研究常用檢驗方法

『壹』 穩健性檢驗方法有哪些

穩健性檢驗的幾種辦法如下：
1、變數替換法：工作績效既可以用工作量也可以用工作完成時間來衡量（替換因變數或者主要的自變數）。
2、補充變數法：模型中存在遺漏變數（隨機擾動項與解釋變數相關）。加入遺漏變數再次進行分析，看結論是否會發生改變。
3、調整變數的分類標准：水果可以按照顏色來分，也可以按照口感來分。
4、分樣本回歸：根據某特性將總樣本分成幾個小樣本分別進行研究，看結論是否會發生改變。例如，在研究激勵措施對工作績效的影響時，我們可以將樣本按性別分成兩個小樣本，在每個樣本中分別進行研究。
5、改變樣本容量：提出樣本中的異常點和離群值。
6、縮短或者延長周期：研究不同時間段的樣本。

『貳』 生物學研究中常見的統計檢驗方法(一：t-test)

本部分筆記是整理近期我在科研工作中接觸到的一些統計檢驗方法，為了避免篇幅太長，內容分為幾篇，每篇討論一種檢驗方法。
不得不感嘆統計學真是博大精深啊（我這種學渣渣平時以為大概懂了），真正需要使用它們的時候，認真思考起來，才發現有許多的疑惑。部分疑惑我已經通過查閱文獻或網路教程得到理解，也有部分仍然疑惑，等到後續理解了再做更新。

<p>Student's t-test 是由William Sealy Gosset 於1908年發表的統計檢驗方法。常用於檢驗樣本的均值，比如單樣本時，檢驗樣本均值是否等於某一數值；雙樣本時，檢驗兩個樣本的均值是否相等。Student's t-test是我們通常所說的t-test （後續不作特別聲明，t-test都是指Student『s t-test），它不僅假設樣本來自正太總體同時需要樣本方差相等，後來也有一些變種t-test，比如Welch's t-test. 對於這些後面會簡單提到但不作細講。</p>

Student's t-test的使用前提是，你的兩個樣本需滿足一下條件：

函數：t.test(x, y = NULL, alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, var.equal = FALSE, conf.level = 0.95, ...)
部分參數說明：
x, y: 我們這里主要講two-sample 檢驗，所以x和y兩個向量都需要提供，表示兩個不同的樣本。
alternative: 選擇時單側檢驗還是雙側檢驗；
mu: 單樣本檢驗的時候用的參數；
paired: 是否為配對樣本檢驗；
var.equal: 這個參數選擇是否樣本方差一樣，默認時方差不一樣，這時候底層實現的是welch's t-test；如果方差一樣，選擇TRUE，則底層實現的是student's t-test。

我們再仔細看看上面t-test的兩個使用假設，是不是發現還有個問題，（沒錯）就是兩個樣本的大小需不需要考慮呢。對於paired-sample，自然是沒有這個問題了，所以我們主要討論independent樣本的檢驗。<a href="http://www.jstor.org/stable/2684360?origin=crossref&seq=1#page_scan_tab_contents">有一篇研究[2]</a>曾經報道，對於equal-size 的兩個樣本的t-test ，不管是方差齊或不齊，都能得到非常robust的結果；而unequal-size的兩個樣本就不能確定了。而當兩個樣本並非來自正太總體時，不管是sample-size相等或是不等，結果也都不太好。 這表明，t-test對於正態性是比較敏感的；另一方面，當樣本一樣大小時，t-test對於方差並不敏感；反之，當樣本大小不等時，我們使用t-test就不夠安全了。

ok，看了這么多，總結起來就一句話，t-test不完美，使用須謹慎。
（若有不對的地方，請留言指正。其他方法後續會更新）

參考：

『叄』 顯著性檢驗最常見的有t檢驗法和什麼法

計算出統計量的值，這個統計量的選取要使得在假設H0成立時，作出拒絕或接受假設H0的判斷、t檢驗法。常用的假設檢驗方法有u—檢驗法；由實測的樣本假設檢驗(Hypothesis Testing)是數理統計學中根據一定假設條件由樣本推斷總體的一種方法，秩和檢驗等。具體作法是，其分布為已知、χ2檢驗法(卡方檢驗)，記作H0：根據問題的需要對所研究的總體作某種假設，並根據預先給定的顯著性水平進行檢驗；選取合適的統計量、F—檢驗法

