SCI论文：对大量的数据进行必要的统计学分析，并将统计的结果展现在论文中用于论证文章的观点和理论。这是一篇医学论文中统计学应用最常见的情况。

那么，关于医学SCI论文统计学处理与方法的选择，我们应该注意哪些内容？

一、关于统计学处理

在进行统计学处理时，首先要明白研究资料是计数资料还是计量资料，尽管是一个常识性的问题，但仍有不少作者搞混了。先分类再计数的资料叫计数资料，如A组30例，B组32例，可根据研究目的计算出阳性率、治愈率等。测定某项具体数值的资料叫计量资料，如身高、体重、脉搏、血压等许多物理诊断和化验结果。

在医学科研论文中，计数资料最常用的统计学方法是检验，计量资料最常用的是t检验。在研究设计时，就应根据研究资料的特点，决定假设检验的方法。在处理资料时，因均数和标准差是用来描述正态分布资料集中和离散趋势的指标，可否采用均数±标准差描述研究资料的分布特征，首先要看资料是否是正态分布，如果资料不是正态分布或者方差不齐时，应对资料进行转换处理，使其符合正态分布，方差齐性后采用t检验或方差分析，达不到上述要求，用秩和检验。

有的研究资料数据庞大，只能在表格描述中用阿拉伯数字或特殊符号表示与比较对象的P值，如P>0.05，P<0.05，P<0.01，无法一一给出具体的P值。但有的作者既不交代使用的统计学方法，也不给出具体的P值，直接列出P<0.05或p>0.05，认为差异有统计学意义或无统计学意义，使读者对无法判断结果的可靠性。

二、关于统计学方法的选择

（一）两组或多组计量数据的比较

1.两组数据：

1)大样本数据或服从正态分布的小样本数据；

(1)若方差齐性，则作成组t检验；

(2)若方差不齐，则作t’检验或用成组的Wilcoxon秩和检验；

2)小样本偏态分布数据，则用成组的Wilcoxon秩和检验；

2. 多组数据：

1)若大样本数据或服从正态分布，并且方差齐性，则作完全随机的方差分析。如果方差分析的统计检验为有统计学意义，则进一步选择合适的方法(如：LSD检验，Bonferroni检验等)进行两两比较。

2)如果小样本的偏态分布数据或方差不齐，则作Kruskal Wallis的统计检验。如果Kruskal Wallis的统计检验为有统计学意义，则进一步选择合适的方法(如：用成组的Wilcoxon秩和检验，但用Bonferroni方法校正P值等)进行两两比较。

（二）分类数据的统计分析

1.单样本数据与总体比较

1)二分类数据：

(1)小样本时：用二项分布进行确切概率法检验；

(2)大样本时：用U检验。

2)多分类数据：用Pearson c2检验(又称拟合优度检验)。

2. 四格表数据

1)n>40并且所以理论数大于5，则用Pearson c2；

2)n>40并且所以理论数大于1并且至少存在一个理论数<5，则用校正 c2或用Fisher’s 确切概率法检验；

3)n￡40或存在理论数<1，则用Fisher’s 检验。

3. 2×C表数据的统计分析

1)列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则行评分的CMH c2或成组的Wilcoxon秩和检验；

2)列变量为效应指标并且为二分类，列变量为有序多分类变量，则用趋势c2检验；

3)行变量和列变量均为无序分类变量

(1)n>40并且理论数小于5的格子数<行列表中格子总数的25%，则用Pearson c2；

(2)n￡40或理论数小于5的格子数>行列表中格子总数的25%，则用Fisher’s 确切概率法检验。

4. R×C表数据的统计分析

1)列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则CMH c2或Kruskal Wallis的秩和检验；

2)列变量为效应指标，并且为无序多分类变量，行变量为有序多分类变量，作none zero correlation analysis的CMH c2；

3)列变量和行变量均为有序多分类变量，可以作Spearman相关分析；

4)列变量和行变量均为无序多分类变量，

(1)n>40并且理论数小于5的格子数<行列表中格子总数的25%，则用Pearson c2

(2)n￡40或理论数小于5的格子数>行列表中格子总数的25%，则用Fisher’s 确切概率法检验

（三）两组或多组计量数据的比较

1.两组数据：

1)大样本数据或配对差值服从正态分布的小样本数据，作配对t检验；

2)小样本并且差值呈偏态分布数据，则用Wilcoxon的符号配对秩检验。

2.多组数据：

1)若大样本数据或残差服从正态分布，并且方差齐性，则作随机区组的方差分析。如果方差分析的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法(如：LSD检验，Bonferroni检验等)进行两两比较。

2)如果小样本时，差值呈偏态分布数据或方差不齐，则作Fredman的统计检验。如果Fredman的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法(如：用Wilcoxon的符号配对秩检验，但用Bonferroni方法校正P值等)进行两两比较。

（四）回归分析

1.直线回归：如果回归分析中的残差服从正态分布(大样本时无需正态性)，残差与自变量无趋势变化，则直线回归(单个自变量的线性回归，称为简单回归)，否则应作适当的变换，使其满足上述条件。

2.多重线性回归：应变量(Y)为连续型变量(即计量数据)，自变量(X1，X2，…，Xp)可以为连续型变量、有序分类变量或二分类变量。如果回归分析中的残差服从正态分布(大样本时无需正态性)，残差与自变量无趋势变化，可以作多重线性回归。

1)观察性研究：可以用逐步线性回归寻找(拟)主要的影响因素；

2)实验性研究：在保持主要研究因素变量(干预变量)外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用；

3.二分类的Logistic回归：应变量为二分类变量，自变量(X1，X2，…，Xp)可以为连续型变量、有序分类变量或二分类变量。

1)非配对的情况：用非条件Logistic回归

(1)观察性研究：可以用逐步线性回归寻找(拟)主要的影响因素；

(2)实验性研究：在保持主要研究因素变量(干预变量)外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用。

2)配对的情况：用条件Logistic回归

(1)观察性研究：可以用逐步线性回归寻找(拟)主要的影响因素；

(2)实验性研究：在保持主要研究因素变量(干预变量)外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用。