一、 兩組或多組計量資料的比較
1.兩組資料：
1)大樣本資料或服從正態分布的小樣本資料
(1)若方差齊性，則作成組t檢驗
(2)若方差不齊，則作t』檢驗或用成組的Wilcoxon秩和檢驗
2)小樣本偏態分布資料，則用成組的Wilcoxon秩和檢驗
2.多組資料：
1)若大樣本資料或服從正態分布，並且方差齊性，則作完全隨機的方差分析。如果方差分析的統計檢驗為有統計學意義，則進一步作統計分析：選擇合適的方法（如：LSD檢驗，Bonferroni檢驗等）進行兩兩比較。
2)如果小樣本的偏態分布資料或方差不齊，則作Kruskal Wallis的統計檢驗。如果Kruskal Wallis的統計檢驗為有統計學意義，則進一步作統計分析：選擇合適的方法（如：用成組的Wilcoxon秩和檢驗，但用Bonferroni方法校正P值等）進行兩兩比較。
二、 分類資料的統計分析
1.單樣本資料與總體比較
1)二分類資料：
(1)小樣本時：用二項分布進行確切概率法檢驗；
(2)大樣本時：用U檢驗。
2)多分類資料：用Pearson c2檢驗（又稱擬合優度檢驗）。
2. 四格表資料
1)n>40並且所以理論數大於5，則用Pearson c2
2)n>40並且所以理論數大於1並且至少存在一個理論數<5，則用校正 c2或用Fisher’s 確切概率法檢驗
3)n￡40或存在理論數<1，則用Fisher’s 檢驗
3. 2×C表資料的統計分析
1)列變量為效應指標，並且為有序多分類變量，行變量為分組變量，則行評分的CMH c2或成組的Wilcoxon秩和檢驗
2)列變量為效應指標並且為二分類，列變量為有序多分類變量，則用趨勢c2檢驗
3)行變量和列變量均為無序分類變量
(1)n>40並且理論數小於5的格子數<行列表中格子總數的25%，則用Pearson c2
(2)n￡40或理論數小於5的格子數>行列表中格子總數的25%，則用Fisher’s 確切概率法檢驗
4. R×C表資料的統計分析
1)列變量為效應指標，並且為有序多分類變量，行變量為分組變量，則CMH c2或Kruskal Wallis的秩和檢驗
2)列變量為效應指標，並且為無序多分類變量，行變量為有序多分類變量，作none zero correlation analysis的CMH c2
3)列變量和行變量均為有序多分類變量，可以作Spearman相關分析
4)列變量和行變量均為無序多分類變量，
(1)n>40並且理論數小於5的格子數<行列表中格子總數的25%，則用Pearson c2
(2)n￡40或理論數小於5的格子數>行列表中格子總數的25%，則用Fisher’s 確切概率法檢驗
三、 Poisson分布資料
1.單樣本資料與總體比較：
1)觀察值較小時：用確切概率法進行檢驗。
2)觀察值較大時：用正態近似的U檢驗。
2.兩個樣本比較：用正態近似的U檢驗。
配對設計或隨機區組設計
四、 兩組或多組計量資料的比較
1.兩組資料：
1)大樣本資料或配對差值服從正態分布的小樣本資料，作配對t檢驗
2)小樣本並且差值呈偏態分布資料，則用Wilcoxon的符號配對秩檢驗
2.多組資料：
1)若大樣本資料或殘差服從正態分布，並且方差齊性，則作隨機區組的方差分析。如果方差分析的統計檢驗為有統計學意義，則進一步作統計分析：選擇合適的方法（如：LSD檢驗，Bonferroni檢驗等）進行兩兩比較。
2)如果小樣本時，差值呈偏態分布資料或方差不齊，則作Fredman的統計檢驗。如果Fredman的統計檢驗為有統計學意義，則進一步作統計分析：選擇合適的方法（如：用Wilcoxon的符號配對秩檢驗，但用Bonferroni方法校正P值等）進行兩兩比較。
五、 分類資料的統計分析
1.四格表資料