『肆』 總結！14個常用的統計假設檢驗的方法

本文分享利用SPSSAU進行14個常用的統計假設檢驗的方法，分為以下五個部分：

一、正態性檢驗

正態性特質是很多分析方法的基礎前提，如果不滿足正態性特質，則應該選擇其它的分析方法，因此在做某些分析時，需要先進行正態性檢驗。如果樣本量大於50，則應該使用Kolmogorov-Smirnov檢驗結果，反之則使用Shapro-Wilk檢驗的結果。

常見的分析方法正態性特質要求歸納如下表（包括分析方法，以及需要滿足正態性的分析項，如果不滿足時應該使用的分析方法）。

如果p 值大於0.05，則說明具有正態性特質，反之則說明數據沒有正態性特質。

如果是問卷研究，數據很難滿足正態性特質，而實際研究中卻也很少使用不滿足正態性分析時的分析方法。

SPSSAU認為有以下三點原因：

① 參數檢驗的檢驗效能高於非參數檢驗，比如方差分析為參數檢驗，所以很多時候即使數據不滿足正態性要求也使用方差分析

② 如果使用非參數檢驗，呈現出差異性，則需要對比具體對比差異性（但是非參數檢驗的差異性不能直接用平均值描述，這與實際分析需求相悖，因此有時即使數據不正態，也不使用非參數檢驗，或者Spearman相關系數等）

③ 理想狀態下數據會呈現出正態性特質，但這僅會出現在理想狀態，現實中的數據很難出現正態性特質（尤其是比如問卷數據）【可直接使用「直方圖」直觀展示數據正態性情況】。

二、方差齊檢驗

如果要進行方差分析，需要滿足方差齊性的前提條件，需要進行方差齊檢驗，其用於分析不同定類數據組別對定量數據時的波動情況是否一致。例如研究人員想知道三組學生的智商 波動情況是否一致（通常情況希望波動一致，即方差齊）。

判斷p 值是否呈現出顯著性(p <0.05),如果呈現出顯著性,則說明不同組別數據波動不一致，即說明方差不齊；反之p 值沒有呈現出顯著性（p >0.05）則說明方差齊。

提示： 方差不齊時可使用『非參數檢驗』，或者還可使用welch 方差，或者Brown-Forsythe方差。

三、相關性檢驗

（1）相關分析

相關分析是一種簡單易行的測量定量數據之間的關系情況的分析方法。可以分析包括變數間的關系情況以及關系強弱程度等。相關系數常見有三類，分別是：

1.Pearson相關系數

2.Spearman等級相關系數

3.Kendall相關系數

三種相關系數最常使用的是Pearson相關系數；當數據不滿足正態性時，則使用Spearman相關系數，Kendall相關系數用於判斷數據一致性，比如裁判打分。下圖是詳細使用場景：

如果呈現出顯著性（結果右上角有*號，此時說明有關系；反之則沒有關系）。

有了關系之後，關系的緊密程度直接看相關系數大小即可。（一般0.7以上說明關系非常緊密；0.4~0.7之間說明關系緊密；0.2~0.4說明關系一般。）

如果說相關系數值小於0.2，但是依然呈現出顯著性（右上角有*號，1個*號叫0.05水平顯著，2個*號叫0.01水平顯著；顯著是指相關系數的出現具有統計學意義普遍存在的，而不是偶然出現），說明關系較弱，但依然是有相關關系。

（2）卡方檢驗

卡方檢驗主要用於研究定類與定類數據之間的差異關系。卡方檢驗要求X、Y項均為定類數據，即數字大小代表分類。並且卡方檢驗需要使用卡方值和對應p 值去判斷X與Y之間是否有差異。通常情況下，共有三種卡方值，分別是Pearson卡方，yates校正卡方，Fisher卡方；優先使用Pearson卡方，其次為yates校正卡方，最後為Fisher卡方。

具體應該使用Pearson卡方，yates校正卡方，也或者Fisher卡方；需要結合X和Y的類別個數，校本量，以及期望頻數格子分布情況等，選擇最終應該使用的卡方值。SPSSAU已經智能化處理這一選擇過程。

