醫學統計學分析方法選擇

Ⅰ 統計分析方法的選擇

在基本的統計分析過程中，選擇合適的統計學方法，已經是成功了一半。那麼面對得到數據，我們該如何去選擇合適的統計方法呢？

最簡單而重要的方法，首先是對數據的屬性進行判斷，是計量資料（年齡多少歲，血壓多少帕斯卡，身高多少cm）；還是計數資料（有多少個人，多少個國家，多少個民族）。

A 計量資料

對於計量資料，是採用非參數檢驗還是參數檢驗呢？如果數據不滿足正態性、方差齊性等，可以用非參數檢驗；當不在乎數據是否符合正態分布，也可以直接利用非參數檢驗，只是非參數檢驗的效能相比於參數檢驗低，犯I類錯誤的概率可能會高。

當檔宏計量資料為單獨一組時，採用單樣本t檢驗或單樣本秩和檢驗（Wilcoxon）；

當兩組樣本為獨立樣本進行比較時，採用兩組獨立樣本t檢驗或兩組獨立樣本秩和檢驗（Mann-Whitney）；

當兩組樣本為相關樣本時，採用配對樣本t檢驗或配對樣本秩和檢行高冊驗（Wilcoxon）；

當計量資料超過2組（3組或3組以上），採用方差分析或多組獨立樣本秩和檢驗（Kruskal-Wallis）。

B 計數資料

計數資料主要以列聯表形式存在，所以對計數資料的分析，首要任務是對行、列變數屬性的判斷。

當行變數、列變數均為無序變數時，採用卡方檢驗；

當行變數或列變數為有序變數時，採用秩和檢驗；

當行變數、列變數均為有序變數時，可採用Spearman相關性分析量變數之間的秩相關；若是評判兩種方法或處理手段的一致性，可採用Kappa分析。

將上面的長篇廢話轉化成圖念猛表，思路是不是更清晰了呢？

轉自』 醫學統計園 』。

Ⅱ 醫學科研中常用的統計學方法有哪些

正確的統計學分析一定要建立在明確的研究目的和研究設計的基礎之上，那些事先沒有研究目的和研究設計，事後找來一堆數據進行統計分析都是不可取的。 在醫學論文的撰、編、審、讀過程中經常遇到的問題是研究的題目與課題設計、論文內容不符，包括文章的方法解決不了論文的目的、文章的結果說明不了論文的題目、文章的討論偏離了論文的主題；還有是目的不明確、設計不合理。如題目過小，論文不夠字數，而一些無關緊要的變數指標或結果被分析被討論；又如題目過大，論文的全部內容不足以說明研究的目的，使論文的論點難以立足。 所以，合理明確的論文題目或目的以及研究設計方案是撰、編、審、讀者應當關注的首要問題。此外，樣本含量是否滿足，抽樣是否隨機，偏倚是否控制等，也是不可忽視的問題。

2、建好分析用的資料庫

建好資料庫是正確統計分析的前提和基礎，甚至決定了論文分析結果的成敗。對於編、審、讀者來講，一般由於篇幅的限制，往往得不到資料庫數據，而只有作者在資料庫數據基礎上經統計描述計算後給出的諸如各指標均數 x、標准差 s 或中位數 M、百分位數 Px 的「二手」數據，或將研究對象小或特徵屬性分組，清點各組觀察單位出現的個數或頻數的頻數表數據等。 無論是否能夠得到資料庫數據，作者在統計分析過程中一定依據資料庫數據進行計算，得出結果。如果對「二手」數據或頻數表數據的結果等存在疑惑，編輯、審稿專家或讀者有權要求作者提供資料庫數據以檢查其完整性、准確性和真實性，確保研究數據的質量。假若在投稿須知中對資料庫數據作出必要的要求，無疑對於保證刊物的發表質量有著積極的意義

