论文中统计结果的表达及解释

中华消化外科杂志对P值标准化表达的要求根据中华医学会杂志和国家高等教育教材卫生统计学第5版人民卫生出版社的要求，在报告统计检验结论时，凡p值小于或等于检验水平(一般为0.05)的情况均被描述为“统计显著性差异”，并说明p的具体值或相应的不等式。在p值由不等式表示的情况下，通常选择p 0.05、p 0.05和p 0.01的三个表达式来满足需要，而无需进一步细分为p 0.001或p 0.001。不再采用将p 0.05描述为“显著差异”(或显著差异)或p 0.01描述为“显著差异”(或显著差异)的表达方式。_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _论文中统计结果的表达和解释摘要统计是生物医学研究所必需的重要手段。生物医学研究的实验设计、数据收集、数据处理分析和结论离不开统计学的应用。生物医学研究论文主要由五部分组成：摘要、引言、材料和方法、结果和讨论。每个部分都涉及统计结果的表达和解释。统计是建立专业结论的重要基础。统计学应用不当不仅影响论文的科学性，还可能导致错误的专业结论。关键词统计研究论文统计分析统计表达近年来，统计学在生物医学研究中的应用越来越受到重视。统计分析结果的表达和解释已经成为医学研究论文中不可或缺的重要组成部分。除了论文中涉及的专业(如细胞和分子免疫学杂志是免疫学)和书面表达外，统计学是评价论文质量的重要基础。然而，在国内生物医学论文中，统计学的应用仍然存在严重的问题，1-4。例如，2003年发表在大学期刊上的论文中统计方法的误用率为57%3。虽然细胞与分子免疫学杂志在国内生物医学期刊5中具有较高的学术地位，但即将发表的论文在科研设计、统计分析、结果解释等方面也存在一些问题。在不同程度上，作者的统计应用水平需要进一步提高。许多生物医学期刊，如美国医学会杂志、新英格兰医学杂志和英国医学杂志(BMJ)等。以及国内中华医学会系列杂志和细胞与分子免疫学杂志等。都有基本的要求或统计准则，以统计的方式表达自己的贡献。国际生物医学杂志编辑协会在其生物医学期刊投稿的统一要求中也包括了统计表达的基本要求。生物医学研究论文主要由五部分组成：摘要、引言、材料和方法、结果和讨论。每个部分或多或少都与统计结果的表达和解释有关。例如，在论文的“引言”部分，有必要给出文献综述的综合结果，如组间差异和文献报道的P值。其他重要的统计表达和解释主要集中在论文6的“摘要”、“材料和方法”、“结果”和“讨论”部分。1摘要“摘要”应包括代表研究结果的重要统计指标(统计数据)、置信区间和假设检验结果(P值)的值。例如，治疗组和对照组的平均值(中位数)、标准差(标准差)、比率、P值，或两组的平均值(比率)之差、95%置信区间、或值和多个观察指标的相关系数等。这些荟萃分析是循证医学荟萃分析的基础。2材料和方法“材料与方法”中的统计描述包括以下两个方面。2.1描述性研究设计的内容包括研究类型、观察对象类型、纳入和排除标准、观察方法和测量技术、实验、实验或调查数据的收集过程等。具体来说，研究对象的来源和选择方法(如配对和随机抽样)应具体描述，包括观察对象的基本情况、随机分组(随机抽样)的有无、随机分组方法、样本内容和估计依据等。对于未随机分组的观察研究(包括调查研究)，还应给出影响因素(如年龄、性别、疾病状况)的平衡分析结果。对于临床试验，还必须明确诊断标准、疗效评估标准、病例选择标准、病例拒绝标准、依从性、有无漏访以及漏访的比例、有无“知情同意”以及疗效评估是否使用“盲法”(“单盲”、“双盲”或“多盲”)。2.2描述统计分析方法和统计计算软件论文中使用的所有统计分析方法，并指出使用的位置和方法。统计计算软件一般给出名称，如SPSS、SAS等。然而，有些论文把统计学看作是一个“修饰语”，列出了论文中没有使用的所有统计分析方法。甚至一些形态学研究不需要统计分析，但也给出“p值”。