研究常用检验方法

‘壹’ 稳健性检验方法有哪些

稳健性检验的几种办法如下：
1、变量替换法：工作绩效既可以用工作量也可以用工作完成时间来衡量（替换因变量或者主要的自变量）。
2、补充变量法：模型中存在遗漏变量（随机扰动项与解释变量相关）。加入遗漏变量再次进行分析，看结论是否会发生改变。
3、调整变量的分类标准：水果可以按照颜色来分，也可以按照口感来分。
4、分样本回归：根据某特性将总样本分成几个小样本分别进行研究，看结论是否会发生改变。例如，在研究激励措施对工作绩效的影响时，我们可以将样本按性别分成两个小样本，在每个样本中分别进行研究。
5、改变样本容量：提出样本中的异常点和离群值。
6、缩短或者延长周期：研究不同时间段的样本。

‘贰’ 生物学研究中常见的统计检验方法(一：t-test)

本部分笔记是整理近期我在科研工作中接触到的一些统计检验方法，为了避免篇幅太长，内容分为几篇，每篇讨论一种检验方法。
不得不感叹统计学真是博大精深啊（我这种学渣渣平时以为大概懂了），真正需要使用它们的时候，认真思考起来，才发现有许多的疑惑。部分疑惑我已经通过查阅文献或网络教程得到理解，也有部分仍然疑惑，等到后续理解了再做更新。

<p>Student's t-test 是由William Sealy Gosset 于1908年发表的统计检验方法。常用于检验样本的均值，比如单样本时，检验样本均值是否等于某一数值；双样本时，检验两个样本的均值是否相等。Student's t-test是我们通常所说的t-test （后续不作特别声明，t-test都是指Student‘s t-test），它不仅假设样本来自正太总体同时需要样本方差相等，后来也有一些变种t-test，比如Welch's t-test. 对于这些后面会简单提到但不作细讲。</p>

Student's t-test的使用前提是，你的两个样本需满足一下条件：

函数：t.test(x, y = NULL, alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, var.equal = FALSE, conf.level = 0.95, ...)
部分参数说明：
x, y: 我们这里主要讲two-sample 检验，所以x和y两个向量都需要提供，表示两个不同的样本。
alternative: 选择时单侧检验还是双侧检验；
mu: 单样本检验的时候用的参数；
paired: 是否为配对样本检验；
var.equal: 这个参数选择是否样本方差一样，默认时方差不一样，这时候底层实现的是welch's t-test；如果方差一样，选择TRUE，则底层实现的是student's t-test。

我们再仔细看看上面t-test的两个使用假设，是不是发现还有个问题，（没错）就是两个样本的大小需不需要考虑呢。对于paired-sample，自然是没有这个问题了，所以我们主要讨论independent样本的检验。<a href="http://www.jstor.org/stable/2684360?origin=crossref&seq=1#page_scan_tab_contents">有一篇研究[2]</a>曾经报道，对于equal-size 的两个样本的t-test ，不管是方差齐或不齐，都能得到非常robust的结果；而unequal-size的两个样本就不能确定了。而当两个样本并非来自正太总体时，不管是sample-size相等或是不等，结果也都不太好。 这表明，t-test对于正态性是比较敏感的；另一方面，当样本一样大小时，t-test对于方差并不敏感；反之，当样本大小不等时，我们使用t-test就不够安全了。

ok，看了这么多，总结起来就一句话，t-test不完美，使用须谨慎。
（若有不对的地方，请留言指正。其他方法后续会更新）

参考：

‘叁’ 显着性检验最常见的有t检验法和什么法

计算出统计量的值，这个统计量的选取要使得在假设H0成立时，作出拒绝或接受假设H0的判断、t检验法。常用的假设检验方法有u—检验法；由实测的样本假设检验(Hypothesis Testing)是数理统计学中根据一定假设条件由样本推断总体的一种方法，秩和检验等。具体作法是，其分布为已知、χ2检验法(卡方检验)，记作H0：根据问题的需要对所研究的总体作某种假设，并根据预先给定的显着性水平进行检验；选取合适的统计量、F—检验法