Ⅲ 統計學分析方法有哪些

統計學分析方法如下：

一、指標對比分析法 指標對比分析法，又稱比較分析法，是統計分析中最常用的方法。是通過有關的指標對比來反映事物數量上差異和變化的方法。有比較才能鑒別。

六、綜合評價分析社會經濟分析現象往往是錯綜復雜的，社會經濟運行狀況是多種因素綜合作用的結果，而且各個因素的變動方向和變動程度是不同的。

七、景氣分析經濟波動是客觀存在的，是任何國家都難以完全避免的。

八、預測分析宏觀經濟決策和微觀經濟決策，不僅需要了解經濟運行中已經發生了的實際情況，而且更需要預見未來將發生的情況。

Ⅳ 醫學統計方法有哪些

1. 多組率的比較用卡方檢驗（χ2檢驗，chi-square test)
直接用幾個率的數值比較，與直接用原始數據錄入比較，結果會有什麼不同？卡方值會受樣本量的影響，樣本越多，卡方值越大。
2.多組計量資料比較採用方差分析(F檢驗) ，不能用t檢驗。當方差分析結果為P<0.05時，只能說明k組總體均數之間不完全相同。若想進一步了解哪兩組的差別有統計學意義，需進行多個均數間的多重比較，即SNK-q檢驗 (多個均數兩兩之間的全面比較 )、LSD-t檢驗 (適用於一對或幾對在專業上有特殊意義的均數間差別的比較)和Dunnett檢驗 (適用於k-1個實驗組與一個對比組均數差別的多重比較 )。
3.非正態分布多組數據之間比較選用非參數檢驗、單樣本中位數檢驗（符號檢驗和 Wilcoxon 檢驗）、雙樣本中位數檢驗（Mann-Whitney 檢驗）、方差分析（Kruskal-Wallis、Mood 中位數和 Friedman 檢驗）
4.按血糖水平從低到高分成多組，進行多組之間死亡率的比較，由於死亡率同樣受年齡、性別、病史、血脂等因素的影響，所以需選取合適統計方法實現「調整年齡、性別等危險因素後，按血糖分組進行死亡率的比較（由血糖從低到高分成的4組）」。
①年齡是定量變數（是數值），調整年齡的方法可在Logistic回歸中運用，連續性變數年齡加入covariate中，當成協變數，就可以調整年齡，age-adjusted odds ratio就能得到了。
②性別性別是二分類變數，不是定量變數，不可在LOGISTIC回歸里比較。調整性別可在卡方檢驗中採取分層的方法比較。
如果為多分類LOGISTIC回歸，在選擇用multinomianl LOGISTIC回歸中，可選入年齡等進入covariate，觀察年齡的配比情況。可把性別選入factors(自變數)。這樣可以實現調整年齡、性別等危險因素。
5.回顧性研究(1)臨床妊娠率和女性年齡的關系+(2)男性影響臨床妊 娠的精子參數比較：
數據類型及變數的說明：y：計量
擬採用的分析方法：卡方檢驗
擬採用的分析軟體：spss
原始數據附件及格式：word表
能否用其他方法統計分析：可用卡方分割，調整檢驗水準（根據比較的次數N，校正後的檢驗水準為0.05/N）。
6.重復t檢驗：多個樣本均數間的兩兩比較(又稱多重比較)不宜用t檢驗，因為重復數次，t檢驗將增加第一類錯誤的概率，使檢驗效率降低。此時宜用方差分析，並在此基礎上用兩兩比較方法(如．SNK、LSD、Duncan法等)。
對於同一對均數間的差異，用t檢驗無顯著性，而兩兩比較可能有顯著性，可見錯誤選用統計方法將推出錯誤結論。

Ⅳ 醫學論文中怎樣根據統計資料的類型選擇一種或幾種檢驗方法

剛在那個什麼 創新醫學網 上看見過 醫學論文 寫作輔導的文章 這個知道是不是 你要的答案
統計資料的顯著性檢驗(significant test)方法的選擇是醫學論文中常常遇見的問題，退稿原因中常有顯著性檢驗方法選擇不當。如t檢驗、u檢驗、χ2檢驗等，雖然各有其應用范圍和要求，但也其共同之處。作者可根據統計資料的類型，選擇一種或幾種檢驗方法。但當作者在獲得一組、兩組或兩組以上的數據資料時，選擇何種顯著性檢驗，是至關重要的問題。不同的資料類型其統計指標、統計檢驗的方法是不同的，見表1。
醫學生物研究中，許多指標都是服從正態分布(u分布)的，而隨著樣本含量加大或自由度增大，t分布、χ2分布、F分布都趨向於正態分布見圖1、圖2。
在《中華創傷雜志》第12卷1～6期和增刊中文章所涉及的統計方法(表2)，表明了正態分布的廣泛性、常見性。
故當作者獲得數據資料後，首先應進行正態性檢眩�范ㄊ欠為標准正態分布(或近似正態分布)或不屬於正態分布。筆者首先推薦概率單位法。
當統計資料屬於正態分布或近似正態分布時，差異顯著性檢驗方法的選裕�詵合其應用條件下，一般可按表3進行選擇。
顯著性檢驗應用時的主要注意事項：(1)率值或均值在進行顯著性檢驗前，應注意樣本的代表性和可比性。(2)檢驗結果接近顯著性界限時：要多方面考慮，是否確實不存在差異；或是觀察例數不夠，而需加大樣本例剩換是檢驗公式運用不當，可用其他檢驗印證。(3)多個樣本比例數的χ2檢驗，差異顯著性，只能說明多組比例數不同或不完全相同，而不能確定哪個比例數不同，要進一步進行顯著性檢驗才能了解兩個樣本比例數是否構成相同。

