免疫学实验数据统计方法

免疫学实验数据统计方法一、免疫学实验数据统计方法概述

免疫学实验通常涉及大量数据收集与分析，其统计方法的选择直接影响结果解读的准确性和可靠性。合理的统计方法有助于揭示实验数据的内在规律，为后续研究提供科学依据。本篇文档将系统介绍免疫学实验中常用的数据统计方法，涵盖基本概念、适用场景及操作步骤。

二、免疫学实验数据统计方法分类

（一）描述性统计

描述性统计主要用于整理和呈现实验数据的基本特征，无需进行假设检验，适用于初步数据分析和可视化。

1.集中趋势度量

(1)均值：适用于正态分布数据，反映数据的平均水平。

(2)中位数：适用于偏态分布数据，避免极端值影响。

(3)众数：适用于分类数据，出现频率最高的值。

2.离散程度度量

(1)标准差：衡量数据波动性，适用于正态分布。

(2)四分位距（IQR）：适用于偏态分布，反映数据分布范围。

（二）推断性统计

推断性统计用于从样本数据推断总体特征，需进行假设检验，适用于验证实验假设。

1.参数检验

(1)t检验：用于两组正态分布数据的均值比较。

-单样本t检验：检验样本均值与理论值差异。

-双样本t检验：检验两组均值差异（等方差/不等方差）。

(2)方差分析（ANOVA）：用于多组数据均值比较。

-单因素ANOVA：检验单一因素对结果的影响。

-多因素ANOVA：检验多个因素及其交互作用的影响。

2.非参数检验

(1)Mann-WhitneyU检验：用于两组非正态分布数据的秩和比较。

(2)Kruskal-Wallis检验：用于多组非正态分布数据的秩和比较。

（三）相关性分析

相关性分析用于探究变量间的线性或非线性关系，适用于探索性研究。

1.皮尔逊相关系数（r）：适用于线性关系，取值范围为[-1,1]。

2.斯皮尔曼秩相关系数（ρ）：适用于非线性关系或有序数据。

（四）回归分析

回归分析用于建立变量间的函数关系，预测结果并评估影响程度。

1.线性回归：

-适用条件：自变量与因变量呈线性关系。

-公式：y=β₀+β₁x+ε。

2.逻辑回归：

-适用条件：因变量为二元分类数据。

-公式：logit(p)=β₀+β₁x。

三、免疫学实验数据统计方法实施步骤

（一）数据预处理

1.缺失值处理：

-删除缺失值：适用于缺失比例低的情况。

-插值法：均值/中位数插补或KNN插补。

2.异常值检测：

-箱线图法：识别离群点。

-Z分数法：剔除绝对值>3的数据。

（二）统计方法选择

1.根据数据类型选择：

-计量数据：参数检验/非参数检验。

-分类数据：卡方检验/费舍尔精确检验。

2.根据分布情况选择：

-正态分布：t检验/ANOVA。

-非正态分布：非参数检验。

（三）结果解读

1.P值判断：

-P<0.05：拒绝原假设，结果具有统计学意义。

-P>0.05：未拒绝原假设，结果无统计学差异。

2.效应量计算：

-Cohen'sd：衡量效应大小，适用于t检验。

-η²：衡量ANOVA效应量。

四、注意事项

1.样本量充足性：小样本可能导致结果不可靠。

2.数据正态性检验：使用Shapiro-Wilk检验或K-S检验。

3.多重比较校正：Bonferroni校正或Holm方法。

一、免疫学实验数据统计方法概述

免疫学实验通常涉及大量数据收集与分析，其统计方法的选择直接影响结果解读的准确性和可靠性。合理的统计方法有助于揭示实验数据的内在规律，为后续研究提供科学依据。本篇文档将系统介绍免疫学实验中常用的数据统计方法，涵盖基本概念、适用场景及操作步骤。

二、免疫学实验数据统计方法分类

（一）描述性统计

描述性统计主要用于整理和呈现实验数据的基本特征，无需进行假设检验，适用于初步数据分析和可视化。其目的是将原始数据转化为可理解的摘要信息。

1.集中趋势度量

(1)均值：适用于正态分布数据，反映数据的平均水平。计算公式为：均值=所有数据之和/数据个数。在免疫学实验中，如检测某种抗体滴度时，若数据呈对称分布，可用均值表示平均水平。需注意，均值易受极端值影响。

(2)中位数：适用于偏态分布数据，避免极端值影响。计算方法为将数据排序后，取中间值（偶数个数据取中间两数均值）。例如，细胞因子分泌量常呈偏态分布，此时用中位数更稳健。