‘肆’ 总结！14个常用的统计假设检验的方法

本文分享利用SPSSAU进行14个常用的统计假设检验的方法，分为以下五个部分：

一、正态性检验

正态性特质是很多分析方法的基础前提，如果不满足正态性特质，则应该选择其它的分析方法，因此在做某些分析时，需要先进行正态性检验。如果样本量大于50，则应该使用Kolmogorov-Smirnov检验结果，反之则使用Shapro-Wilk检验的结果。

常见的分析方法正态性特质要求归纳如下表（包括分析方法，以及需要满足正态性的分析项，如果不满足时应该使用的分析方法）。

如果p 值大于0.05，则说明具有正态性特质，反之则说明数据没有正态性特质。

如果是问卷研究，数据很难满足正态性特质，而实际研究中却也很少使用不满足正态性分析时的分析方法。

SPSSAU认为有以下三点原因：

① 参数检验的检验效能高于非参数检验，比如方差分析为参数检验，所以很多时候即使数据不满足正态性要求也使用方差分析

② 如果使用非参数检验，呈现出差异性，则需要对比具体对比差异性（但是非参数检验的差异性不能直接用平均值描述，这与实际分析需求相悖，因此有时即使数据不正态，也不使用非参数检验，或者Spearman相关系数等）

③ 理想状态下数据会呈现出正态性特质，但这仅会出现在理想状态，现实中的数据很难出现正态性特质（尤其是比如问卷数据）【可直接使用“直方图”直观展示数据正态性情况】。

二、方差齐检验

如果要进行方差分析，需要满足方差齐性的前提条件，需要进行方差齐检验，其用于分析不同定类数据组别对定量数据时的波动情况是否一致。例如研究人员想知道三组学生的智商 波动情况是否一致（通常情况希望波动一致，即方差齐）。

判断p 值是否呈现出显着性(p <0.05),如果呈现出显着性,则说明不同组别数据波动不一致，即说明方差不齐；反之p 值没有呈现出显着性（p >0.05）则说明方差齐。

提示： 方差不齐时可使用‘非参数检验’，或者还可使用welch 方差，或者Brown-Forsythe方差。

三、相关性检验

（1）相关分析

相关分析是一种简单易行的测量定量数据之间的关系情况的分析方法。可以分析包括变量间的关系情况以及关系强弱程度等。相关系数常见有三类，分别是：

1.Pearson相关系数

2.Spearman等级相关系数

3.Kendall相关系数

三种相关系数最常使用的是Pearson相关系数；当数据不满足正态性时，则使用Spearman相关系数，Kendall相关系数用于判断数据一致性，比如裁判打分。下图是详细使用场景：

如果呈现出显着性（结果右上角有*号，此时说明有关系；反之则没有关系）。

有了关系之后，关系的紧密程度直接看相关系数大小即可。（一般0.7以上说明关系非常紧密；0.4~0.7之间说明关系紧密；0.2~0.4说明关系一般。）

如果说相关系数值小于0.2，但是依然呈现出显着性（右上角有*号，1个*号叫0.05水平显着，2个*号叫0.01水平显着；显着是指相关系数的出现具有统计学意义普遍存在的，而不是偶然出现），说明关系较弱，但依然是有相关关系。

（2）卡方检验

卡方检验主要用于研究定类与定类数据之间的差异关系。卡方检验要求X、Y项均为定类数据，即数字大小代表分类。并且卡方检验需要使用卡方值和对应p 值去判断X与Y之间是否有差异。通常情况下，共有三种卡方值，分别是Pearson卡方，yates校正卡方，Fisher卡方；优先使用Pearson卡方，其次为yates校正卡方，最后为Fisher卡方。

具体应该使用Pearson卡方，yates校正卡方，也或者Fisher卡方；需要结合X和Y的类别个数，校本量，以及期望频数格子分布情况等，选择最终应该使用的卡方值。SPSSAU已经智能化处理这一选择过程。