表1 一般情況下不同資料的統計指標與檢驗方法的關系

資料類型 統計指標 統計檢驗方法
計量資料 均數、標准差 t檢驗、F檢驗等
計數資料 率、構成比 χ2檢驗等
半定量資料 率、構成比 秩和檢驗、Ridit分析

表2 《中華創傷雜志》第12卷1～6期、
增刊顯著性檢驗方法使用頻數

檢驗方法 應用次數 檢驗方法 應用次數
t檢驗 27 直線相關與回歸分析 5
χ2檢驗 16 擬合線性回歸 1
F檢驗 24 相關分析 6
Q檢驗 2 非參數統計 4
u檢驗 1 未註明方法 6

表3 常用顯著性檢驗方法的選擇

統計資料比較類型 顯著性檢驗
小樣本均數與總體均數相比較 t檢驗
小樣本均數相比較 t檢驗、F檢驗
兩個或多個大樣本均數與
總體均數相比較 u檢驗、t檢驗
大樣本均數相比較 u檢驗、t檢驗
配對計量資料 配對t檢驗
兩個率的比較 u檢驗、χ2檢驗
多個樣本率的的比較 χ2檢驗
配對計數資料兩種屬性的
相關分析及其差別的比較 χ2檢驗

Ⅵ 臨床研究中統計方法的選擇

目錄

例子1：假設檢驗及臨床優效性檢驗
一研究者宣布找到一種治療某病的新葯，試驗結果如下，問：該新葯是否值得推廣？

例子2：分析中混雜因素的控制
英國某年全人口統計資料如下，矛盾：移民組的發病率在各個年齡組均高於英格蘭和威爾士組，為什麼它的合計發病率反而低？

例子3：假設檢驗及判別診斷
為鑒別胃癌、胃炎、非胃病患者，各測定了50名患者的銅蘭蛋白等指標，其中銅蘭蛋白的觀察結果如下，問：三種人的銅蘭蛋白有無不同？能否根據測定的銅蘭蛋白數據對患者進行初步診斷？

例子4：影響因素篩選-回歸分析
研究心肌梗死患者預後的的影響因素，以是否發生心性死亡作為觀察結果指標，對116名心梗患者的22個可能影響預後的因素進行觀察和記錄。

結局指標：心性死亡
預後因素：年齡、性別、高血壓病、心梗位置、心梗分級、傳導阻滯、溶栓治療，……等

問：哪些預後因素與發生心性死亡有關系？關系的強度如何？

【瑞麟】研究目的（4）+設計類型（4）+數據類型（3）+數據特徵（4）→統計方法

——↑瑞麟總結——

醫學統計分析方法選擇的核心三要素（3-5-3）

"方法看變數、設計看類型、目的定乾坤"

「大怕踢、二怕鏢、老三怕剪刀」
老大指數值型變數、老二指等級變數、老三指無序分類變數

大怕踢：T（腳踢）、F（旋風腿）
數值型變數一般選用t檢驗（兩組變數）、方差分析（3組及以上資料）

二怕鏢：非參數（飛鏢）
等級變數一般選用非參數檢驗

老三怕剪刀：卡方（剪刀）
無序分類變數一般選用卡方檢驗

統計指標、統計圖或統計表
如，均數、中位數、標准差、百分比、頻數分布等

參數估計、假設檢驗
估計總體參數、95%可信區間

對幾組資料進行差異性檢驗
假設檢驗方法，如，t檢驗、卡方檢驗、方差分析、秩和檢驗等

研究某因素與另一因素的依存關系
探討變數之間的關系及影響大小
具體說，探討自變數（影響因素）對應變數（結果變數）的影響大小
多變數分析方法
如，線性相關、線性回歸、Logistic回歸、Cox回歸、生存分析等。