第一：分析X分別與Y之間是否呈現出顯著性(p值小於0.05或0.01)；

第二：如果呈現出顯著性；具體對比選擇百分比(括弧內值)，描述具體差異所在；

第三：對分析進行總結。

卡方檢驗，SPSSAU提供兩個按鈕，二者的區別是，後者輸出更多的統計量過程值以及深入指標表格，滿足需要更多分析指標的研究人員，如下各圖。

進行卡方檢驗，上傳數據時需要特別注意數據格式，有兩種格式：常規格式和加權格式。

①  常規格式數據 ，如下圖。則通用方法中的【交叉（卡方）】和實驗/醫學研究中的【卡方檢驗】都可以使用。

②  加權數據： 但在某些情況下，我們得到的不是原始數據，而是經過整理的匯總統計數據。比如下面這樣格式的數據：

類似這樣的格式，不能直接使用的，需要整理成加權數據格式，只能使用實驗/醫學研究中的【卡方檢驗】

這時候點擊實驗/醫學研究面板中的【卡方檢驗】-拖拽三個【分析變數】分別到對應分析框-【開始分析】即可。

四、參數檢驗

（1） 單樣本t檢驗

單樣本T檢驗用於比較樣本數據與一個特定數值之間是否存在差異情況。

首先判斷p 值是否呈現出顯著性,如果呈現出顯著性,則分析項明顯不等於設定數字,具體差異可通過平均值進行對比判斷。

（2）獨立樣本T檢驗（T檢驗）

獨立樣本T檢驗用於分析定類數據（X）與定量數據（Y）之間的差異情況。

獨立樣本T檢驗除了需要服從正態分布、還要求兩組樣本的總體方差相等。當數據不服從正態分布或方差不齊時，則考慮使用非參數檢驗。

首先判斷p 值是否呈現出顯著性,如果呈現出顯著性,則說明兩組數據具有顯著性差異,具體差異可通過平均值進行對比判斷。

（3）配對樣本T檢驗

用於分析配對定量數據之間的差異對比關系。與獨立樣本t檢驗相比，配對樣本T檢驗要求樣本是配對的。兩個樣本的樣本量要相同；樣本先後的順序是一一對應的。

常見的配對研究包括幾種情況：

判斷p 值是否呈現出顯著性，如果呈現出顯著性，，則說明配對數據具有顯著性差異，具體差異可通過平均值進行對比判斷。

（4）方差分析

方差分析(單因素方差分析),用於分析定類數據與定量數據之間的關系情況.例如研究人員想知道三組學生的智商平均值是否有顯著差異。

進行方差分析需要數據滿足以下兩個基本前提：

理論上講，數據必須滿足以上兩個條件才能進行方差分析，如不滿足，則使用非參數檢驗。但現實研究中，數據多數情況下無法到達理想狀態。正態性檢驗要求嚴格通常無法滿足，實際研究中，若峰度絕對值小於10並且偏度絕對值小於3，或正態圖基本上呈現出 鍾形 ，則說明數據雖然不是絕對正態，但基本可接受為正態分布，此時也可使用方差分析進行分析。

第一：分析X與Y之間是否呈現出顯著性(p值小於0.05或0.01)。

第二：如果呈現出顯著性；通過具體對比平均值大小，描述具體差異所在。

第三：如果沒有呈現出顯著性；說明X不同組別下，Y沒有差異。

（5）重復測量方差

在某些實驗研究中，常常需要考慮時間因素對實驗的影響，當需要對同一觀察單位在不同時間重復進行多次測量，每個樣本的測量數據之間存在相關性，因而不能簡單的使用方差分析進行研究，而需要使用重復測量方差分析。

第一、首先進行球形度檢驗，p <0.05說明沒有通過球形度檢驗，p >0.05說明通過球形度檢驗；

第二、如果沒有通過球形度檢驗，並且球形度W值大於0.75，則使用HF校正結果；

第三、如果沒有通過球形度檢驗，並且球形度W值小於0.75，則使用GG校正結果；

第四、如果通過球形度檢驗，組內效應分析結果時使用「滿足球形度檢驗」結果即可；

將數據上傳至SPSSAU分析，選擇【實驗/醫學研究】--【重復測量方差】。

五、非參數檢驗

凡是在分析過程中不涉及總體分布參數的檢驗方法，都可以稱為「非參數檢驗」。因而，與參數檢驗一樣，非參數檢驗包括許多方法。以下是最常見的非參數檢驗及其對應的參數檢驗對應方法：

非參數秩和檢驗研究X不同組別時Y的差異性，針對方差不齊，或者非正態性數據（Y）進行差異性對比（X為兩組時使用mannWhitney檢驗，X超過兩組時使用Kruskal-Wallis檢驗，系統默認進行判斷）；