在这里，一些作者错误地认为，只要给定“P值”，就使用统计数据，不管统计数据使用是否正确。事实上，误用或滥用统计数据不仅不能提高论文质量，而且会大大降低论文的科学性！2.3研究与设计中常见的主要问题(1)研究目标不分为初级和次级。这项研究试图通过一次测试回答多个问题。测量指标多，样本量小。测试前不评估样品含量。对研究对象的来源和选择方法没有给出解释，或者只给出非常简单的解释。统计分析方法没有任何解释，尤其是一些特殊的统计方法。例如，在动物实验中没有随机分组，或者只解释随机分组，并且没有特定的随机分组方法(例如完全随机、成对或分层随机分组等)。)进行了解释；(2)观察比较研究轻率地使用“随机选择对照”和“随机选择健康儿童”等术语。没有说明或比较比较组之间的平衡，只解释了组之间的平衡，没有给出反映平衡的具体数据和使用的统计分析方法。(3)临床试验未报告伦理要求的随机化分组的限制和修改、受试者的代表性、依从性和未能访问等。疗效评价没有表明是否使用了“盲法”,或者仅使用了“盲法”,也没有表明受试者是否被覆盖或评价者是否被覆盖等。(4)实验或测试的样本量很小，如每组3例，但没有给出原因等。结果统计分析结果主要通过统计指标(统计学)来表达。当有许多统计指标并且需要分组比较时，通常需要统计图表。3.1统计在生物医学论文中，需要不同的统计指标来描述不同类型的研究数据。细胞和分子生物学实验中常见的观察指标，如TRAIL表达、mRNA表达水平、光密度值(OD值)、吸光度值(A值)、百分含量和抑制率，常被用作统计描述和分析的测量数据(测量数据)。对于测量数据，当数据近似为正态(或对称)分布时，可用算术平均值X和标准差S来描述；在没有变异指数或准确度指数的情况下，单独使用平均值是不合适的。在没有标准误差或标准偏差的情况下，如16.42.3，直接在 后面写具体值很容易引起混淆。对于配对t检验，应给出平均出差次数和标准误差(或标准差)。当数据有偏差时，应使用中位数Md和四分位数间距QR来描述，而不是x和s，对于通过非参数统计分析方法处理的数据，数据的中心位置由中位数表示，分布范围(如95%分布范围)由百分点表示。此外，如果将原始数据转换为变量，原始数据的均值和标准差不能很好地反映数据的中心位置及其分布范围，因此没有必要列出它们。对于计数数据，常用的统计指标是百分比和构成比(百分比)。当使用百分比时，分母应该清楚地解释。为小样本数据计算百分比是不合适的。统计指标在实际工作中应用的常见问题是：测量数据，无论是否服从正态分布，都具有xs特征。分子生物学或细胞实验的数据(如酶联免疫吸附试验、MTT法、逆转录聚合酶链反应、免疫细胞化学、蛋白质印迹分析等)。)用xs表示，样本量(病例数)n不计入“材料和方法”或“结果”中。统计指标率和统计数据的构成比(百分比)容易混淆，构成比经常被误用为率来解释事物发生的强度；比率和成分比率的分母太小，但相对数字是经过计算来描述和比较的。如果分母太小，就不能保证比值(合成比)的可靠性。因此，在这种情况下，直接使用绝对数字而不是相对数字是合适的。当测量数据满足正态分布条件时，约68%的观测数据在xs内，约95%的观测数据在x2内。当数据不符合正态分布时，就没有这种特征。3.2假设检验的结果表达式不仅要给出P值，还要给出检验统计量的实际值，如U值、T值、2值等。无论试验结果是否具有统计学意义，都应列出描述性统计数据，如平均值、比率和相关系数。0.05水平是常用的检验水平，但当p为0.04或0.06时，与0.05相差不大，结论应一致，不应有本质区别。使用P0.05作为一个不“显著”(统计上显著)的表达很容易误导读者(包括作者)。由于统计软件的普及，建议报告具体的P值(精确的P值)，如P=0.018或P=0.436。如果很难提供准确的p值，则应给出实际的2值、t值、f值和相应的自由度，以便其他人可以在Meta分析中转换为准确的p值。