最常見，最易實施的實驗設計方案
將研究對象隨機分配到幾個組，然後做實驗

將具有相似特徵的研究對象配成對子，然後再將每個對子的對象隨機分配到兩個組進行實驗
常見形式：同源配對（如樣品一分為二）；異源配對（按性別、體重、年齡進行配對）；自身前後配對（試驗前後的對比）

同時研究多個實驗因素對結果的影響
例如，研究葯物劑量（3mg、6mg）及給葯方式（口服、肌注）對結果的影響，每種組合均需要做試驗（3mg+口服，3mg+肌注，6mg+口服，6mg+肌注）

同一對象在不同時間點上進行某個指標的觀測，以分析該指標在時間上的變化。
【瑞麟疑問】如只進行兩個時間點上的測量，是否與自身前後配對的設計相同？

每一個觀察對象都有一個數值，且大小差異有意義。
例如，血紅蛋白（g/L）、住院天數、產前檢查次數、住院費用等。

數值變數資料的描述

論文中最常用的組合

以比代率，即誤將構成比（proportion）當作率（rate）來描述某病發生的強度和頻率。

把各種不同的率相混淆，如把患病率與發病率、死亡率與病死率等概念混同。

指類別或屬性間無順序、程度之分。
例如，性別（男、女）為二分類、血型（A、B、AB、O）為多分類。

指類別間存在著次序，或程度上的差異。
例如，治療效果（無效、好轉、顯效、治癒）、實驗室檢驗（-、+、++、+++）

分類變數資料的描述：通常需要描述各個類別的頻數及頻率（百分比）

任何統計方法都有自己的適用條件，只有當某個或某些條件滿足時，統計計算公式才成立。

適用條件可根據 數據特徵 來判斷

數值變數資料的描述：通過繪制直方圖可以直觀了解數據的分布

研究中，右偏態分布更常見，如住院時間、住院費用、病程等；左偏態分布較少見，如考生成績有時呈左偏態分布。

R語言中如何進行頻數分布直方圖

得到的圖表如下

方差是否齊同（相等）
粗略判斷：兩組標准差之比在2.5倍以上，就得警惕方差不齊

假設檢驗是反證法原理的統計應用

假設兩個樣本均數可能來源於同一總體，然後計算出在此假設下的某個統計量的大小，當這個統計量在其分布中的概率較小時（如p≤0.05）我們就拒絕其假設，而接受其對立假設，認為兩樣本分別來自不同的總體。

1）當p≤α時，做出「拒絕其無差別的假設，可認為各總體間有差別」的結論時就有可能犯錯誤，這類錯誤稱為第一類錯誤（type I error）。其犯錯誤的概率用α表示，若α取0.05，此時犯I型錯誤的概率≤0.05，若假設檢驗的p值比0.05越小，犯第一類錯誤的概率就越小。

2）當p>α時，做出「不拒絕其無差別的假設，還不能認為各總體間有差別」的結論時就有可能犯第二類錯誤（type II error）。其犯錯誤的概念用β表示，通常β為未知數，但假設檢驗p值越大，犯第二類錯誤的概率就越小。

計量資料 的假設檢驗：t檢驗、F檢驗（方差分析）、Z檢驗、秩和檢驗（Wilcoxon秩和檢驗、H檢驗、Friedman檢驗）等。

計數資料 的假設檢驗：卡方檢驗、Z檢驗（瑞麟疑問：z檢驗即u檢驗？）

等級資料 的假設檢驗：秩和檢驗（Wilcoxon秩和檢驗、H檢驗、Friedman檢驗）

單個自變數資料

兩個或以上自變數資料

兩組比較：t檢驗、u檢驗、兩組秩和檢驗、四格表和較正四格表的卡方檢驗等

多組比較：方差分析、多組秩和檢驗、行×列卡方檢驗等。

差異分析/數據資料的比較，是同一指標在不同處理間的比較。

臨床研究中，經常需要分析某些因素與疾病之間的關系，探討疾病的危險因素。

注意，相關關系並不等於因果關系。

前瞻性研究：相對危險度（RR）、歸因危險度（AR）
回顧性研究：比值比（OR）

參數檢驗：積矩相關系數（Pearson's sγ）
非參數檢驗：Spearman等級相關系數

1）確定金標准
診斷性試驗的金標准（gold standard）是指當前臨床醫師公認的診斷疾病最可靠的方法，也稱為標准診斷。應用金標准可以正確區分「有病」和「無病」。