第一：分析X分别与Y之间是否呈现出显着性(p值小于0.05或0.01)；

第二：如果呈现出显着性；具体对比选择百分比(括号内值)，描述具体差异所在；

第三：对分析进行总结。

卡方检验，SPSSAU提供两个按钮，二者的区别是，后者输出更多的统计量过程值以及深入指标表格，满足需要更多分析指标的研究人员，如下各图。

进行卡方检验，上传数据时需要特别注意数据格式，有两种格式：常规格式和加权格式。

①  常规格式数据 ，如下图。则通用方法中的【交叉（卡方）】和实验/医学研究中的【卡方检验】都可以使用。

②  加权数据： 但在某些情况下，我们得到的不是原始数据，而是经过整理的汇总统计数据。比如下面这样格式的数据：

类似这样的格式，不能直接使用的，需要整理成加权数据格式，只能使用实验/医学研究中的【卡方检验】

这时候点击实验/医学研究面板中的【卡方检验】-拖拽三个【分析变量】分别到对应分析框-【开始分析】即可。

四、参数检验

（1） 单样本t检验

单样本T检验用于比较样本数据与一个特定数值之间是否存在差异情况。

首先判断p 值是否呈现出显着性,如果呈现出显着性,则分析项明显不等于设定数字,具体差异可通过平均值进行对比判断。

（2）独立样本T检验（T检验）

独立样本T检验用于分析定类数据（X）与定量数据（Y）之间的差异情况。

独立样本T检验除了需要服从正态分布、还要求两组样本的总体方差相等。当数据不服从正态分布或方差不齐时，则考虑使用非参数检验。

首先判断p 值是否呈现出显着性,如果呈现出显着性,则说明两组数据具有显着性差异,具体差异可通过平均值进行对比判断。

（3）配对样本T检验

用于分析配对定量数据之间的差异对比关系。与独立样本t检验相比，配对样本T检验要求样本是配对的。两个样本的样本量要相同；样本先后的顺序是一一对应的。

常见的配对研究包括几种情况：

判断p 值是否呈现出显着性，如果呈现出显着性，，则说明配对数据具有显着性差异，具体差异可通过平均值进行对比判断。

（4）方差分析

方差分析(单因素方差分析),用于分析定类数据与定量数据之间的关系情况.例如研究人员想知道三组学生的智商平均值是否有显着差异。

进行方差分析需要数据满足以下两个基本前提：

理论上讲，数据必须满足以上两个条件才能进行方差分析，如不满足，则使用非参数检验。但现实研究中，数据多数情况下无法到达理想状态。正态性检验要求严格通常无法满足，实际研究中，若峰度绝对值小于10并且偏度绝对值小于3，或正态图基本上呈现出 钟形 ，则说明数据虽然不是绝对正态，但基本可接受为正态分布，此时也可使用方差分析进行分析。

第一：分析X与Y之间是否呈现出显着性(p值小于0.05或0.01)。

第二：如果呈现出显着性；通过具体对比平均值大小，描述具体差异所在。

第三：如果没有呈现出显着性；说明X不同组别下，Y没有差异。

（5）重复测量方差

在某些实验研究中，常常需要考虑时间因素对实验的影响，当需要对同一观察单位在不同时间重复进行多次测量，每个样本的测量数据之间存在相关性，因而不能简单的使用方差分析进行研究，而需要使用重复测量方差分析。

第一、首先进行球形度检验，p <0.05说明没有通过球形度检验，p >0.05说明通过球形度检验；

第二、如果没有通过球形度检验，并且球形度W值大于0.75，则使用HF校正结果；

第三、如果没有通过球形度检验，并且球形度W值小于0.75，则使用GG校正结果；

第四、如果通过球形度检验，组内效应分析结果时使用“满足球形度检验”结果即可；

将数据上传至SPSSAU分析，选择【实验/医学研究】--【重复测量方差】。

五、非参数检验

凡是在分析过程中不涉及总体分布参数的检验方法，都可以称为“非参数检验”。因而，与参数检验一样，非参数检验包括许多方法。以下是最常见的非参数检验及其对应的参数检验对应方法：

非参数秩和检验研究X不同组别时Y的差异性，针对方差不齐，或者非正态性数据（Y）进行差异性对比（X为两组时使用mannWhitney检验，X超过两组时使用Kruskal-Wallis检验，系统默认进行判断）；