1)b+c>40，則用McNemar配對 c2檢驗或配對邊際c2檢驗
2)b+c￡40，則用二項分布確切概率法檢驗
2.C×C表資料：
1)配對比較：用McNemar配對 c2檢驗或配對邊際c2檢驗
2)一致性問題（Agreement）：用Kap檢驗
變量之間的關聯性分析
六、 兩個變量之間的關聯性分析
1.兩個變量均為連續型變量
1)小樣本並且兩個變量服從雙正態分布，則用Pearson相關係數做統計分析
2)大樣本或兩個變量不服從雙正態分布，則用Spearman相關係數進行統計分析
2.兩個變量均為有序分類變量，可以用Spearman相關係數進行統計分析
3.一個變量為有序分類變量，另一個變量為連續型變量，可以用Spearman相關係數進行統計分析
七、 回歸分析
1.直線回歸：如果回歸分析中的殘差服從正態分布（大樣本時無需正態性），殘差與自變量無趨勢變化，則直線回歸（單個自變量的線性回歸，稱為簡單回歸），否則應作適當的變換，使其滿足上述條件。
2.多重線性回歸：應變量（Y）為連續型變量（即計量資料），自變量（X1，X2，…，Xp）可以為連續型變量、有序分類變量或二分類變量。如果回歸分析中的殘差服從正態分布（大樣本時無需正態性），殘差與自變量無趨勢變化，可以作多重線性回歸。
1)觀察性研究：可以用逐步線性回歸尋找（擬）主要的影響因素
2)實驗性研究：在保持主要研究因素變量（幹預變量）外，可以適當地引入一些其它可能的混雜因素變量，以校正這些混雜因素對結果的混雜作用
3.二分類的Logistic回歸：應變量為二分類變量，自變量（X1，X2，…，Xp）可以為連續型變量、有序分類變量或二分類變量。
1)非配對的情況：用非條件Logistic回歸
(1)觀察性研究：可以用逐步線性回歸尋找（擬）主要的影響因素
(2)實驗性研究：在保持主要研究因素變量（幹預變量）外，可以適當地引入一些其它可能的混雜因素變量，以校正這些混雜因素對結果的混雜作用
2)配對的情況：用條件Logistic回歸
(1)觀察性研究：可以用逐步線性回歸尋找（擬）主要的影響因素
(2)實驗性研究：在保持主要研究因素變量（幹預變量）外，可以適當地引入一些其它可能的混雜因素變量，以校正這些混雜因素對結果的混雜作用
4.有序多分類有序的Logistic回歸：應變量為有序多分類變量，自變量（X1，X2，…，Xp）可以為連續型變量、有序分類變量或二分類變量。
1)觀察性研究：可以用逐步線性回歸尋找（擬）主要的影響因素
2)實驗性研究：在保持主要研究因素變量（幹預變量）外，可以適當地引入一些其它可能的混雜因素變量，以校正這些混雜因素對結果的混雜作用
5.無序多分類有序的Logistic回歸：應變量為無序多分類變量，自變量（X1，X2，…，Xp）可以為連續型變量、有序分類變量或二分類變量。
1)觀察性研究：可以用逐步線性回歸尋找（擬）主要的影響因素
2)實驗性研究：在保持主要研究因素變量（幹預變量）外，可以適當地引入一些其它可能的混雜因素變量，以校正這些混雜因素對結果的混雜作用
八、 生存分析資：要求資料記錄結局和結局發生的時間（如；死亡和死亡發生的時間）
1.用Kaplan-Meier方法估計生存曲線
2.大樣本時，可以壽命表方法估計
3.單因素可以用Log－rank比較兩條或多條生存曲線
4.多個因素時，可以作多重的Cox回歸
1)觀察性研究：可以用逐步線性回歸尋找（擬）主要的影響因素
2)實驗性研究：在保持主要研究因素變量（幹預變量）外，可以適當地引入一些其它可能的混雜因素變量，以校正這些混雜因素對結果的混雜作用
歡迎關注薛丁格醫學統計工作室，我們團隊由專業醫學統計分析人員組成，為您解決臨床科研中的醫學數據分析，詳情請諮詢QQ：2926692716 郵箱xuedinge001@qq.com
（回復任意數字查看往期內容）