擬評價的診斷性試驗對疾病的診斷，必須有金標准為依據，所謂金標准包括活檢、手術發現、細菌培養、屍檢、特殊檢查和影像診斷，以及長期隨訪的結果。

2）選擇研究對象
診斷性試驗的研究對象，應當包括兩組：一組是用金標准確診「有病」的病例組，另一組是用金標准證實為「無病」的患者，稱為對照組。所謂「無病」的患者，是指沒有金標准診斷的目標疾病，而不是完全無病的正常人。

病例組應包括各型病例：如典型和不典型的，早、中與晚期病例，輕、中與重型的，有和無並發症者等，以便使診斷性試驗的結果更具有臨床實用價值。

對照組可選用金標准證實沒有目標疾病的其他病例，特別是與該病容易混淆的病例，以期明確其鑒別診斷價值。正常人一般不宜納入對照組。

3）盲法比較診斷性試驗與金標準的結果
評價診斷性試驗時，採用盲法具有十分重要的意義，即要求判斷試驗結果的人，不能預先知道該病例用金標准劃分為「有病」還是「無病」，以免發生疑診偏倚。

新的診斷性試驗，對疾病的診斷結果應當與金標准診斷的結果進行同步對比，並且列出格表，以便進一步評估，其方法如下：
①用金標准診斷為「有病」的病例數為a+c；
②上述「有病」的病例經診斷性試驗檢測，結果陽性者為a，陰性者為c；
③金標准診斷「無病」的倒數為b+d，其中經診斷性試驗檢測陽性者為b，陰性者為d；
④列出四格表，將a,b,c,d的倒數分別填入下列四格表。

敏感度（sensitivity, SN）是正確診斷的真陽性病例在中風組中所佔的百分率，計算公式為為：SN=a/(a+c)×100%

特異度（specificity, SP）是正確診斷的真陰性部分所佔百分率，計算公式為：SP=d/(b+d)×100%

准確性(accuracy,AC)反映了診斷試驗結果與金標准試驗結果的符合或一致程度，計算公式為：AC = (a+d)/N

陽性預測值(positive predictive value,PPV)是診斷試驗為陽性結果中金標准證實患中風者所佔的百分率，計算公式為： PPV = a/(a+b)×100%

陰性預測值(negative predictive value,NPV)是診斷試驗為陰性結果中金標准證實未患中風者所佔的百分率，計算公式為：NPV = d/(c+d)×100% .

陽性似然比(positive likelihood ratio, LR+)為患中風組真陽性率和未患中風組假陽性率的比值，計算公式為：LR+ =SN/(1-SP) ，表明診斷性試驗為陽性時患病於不患病的比值,比值越大則患病的概率越大.

陰性似然比(negative likelihood ratio, LR-)為患中風組假陰性率與未患中風真陰性率的比值，計算公式為：LR- =(1-SN)/SP,表明診斷試驗為陰性時,患病與不患病時機會的比值.

1）ROC曲線
ROC曲線(receiver operator characteeristic curve)又稱受試者工作特徵曲線,在診斷性試驗中,用於正常值臨界點的選擇,對臨床實驗室工作尤為重要.

診斷資料可以按資料的等級或性質歸納成2X2表（四格表）或行列表。一般地說，如果診斷資料本身為二值變數，即診斷的結果為陽性和陰性，則歸納成四格表最合理。如果診斷資料為等級或連續變數，歸納成四格表就會造成信息的浪費，所以，最好將資料歸納成行列表，這樣可以最大限度地利用信息。

如果診斷實驗的資料為連續變數，可以將資料按一定的等級分級，歸納成行列表進行分析。

像這樣的行列表，我們可以將其分割成表3形式的四格表，分別計算各指標，計算的結果見表3。

由表3可見，靈敏度和假陽性率隨界值的降低而生高，但特異度則隨界值的降低而降低。根據這樣的關系，我們可以用假陽性率為橫坐標，靈敏度為縱坐標做ROC曲線，見下圖。

曲線左上角靈敏度是1.0（100%），假陽性率是0，即所有的病人全部被確診，所有無病者都不會誤診。距左上角距離越近的曲線實驗效果越好；
在ROC曲線上，靠坐上角距離最近的界點作為界值最好。（Q：為什麼？）
在左上角處（靈敏度+特異度）/2的值最大，可以根據此及實際工作的需要來確定具體診斷實驗的界值。
用ROC曲線可以比較不同診斷實驗的優劣（Q：解釋理由）。

2）似然比的臨床應用
似然比(likelihood ratio)是診斷試驗綜合評價的理想指標,它綜合了敏感度與特異度的臨床意義,而且可依據試驗結果的陽性或陰性,計算患病的概率,便於在診斷試驗檢測後,更確切地對患者作出診斷.
真陽性率越高,則陽性似然比越大.