（1）单样本Wilcoxon检验

单样本Wilcoxon检验是单样本t检验的代替方法。该检验用于检验数据是否与某数字有明显的区别，如对比调查对象整体态度与满意程度之间的差异。首先需要判断数据是否呈现出正态性分析特质，如果数据呈现出正态性特质，此时应该使用单样本t检验进行检验；如果数据没有呈现出正态性特质，此时应该使用单样本Wilcoxon检验

首先判断p 值是否呈现出显着性,如果呈现出显着性,则分析项明显不等于设定数字,具体差异可通过中位数进行对比判断。

（2）Mann-Whitney检验

Mann-Whitney检验是独立样本t检验的非参数版本。该检验主要处理包含等级数据的两个独立样本，SPSSAU中称为非参数检验。

第一：分析X与Y之间是否呈现出显着性(p值小于0.05或0.01)。

第二：如果呈现出显着性；通过具体对比中位数大小，描述具体差异情况。

（3）Kruskal-Wallis检验

Kruskal-Wallis检验是单因素方差分析的非参数替代方法。Kruskal-Wallis检验用于比较两个以上独立组的等级数据。

在SPSSAU中，与Mann-Whitney检验统称为“非参数检验”,分析时SPSSAU会根据自变量组别数自动选择使用Kruskal-Wallis检验或Mann-Whitney检验。

（4）配对Wilcoxon检验

Wilcoxon符号秩检验是配对样本t检验的非参数对应方法。该检验将两个相关样本与等级数据进行比较。

第一：分析每组配对项之间是否呈现出显着性差异(p值小于0.05或0.01)。

第二：如果呈现出显着性；具体对比中位数(或差值)大小，描述具体差异所在。

‘伍’ 临床检验的研究方法

临床检验主要是运用物理学、化学和生物学等的实验方法对各种标本（包括血液和其他体液标本、分泌物标本、排泄物标本以及组织标本等）进行定性或定量分析，以获得反映机体功能状态、病理变化或病因等的客观资料。
临床检验应提供有临床价值的并且尽可能准确的结果，以使临床医生能对病人的疾病作出正确的诊断和及时的治疗，并为观察疗效、推测预后以及疾病的预防等提供有关信息。同时，还应为临床提供必要的咨询，正确解释检测结果并最大限度地利用各种信息。欲达到此目的，除了检验人员应具有良好的素质之外，临床检验所采用的分析方法和检验仪器也很重要，包括按分析检测要求选用适当的标本，正确地分离和保存标本，选用合乎要求的各种器具，应用符合分析检测要求的试剂，采用质量和性能可靠的分析方法和检测设备，适当的检测速度以及科学、准确地理解和解释检验结果等。当然，严格和有效的实验室质量管理体系是必不可少的。近几十年来，有关基础科学飞速发展，新的分析检测的方法和仪器不断涌现，大大推动了临床检验的发展，使临床检验在疾病的预防、诊断和治疗中发挥着越来越大的作用。

‘陆’ 化学分析法中较常用的检测方法是

(1) 化学分析法：目前常规的糖类检测方法如斐林氏法、高锰酸钾法等化学分析方法只能测定总还原糖，不能测定其他糖含量。

(2) 气相色谱法：气相色谱法也可用于糖类测定，但由于糖类本身不具挥发性，须进行衍生化处理后才能用气相色谱检测。

(3) 高效液相色谱法。高效液相色谱法（HPLC）更适用于糖类检测，样品无需衍生化，分辨率高，重现性好，特别适用于某些热敏性糖类和多糖分子量的检测。迪信泰检测平台提供HPLC、LC-MS检测多种糖类服务。

