医学统计分析：计量资料的描述与检验

"该文档是医学领域的统计解题图，主要涵盖了计量资料的描述、集中趋势与离散趋势的衡量方法、95%参考值范围的制定、统计假设检验以及方差分析等内容。" 在医学研究中，计量资料通常指的是连续型数值数据，例如身高、体重、血压等。这类数据的描述通常涉及集中趋势和离散趋势两个方面。集中趋势用来表示数据集中的“平均水平”，常见的描述指标有均数（适用于正态分布或近似正态分布的数据）、几何均数（适合于偏斜分布且极端值可能存在的数据）以及中位数（适合于偏态分布或有未确定值的情况）。离散趋势则是衡量数据的波动程度，包括四分位数间距（IQR，用于偏态分布或有未确定值的数据）、方差和标准差（适用于对称分布，特别是正态分布），以及变异系数（用于比较不同单位或变异程度差异大的数据）。 95%参考值范围是临床上常用的一个统计概念，双侧参考值范围计算时通常使用标准正态分布的z值，如u0.05/2=1.96对应95%的置信水平。如果只关心一侧边界，例如低值异常或高值异常，会使用单侧u值。 t检验和u检验是检验样本均值差异的统计方法。t检验适用于两独立样本，假设数据来自正态分布且方差相等，而u检验（Mann-Whitney U检验）通常在样本量较大或总体方差已知的情况下使用。正态性检验如Shapiro-Wilk或Kolmogorov-Smirnov检验，用来判断数据是否符合正态分布，一般认为如果数据点落在平均值3个标准差范围内，可以大致认为数据服从正态分布。 方差齐性检验，例如Levene's检验或F检验，用于判断两组数据的方差是否相等。当方差不等时，使用非参数检验或者调整t检验（如Welch's t-test）可能更为合适。在本例中，通过计算F值并查表得到P值，可以判断肺癌病人和矽肺0期病人的肺门横径右侧距R1值方差是否相等。 配对设计的均数比较，如配对t检验，常用于比较同一对象在不同处理条件下的差异，例如新药组与安慰剂组的血清总胆固醇含量。配对t检验的零假设是两组间的平均差值（μd）为零，若计算出的差值的均值显著不为零，则说明处理有显著效果。 这份文档提供了医学统计的基础知识，包括数据描述、假设检验和方差分析，这些都是医学研究中进行数据分析和结果解释的重要工具。