參考文獻：
1. 《臨床研究中統計方法的選擇》 ，（微信公眾號）臨床科研與meta分析，2015-12-18
2.武松 《SPSS中級統計實戰教程》之《醫學統計方法選擇秘籍（5秒判讀法）》 （丁香園公開課）,2018-3-6
3.雞小販. 臨床科研中如何選擇統計學方法（PPT） . 網路文庫.2014-3-13

Ⅶ 寫出醫學科研中的常用統計學方法有哪些

常用的醫學科研統計方法有：計量資料的統計方法可分為參數檢驗法和非參數檢驗法。參數檢驗法主要為t檢驗和方差分析（ANOVN，即F檢驗）等，兩組間均數比較時常用t檢驗和u檢驗，兩組以上均數比較時常用方差分析；非參數檢驗法主要包括秩和檢驗等。t檢驗可分為單組設計資料的t檢驗、配對設計資料的；方差分析可用於兩個以上樣本均數的比較，應用該方法時，要求各個樣本是相互獨立的隨機樣本，各樣本來自正態總體且各處理組總體方差齊性

Ⅷ 醫學論文寫作中分析數據的統計方法有哪些

科學研究很早就已經從簡單的定性分析深入到細致的定量分析，科研工作者要面對大量的數據分析問題，科研數據的統計分析結果直接影響著論文的結果分析。在醫學科研寫作中，實驗設計的方法直接決定了數據採取何種統計學方法，因為每種統計方法都要求數據滿足一定的前提和假定，所以論文在實驗設計的時候，就要考慮到以後將採取哪種數據統計方法更可靠。醫學統計方法的錯誤千差萬別，其中最主要的就是統計方法和實驗設計不符，造成數據統計結果不可靠。下面，醫刊匯編譯列舉一些常見的可以避免的問題和錯誤：

打開網路APP，查看更多高清圖片
一、數據統計分析方法使用錯誤或不當。醫學論文中，最常見的此類錯誤就是實驗設計是多組研究，需要對數據使用方差分析的時候，而作者都採用了兩樣本的均數檢驗。
二、統計方法闡述不清楚。在同一篇醫學論文中，不同數據要採取不同統計處理方法，這就需要作者清楚地描述出每個統計值採用的是何種統計學方法，但在許多使用一種以上數據統計分析方法的醫學論文中，作者往往只是簡單地把論文採用的數據統計方法進行了整體羅列，並沒有對每個數據結果分析分別交代具體的統計方法，這就很難讓讀者確認某一具體結果作者到底採用的是何種數據分析方法。
三、統計表和統計圖缺失或者重復。統計表或者統計圖可以直觀地讓讀者了解統計結果。一個好的統計表或統計圖應該具有獨立性，即作者即使不看文章內容，也可從統計表或統計圖中推斷出正確的實驗結果。而一些醫學論文只是簡單地堆砌了大量的統計數字，缺乏直觀的統計圖或表；或者雖然也列出了統計表或統計圖，但表或圖內缺項很多，讓讀者難以從中提取太多有用的信息。
另外，也有作者為了增加文章篇幅，同時列出統計表和統計圖，造成不必要的浪費和重復。統計表的優點是詳細，便於分析研究各類問題。統計圖(尤其是條形統計圖)的優點是能夠直觀反映變數的數量差異。
醫學論文中對數據統計結果的解釋，最常見的兩個錯誤就是過度信賴P值(結果可信程度的一個遞減指標)和迴避陰性結果。前一個錯誤的原因是因為一些作者對P值含義理解有誤，把數據的統計學意義和研究的臨床意義混淆。所以醫學研究人員一定要注意不能單純依靠統計值武斷地得出一些結論，一定要把統計結果和臨床實踐結合在一起，這樣才會避免出現類似的錯誤。
至於迴避陰性結果，只提供陽性結果，是因為不少作者在研究設計時，難以擺脫的一種單向的思維定式就是主觀地先認定自己所預想的某種結果結論。在歸納某種結果原因時，從一個方向的實驗就下完美的結論，尤其是如果這個結論可能對實際情形非常有意義時。這樣的思維定勢過於強調統計差異的顯著性，有時會刻意迴避報道差異的不顯著結果，不思考和探究差異不顯著的原因和意義，反而會因此忽視一些重大的科學發現。