(3)众数：适用于分类数据，出现频率最高的值。在免疫学实验中，如细胞表面标记物分型，众数表示最常见的亚群比例。

2.离散程度度量

(1)标准差：衡量数据波动性，适用于正态分布。计算公式为：标准差=sqrt(Σ(每个数据-均值)²/数据个数)。标准差越大，数据越分散。例如，比较两种免疫刺激剂对细胞增殖的影响，可通过比较其增殖曲线的标准差判断结果的一致性。

(2)四分位距（IQR）：适用于偏态分布，反映数据分布范围。计算方法为Q3（75%分位数）-Q1（25%分位数）。IQR越大，数据越分散。在免疫学实验中，如流式细胞术分析细胞凋亡率，可用IQR描述数据变异程度。

（二）推断性统计

推断性统计用于从样本数据推断总体特征，需进行假设检验，适用于验证实验假设。其目的是判断观察到的差异是否具有统计学意义。

1.参数检验

(1)t检验：用于两组正态分布数据的均值比较。

-单样本t检验：检验样本均值与理论值或参考值差异。例如，检验某种免疫治疗前后患者抗体水平的变化是否显著。操作步骤：

1.提出原假设（H₀：均值无差异）和备择假设（H₁：均值有差异）。

2.计算t统计量：t=(样本均值-理论值)/(标准差/√样本量)。

3.查t分布表或使用软件计算P值，判断是否拒绝H₀。

-双样本t检验：检验两组均值差异（等方差/不等方差）。例如，比较对照组和实验组细胞因子分泌水平。操作步骤：

1.检验两组方差齐性（如Levene检验）。

2.选择等方差或不等方差t检验，计算t统计量和P值。

(2)方差分析（ANOVA）：用于多组数据均值比较。

-单因素ANOVA：检验单一因素对结果的影响。例如，分析不同浓度免疫抑制剂对细胞活性的影响。操作步骤：

1.提出原假设（H₀：各组均值无差异）和备择假设（H₁：至少一组均值有差异）。

2.计算F统计量：F=组间方差/组内方差。

3.查F分布表或使用软件计算P值，判断是否拒绝H₀。若P<0.05，进行事后检验（如TukeyHSD检验）确定差异组。

-多因素ANOVA：检验多个因素及其交互作用的影响。例如，同时分析免疫刺激剂种类和时间对细胞增殖的影响。操作步骤：

1.提出各因素主效应和交互作用的假设。

2.计算F统计量和P值，判断各效应是否显著。

2.非参数检验

(1)Mann-WhitneyU检验：用于两组非正态分布数据的秩和比较。例如，比较正常组和疾病组IgG水平（偏态分布）。操作步骤：

1.将两组数据混合排序，计算每个数据的秩次。

2.分别计算两组秩和（R₁,R₂），较小者记为U。

3.使用软件计算P值，判断是否拒绝原假设（两组分布无差异）。

(2)Kruskal-Wallis检验：用于多组非正态分布数据的秩和比较。例如，分析不同处理组淋巴细胞凋亡率（偏态分布）。操作步骤：

1.将所有数据混合排序，计算秩次。

2.计算每个组的秩和（Rᵢ）。

3.计算H统计量：H=12/(N(N+1))*Σ(Rᵢ²/N)-3(N+1)。

4.查χ²分布表（df=N-1）或使用软件计算P值，判断是否拒绝原假设（各组分布无差异）。若P<0.05，进行事后检验（如Dunn检验）。

（三）相关性分析

相关性分析用于探究变量间的线性或非线性关系，适用于探索性研究。其目的是揭示变量间的关系强度和方向。

1.皮尔逊相关系数（r）：适用于线性关系，取值范围为[-1,1]。例如，分析年龄与免疫细胞计数的相关性。计算公式为：r=Σ((xᵢ-x̄)(yᵢ-ȳ))/sqrt(Σ(xᵢ-x̄)²*Σ(yᵢ-ȳ)²)。r=1为完全正相关，r=-1为完全负相关，r=0为无线性相关。需注意，相关不等于因果。