（1）單樣本Wilcoxon檢驗

單樣本Wilcoxon檢驗是單樣本t檢驗的代替方法。該檢驗用於檢驗數據是否與某數字有明顯的區別，如對比調查對象整體態度與滿意程度之間的差異。首先需要判斷數據是否呈現出正態性分析特質，如果數據呈現出正態性特質，此時應該使用單樣本t檢驗進行檢驗；如果數據沒有呈現出正態性特質，此時應該使用單樣本Wilcoxon檢驗

首先判斷p 值是否呈現出顯著性,如果呈現出顯著性,則分析項明顯不等於設定數字,具體差異可通過中位數進行對比判斷。

（2）Mann-Whitney檢驗

Mann-Whitney檢驗是獨立樣本t檢驗的非參數版本。該檢驗主要處理包含等級數據的兩個獨立樣本，SPSSAU中稱為非參數檢驗。

第一：分析X與Y之間是否呈現出顯著性(p值小於0.05或0.01)。

第二：如果呈現出顯著性；通過具體對比中位數大小，描述具體差異情況。

（3）Kruskal-Wallis檢驗

Kruskal-Wallis檢驗是單因素方差分析的非參數替代方法。Kruskal-Wallis檢驗用於比較兩個以上獨立組的等級數據。

在SPSSAU中，與Mann-Whitney檢驗統稱為「非參數檢驗」,分析時SPSSAU會根據自變數組別數自動選擇使用Kruskal-Wallis檢驗或Mann-Whitney檢驗。

（4）配對Wilcoxon檢驗

Wilcoxon符號秩檢驗是配對樣本t檢驗的非參數對應方法。該檢驗將兩個相關樣本與等級數據進行比較。

第一：分析每組配對項之間是否呈現出顯著性差異(p值小於0.05或0.01)。

第二：如果呈現出顯著性；具體對比中位數(或差值)大小，描述具體差異所在。

『伍』 臨床檢驗的研究方法

臨床檢驗主要是運用物理學、化學和生物學等的實驗方法對各種標本（包括血液和其他體液標本、分泌物標本、排泄物標本以及組織標本等）進行定性或定量分析，以獲得反映機體功能狀態、病理變化或病因等的客觀資料。
臨床檢驗應提供有臨床價值的並且盡可能准確的結果，以使臨床醫生能對病人的疾病作出正確的診斷和及時的治療，並為觀察療效、推測預後以及疾病的預防等提供有關信息。同時，還應為臨床提供必要的咨詢，正確解釋檢測結果並最大限度地利用各種信息。欲達到此目的，除了檢驗人員應具有良好的素質之外，臨床檢驗所採用的分析方法和檢驗儀器也很重要，包括按分析檢測要求選用適當的標本，正確地分離和保存標本，選用合乎要求的各種器具，應用符合分析檢測要求的試劑，採用質量和性能可靠的分析方法和檢測設備，適當的檢測速度以及科學、准確地理解和解釋檢驗結果等。當然，嚴格和有效的實驗室質量管理體系是必不可少的。近幾十年來，有關基礎科學飛速發展，新的分析檢測的方法和儀器不斷涌現，大大推動了臨床檢驗的發展，使臨床檢驗在疾病的預防、診斷和治療中發揮著越來越大的作用。

『陸』 化學分析法中較常用的檢測方法是

(1) 化學分析法：目前常規的糖類檢測方法如斐林氏法、高錳酸鉀法等化學分析方法只能測定總還原糖，不能測定其他糖含量。

(2) 氣相色譜法：氣相色譜法也可用於糖類測定，但由於糖類本身不具揮發性，須進行衍生化處理後才能用氣相色譜檢測。

(3) 高效液相色譜法。高效液相色譜法（HPLC）更適用於糖類檢測，樣品無需衍生化，解析度高，重現性好，特別適用於某些熱敏性糖類和多糖分子量的檢測。迪信泰檢測平台提供HPLC、LC-MS檢測多種糖類服務。

檢測器

(1) 示差折光檢測器：可直接測定，操作簡便，但靈敏度較低；

(2) 紫外檢測器或光檢測器：靈敏度較高，但由於糖類本身在紫外區沒有吸收或不產生熒光，因此樣品需提前進行衍生化，操作較復雜。

(3) 蒸發光散射檢測器：對於沒有紫外吸收、不產生熒光或電活性的物質均能檢測，通用性好，靈敏度高，可用於梯度洗脫。

流動相

一般為水、乙腈和甲醇的混合溶液，影響流動相的因素主要有以下幾種：

(1) 配比：由糖類的組分含量、分子量范圍、結構組成等決定，且有研究表明水的比例越高，分離速度越快，但若出現果糖和葡萄糖色譜峰重疊，分離效果則會下降。

(2) 流速：也是影響分離效果的主要因素之一，若流速增大，保留時間縮短但分離效果下降，若流速過快，則會縮短色譜柱的使用壽命，不同的色譜柱，其配合柱效的最佳流速也不同。