3.3统计图统计图是统计表达研究成果的重要手段。统计图表便于读者直观地了解研究结果，并提倡使用图表来显示个体值的离散程度，如相关散点图和回归分析。同一个体值在不同时间的重复测量值最好连接成曲线，不同组的个体值(平均值)随时间变化的曲线也可以绘制在同一图表上。提倡使用误差条形图(或线形图)，但由平均正负标准误差绘制的误差条形图只能描述68%的置信区间，不能被误解为95%的置信区间。医学论文中需要“三线”表格。数字结果按列(行)排列，位数应该对齐统计表或图表应该用来表达大量的统计结果。统计图表在实际应用中仍存在一些问题，主要是： (1)图形类别的选择与数据的性质不一致；(2)纵轴和横轴的等距离标度不代表等差数据(算术标度)或等比数据(对数标度)；(3)无图例或目标；(4)条形图纵轴起点不为0，横轴刻度为算术刻度，排列顺序不按指数值(或自然顺序)排列；(5)圆图各部分未按比例尺或自然顺序顺时针排列(其他项目放在最后)，起始位置不在12点或9点；(6)统计表标题不清晰，主词与宾语倒置或混淆，表中有对角线或垂直线，数据为“0”，无数据或缺失数据时为空白，同一指标的小数位数(精度)不一致，小数位数(位置)不对齐，存在其他图表不规则现象。3.4数据精度一般来说，数据精度应该足以区分个体差异，而不是小数位数越多越好。在表达观察结果时，两个数的小数位数应该一致，如5.40.62，应写成5.40.6。平均值(X)和标准偏差(S)的位数取决于测量仪器的精度以及样品中的个体差异。一般由s3决定，如(3825.3610.6) g，其中s3超过200 g，平均值在100 g处波动，因此应记为(3.80.6) kg。准确性与实际情况不符并不会增加纸张的价值，反而会降低纸张的可读性和可信度。计算器或计算机的计算需要四舍五入。为统计指标(x、s、中位数、百分位等)保留的小数位数。)的测量数据应与原始数据中记录的相同。有效数字的平均数不应超过原始数据的平均数，但必要时标准偏差或标准误差应增加一个数字。计数数据的百分比应保持在1位小数，一般不超过2位小数；病死率和发病率应根据通常的比例基数选择，如1000 、10000/10000和100000/100000，或自行选择适当的比例基数，使比率的整数部分至少有一个有效数字；相关系数应保持在小数点后两位；通常不需要给出精确概率P值的四个小数位，有时甚至可以保留两个小数位。检查统计数据，如2值和T值，并保留2位小数。当样本数小于100时，小数位数不能提高精度，应避免过多的小数位数。请注意，上述要求仅适用于表示最终的统计结果，并且数据不能在分析之前或期间四舍五入。当表示T值、2值或R值时，有2个小数位就足够了。3.5通用统计术语某些通用统计术语不应用作通用名词。如参数、置信区间、相关性、发病率、患病率、非参数统计、百分比、敏感性、特异性等。4讨论“统计学”是“建立专业结论的重要基础”2。统计分析结果的解释主要集中在论文的“讨论”部分。作者经常在“讨论”部分引用统计结果作为支持他的新发现、新结果和新观点的统计基础。理解和解释统计结果的偏差可能导致专业结论的错误。4.1对假设检验结果的解释假设检验是以正确的“无效假设”为前提的(例如，在干预之前，来自同一人群的群体或观察对象之间没有差异)，而p值用于解释实际观察结果是否符合“无效假设”。如果p值很小(如P0.05)，则“无效假设”的正确性受到怀疑。如果p的值很大(例如P0.05)，则“无效假设”不能被拒绝。然而，P的值不能被理解为无效处理的概率。应注意区分“统计显著性”和“生物学(或医学)显著性”是两个不同的结论。无论其生物学效应如何，P0.05一旦获得就不能被认为具有实际意义。各组间的生物学效应很小(例如，DC银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银染银例如，肝硬化患者外周血IP10水平和ALT水平之间的斯皮曼相关系