2.斯皮尔曼秩相关系数（ρ）：适用于非线性关系或有序数据。例如，分析免疫治疗剂量与疗效评分（等级数据）。操作步骤：

1.将每个变量数据排序并赋予秩次。

2.计算皮尔逊相关系数，但使用秩次代替原始数据。

3.ρ取值范围为[-1,1]，计算方法同皮尔逊系数但基于秩次。

（四）回归分析

回归分析用于建立变量间的函数关系，预测结果并评估影响程度。其目的是量化一个变量对另一个变量的影响。

1.线性回归：

-适用条件：自变量与因变量呈线性关系。例如，分析免疫刺激剂浓度与细胞增殖率的关系。操作步骤：

1.绘制散点图，确认线性关系。

2.使用最小二乘法拟合直线：y=β₀+β₁x+ε。

3.计算回归系数（β₁）和截距（β₀），评估拟合优度（R²）。

-注意：需检验残差正态性、同方差性。

2.逻辑回归：

-适用条件：因变量为二元分类数据。例如，分析免疫治疗是否成功（是/否）。操作步骤：

1.将因变量编码为0/1。

2.使用最大似然估计拟合模型：logit(p)=β₀+β₁x。

3.计算回归系数，解释对数优势比（OddsRatio）。O>1表示正向预测，O<1表示负向预测。

三、免疫学实验数据统计方法实施步骤

（一）数据预处理

1.缺失值处理：

-删除缺失值：适用于缺失比例低（<5%）的情况。直接剔除含缺失值的样本或变量。

-插值法：适用于缺失比例高或重要数据缺失。

-均值/中位数插补：简单但可能扭曲分布。

-K最近邻插补（KNN）：基于邻居均值/中位数填充。

-多重插补：生成多个完整数据集，综合结果。

2.异常值检测：

-箱线图法：绘制箱线图，识别离群点（通常定义为Q1-1.5IQR以下或Q3+1.5IQR以上）。

-Z分数法：计算每个数据与均值的标准化距离，剔除|Z|>3的数据。

-杜杆值检测：使用回归分析中的杠杆统计量（hat值），剔除高杠杆点。

（二）统计方法选择

1.根据数据类型选择：

-计量数据：参数检验（t检验/ANOVA）/非参数检验（Mann-Whitney/U检验）。

-分类数据：卡方检验（列联表分析）/费舍尔精确检验（小样本）。

2.根据分布情况选择：

-正态分布：t检验/ANOVA。需进行正态性检验（Shapiro-Wilk,K-S检验）。

-非正态分布：非参数检验/数据转换（对数转换/平方根转换）。

3.根据样本量选择：

-小样本（<30）：优先选择非参数检验或增大样本量。

-大样本（>30）：参数检验更稳健。

（三）结果解读

1.P值判断：

-P<0.05：拒绝原假设，结果具有统计学意义。需报告效应量（如Cohen'sd,η²）补充信息。

-P>0.05：未拒绝原假设，结果无统计学差异。需谨慎解释，避免过度解读。

2.效应量计算：

-Cohen'sd：衡量效应大小，d=0.2为小效应，0.5为中效应，0.8为大效应。

-η²：ANOVA效应量，η²=0.01为小效应，0.05为中效应，0.25为大效应。

3.可视化呈现：

-使用柱状图/箱线图展示组间差异。

-使用散点图/回归线展示相关性。

-使用热图展示多组数据矩阵。

四、注意事项

1.样本量充足性：小样本可能导致结果不可靠，建议样本量至少>30或进行Power分析。

2.数据正态性检验：使用Shapiro-Wilk检验（小样本）或K-S检验（大样本）。若不满足正态性，选择非参数检验或数据转换。

3.多重比较校正：当进行多次检验时，需校正P值（如Bonferroni校正、FDR方法）。

4.生物学重复：统计结果需结合生物学重复性判断，避免过度依赖数学模型。

5.软件选择：常用软件包括GraphPadPrism,SPSS,R语言。选择时考虑数据类型和功能需求。

五、免疫学实验常见统计方法应用实例

（一）抗体滴度分析

-数据类型：计量数据（log₁₀稀释度）。

-统计方法：比较组间抗体滴度中位数（非参数检验）。

-步骤：

1.对抗体滴度取对数（log₁₀转换）。

2.使用Mann-WhitneyU检验比较两组。

3.报告中位数差异和效应量。

（二）细胞增殖实验

-数据类型：计量数据（OD值）。

-统计方法：比较不同刺激剂下的OD值均值（ANOVA）。

-步骤：

1.检验数据正态性和方差齐性。

2.若满足，使用单因素ANOVA；若不满足，使用非参数ANOVA。

3.若ANOVA显著，进行Tukey事后检验确定差异组。

（三）流式细胞术数据分析

-数据类型：计量数据（如细胞百分比）。