(3) 檢測溫度：會影響色譜的檢測結果，有研究發現提高溫度，可以縮短保留時間，但分離效果下降，降低溫度更有利於峰分離。

(4) pH：一般使用中性的有機溶劑或水進行提取。為了避免離子化，檢測物質呈鹼性時，可以增大流動相pH，檢測物質呈弱酸性時，可以降低流動相pH。

『柒』 檢驗假設的方法

常用的假設檢驗的方法有以下四種: （1）Z檢驗。Z檢驗常用於總體正態分布、方差已知或獨立大樣本的平均數的顯著性和差異的顯著性檢驗，非正態分布的皮爾森積差相關系數和二列相關系數的顯著性檢驗以及兩個相關系數分別由兩組被試得到的相關系數差異性檢驗等情況。 （2）t檢驗。t檢驗常用於總體正態分布、總體方差未知或獨立小樣本的平均數的顯著性檢驗，平均數差異顯著性檢驗，相關系數由同一組被試取得的相關系數差異顯著性檢驗，非正態分布的皮爾森相關系數的顯著性檢驗等情況。

『捌』 生物學研究中常見的統計檢驗方法(二：Wilcoxon test)

這里我就不具體講怎麼計算統計量的了，讀者可參考下面鏈接【1】，裡面有詳細介紹如何計算統計量的步驟；鏈接【2】則有介紹wilcoxon test的p值是如何計算的。
【1】( http://sphweb.bumc.bu.e/otlt/MPH-Moles/BS/BS704_Nonparametric/BS704_Nonparametric4.html )
【2】( https://data.library.virginia.e/the-wilcoxon-rank-sum-test/ )

R語言里怎麼做wilcoxon test:

wilcox.test 的輸出結果

總結
wilcoxon test在分析中非常常用，我們經常能在讀文章時發現到。通常當我們要比較兩個樣本時，首先考慮是否滿足參數檢驗方法t-test的假設條件（即正太分布或者樣本總量很大（>30)，方差相同）；若不滿足，則可使用wilcoxon test代替。

『玖』 統計學檢驗方法有哪些

統計學 各種應用條件、校正條件

應用檢驗方法必須符合其適用條件，不同設計的數據應選用不同檢驗方法。 一、第五章 參數估計 P74 總體均數的置信區間 1.正態近似法：
總體標准差σ已知，或σ未知但n>50時 2. t分布法
總體標准差σ未知，且n≤50時
二、第六章 計量資料兩組均數t檢驗P93、P99 （一）t 檢驗的應用條件
適用於計量資料（單樣本、兩配對樣本、兩獨立樣本），並要求： 1. 樣本來自正態分布的總體。W檢驗（n≤50時），H0：樣本來自正態總體，P>0.05時尚不能認為兩組資料的分布非正態；
2. 兩獨立樣本均數比較時，兩總體方差齊性。Levene檢驗，H0：方差相等。P>0.05時尚不能認為兩組資料方差不齊。
（二）方差不齊或非正態時，兩計量資料均數的比較方法 方法1. 僅方差不齊時，可採用近似t檢驗，即 t′檢驗。 方法2. 變數變換：對數變換、平方根變換、倒數變換等
方法3. 非參數檢驗：Wilcoxon符號秩檢驗（兩相關樣本P142）；Wilcoxon秩和檢驗、Mann-Whiney-U檢驗（兩獨立樣本 P145）等

三、第七章 計量資料多組均數的比較-方差分析 （一）方差分析流程 P109
1、多個樣本均數比較。若P<0.05，均數不全相等，則進行第2步；
2、作多重比較：LSD-t檢驗、Dunnett-t檢驗（多個實驗組與一個對照組比較）、SNK-q檢驗（多個均數間全面比較）
（二）方差分析的應用條件 P114
1、各樣本相互獨立，服從正態分布；W檢驗 2、各樣本方差齊性。Levene檢驗
四、分類資料（計數資料）的比較-

『拾』 模型檢驗常用方法有哪些

正確性分析；有效性分析；有用性分析；高效性分析