检测器

(1) 示差折光检测器：可直接测定，操作简便，但灵敏度较低；

(2) 紫外检测器或光检测器：灵敏度较高，但由于糖类本身在紫外区没有吸收或不产生荧光，因此样品需提前进行衍生化，操作较复杂。

(3) 蒸发光散射检测器：对于没有紫外吸收、不产生荧光或电活性的物质均能检测，通用性好，灵敏度高，可用于梯度洗脱。

流动相

一般为水、乙腈和甲醇的混合溶液，影响流动相的因素主要有以下几种：

(1) 配比：由糖类的组分含量、分子量范围、结构组成等决定，且有研究表明水的比例越高，分离速度越快，但若出现果糖和葡萄糖色谱峰重叠，分离效果则会下降。

(2) 流速：也是影响分离效果的主要因素之一，若流速增大，保留时间缩短但分离效果下降，若流速过快，则会缩短色谱柱的使用寿命，不同的色谱柱，其配合柱效的最佳流速也不同。

(3) 检测温度：会影响色谱的检测结果，有研究发现提高温度，可以缩短保留时间，但分离效果下降，降低温度更有利于峰分离。

(4) pH：一般使用中性的有机溶剂或水进行提取。为了避免离子化，检测物质呈碱性时，可以增大流动相pH，检测物质呈弱酸性时，可以降低流动相pH。

‘柒’ 检验假设的方法

常用的假设检验的方法有以下四种: （1）Z检验。Z检验常用于总体正态分布、方差已知或独立大样本的平均数的显着性和差异的显着性检验，非正态分布的皮尔森积差相关系数和二列相关系数的显着性检验以及两个相关系数分别由两组被试得到的相关系数差异性检验等情况。 （2）t检验。t检验常用于总体正态分布、总体方差未知或独立小样本的平均数的显着性检验，平均数差异显着性检验，相关系数由同一组被试取得的相关系数差异显着性检验，非正态分布的皮尔森相关系数的显着性检验等情况。

‘捌’ 生物学研究中常见的统计检验方法(二：Wilcoxon test)

这里我就不具体讲怎么计算统计量的了，读者可参考下面链接【1】，里面有详细介绍如何计算统计量的步骤；链接【2】则有介绍wilcoxon test的p值是如何计算的。
【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语言里怎么做wilcoxon test:

wilcox.test 的输出结果

总结
wilcoxon test在分析中非常常用，我们经常能在读文章时发现到。通常当我们要比较两个样本时，首先考虑是否满足参数检验方法t-test的假设条件（即正太分布或者样本总量很大（>30)，方差相同）；若不满足，则可使用wilcoxon test代替。

‘玖’ 统计学检验方法有哪些

统计学 各种应用条件、校正条件

应用检验方法必须符合其适用条件，不同设计的数据应选用不同检验方法。 一、第五章 参数估计 P74 总体均数的置信区间 1.正态近似法：
总体标准差σ已知，或σ未知但n>50时 2. t分布法
总体标准差σ未知，且n≤50时
二、第六章 计量资料两组均数t检验P93、P99 （一）t 检验的应用条件
适用于计量资料（单样本、两配对样本、两独立样本），并要求： 1. 样本来自正态分布的总体。W检验（n≤50时），H0：样本来自正态总体，P>0.05时尚不能认为两组资料的分布非正态；
2. 两独立样本均数比较时，两总体方差齐性。Levene检验，H0：方差相等。P>0.05时尚不能认为两组资料方差不齐。
（二）方差不齐或非正态时，两计量资料均数的比较方法 方法1. 仅方差不齐时，可采用近似t检验，即 t′检验。 方法2. 变量变换：对数变换、平方根变换、倒数变换等
方法3. 非参数检验：Wilcoxon符号秩检验（两相关样本P142）；Wilcoxon秩和检验、Mann-Whiney-U检验（两独立样本 P145）等

三、第七章 计量资料多组均数的比较-方差分析 （一）方差分析流程 P109
1、多个样本均数比较。若P<0.05，均数不全相等，则进行第2步；
2、作多重比较：LSD-t检验、Dunnett-t检验（多个实验组与一个对照组比较）、SNK-q检验（多个均数间全面比较）
（二）方差分析的应用条件 P114
1、各样本相互独立，服从正态分布；W检验 2、各样本方差齐性。Levene检验
四、分类资料（计数资料）的比较-

‘拾’ 模型检验常用方法有哪些

正确性分析；有效性分析；有用性分析；高效性分析