读更多