-统计方法：相关性分析（如细胞因子与细胞凋亡率的相关性）。

-步骤：

1.使用Pearson或Spearman相关系数分析。

2.绘制散点图并添加回归线。

3.报告相关系数和P值。

六、统计软件与工具推荐

（一）GraphPadPrism

-优点：界面友好，适合生物医学领域。内置多种统计方法及绘图功能。

-应用：t检验、ANOVA、相关性分析、回归分析。

（二）SPSS

-优点：功能强大，适合复杂分析。支持大量数据导入。

-应用：参数/非参数检验、回归分析、因子分析。

（三）R语言

-优点：开源免费，可定制性强。适合高级分析和自动化脚本。

-应用：ggplot2绘图、lm/glm拟合模型、生存分析。

（四）Excel

-优点：简单易用，适合基础分析。

-应用：描述性统计、图表制作、基础回归分析（数据量有限时）。

一、免疫学实验数据统计方法概述

免疫学实验通常涉及大量数据收集与分析，其统计方法的选择直接影响结果解读的准确性和可靠性。合理的统计方法有助于揭示实验数据的内在规律，为后续研究提供科学依据。本篇文档将系统介绍免疫学实验中常用的数据统计方法，涵盖基本概念、适用场景及操作步骤。

二、免疫学实验数据统计方法分类

（一）描述性统计

描述性统计主要用于整理和呈现实验数据的基本特征，无需进行假设检验，适用于初步数据分析和可视化。

1.集中趋势度量

(1)均值：适用于正态分布数据，反映数据的平均水平。

(2)中位数：适用于偏态分布数据，避免极端值影响。

(3)众数：适用于分类数据，出现频率最高的值。

2.离散程度度量

(1)标准差：衡量数据波动性，适用于正态分布。

(2)四分位距（IQR）：适用于偏态分布，反映数据分布范围。

（二）推断性统计

推断性统计用于从样本数据推断总体特征，需进行假设检验，适用于验证实验假设。

1.参数检验

(1)t检验：用于两组正态分布数据的均值比较。

-单样本t检验：检验样本均值与理论值差异。

-双样本t检验：检验两组均值差异（等方差/不等方差）。

(2)方差分析（ANOVA）：用于多组数据均值比较。

-单因素ANOVA：检验单一因素对结果的影响。

-多因素ANOVA：检验多个因素及其交互作用的影响。

2.非参数检验

(1)Mann-WhitneyU检验：用于两组非正态分布数据的秩和比较。

(2)Kruskal-Wallis检验：用于多组非正态分布数据的秩和比较。

（三）相关性分析

相关性分析用于探究变量间的线性或非线性关系，适用于探索性研究。

1.皮尔逊相关系数（r）：适用于线性关系，取值范围为[-1,1]。

2.斯皮尔曼秩相关系数（ρ）：适用于非线性关系或有序数据。

（四）回归分析

回归分析用于建立变量间的函数关系，预测结果并评估影响程度。

1.线性回归：

-适用条件：自变量与因变量呈线性关系。

-公式：y=β₀+β₁x+ε。

2.逻辑回归：

-适用条件：因变量为二元分类数据。

-公式：logit(p)=β₀+β₁x。

三、免疫学实验数据统计方法实施步骤

（一）数据预处理

1.缺失值处理：

-删除缺失值：适用于缺失比例低的情况。

-插值法：均值/中位数插补或KNN插补。

2.异常值检测：

-箱线图法：识别离群点。

-Z分数法：剔除绝对值>3的数据。

（二）统计方法选择

1.根据数据类型选择：

-计量数据：参数检验/非参数检验。

-分类数据：卡方检验/费舍尔精确检验。

2.根据分布情况选择：

-正态分布：t检验/ANOVA。

-非正态分布：非参数检验。

（三）结果解读

1.P值判断：

-P<0.05：拒绝原假设，结果具有统计学意义。

-P>0.05：未拒绝原假设，结果无统计学差异。

2.效应量计算：

-Cohen'sd：衡量效应大小，适用于t检验。

-η²：衡量ANOVA效应量。

四、注意事项

1.样本量充足性：小样本可能导致结果不可靠。

2.数据正态性检验：使用Shapiro-Wilk检验或K-S检验。

3.多重比较校正：Bonferroni校正或Holm方法。

一、免疫学实验数据统计方法概述

免疫学实验通常涉及大量数据收集与分析，其统计方法的选择直接影响结果解读的准确性和可靠性。合理的统计方法有助于揭示实验数据的内在规律，为后续研究提供科学依据。本篇文档将系统介绍免疫学实验中常用的数据统计方法，涵盖基本概念、适用场景及操作步骤。

二、免疫学实验数据统计方法分类

（一）描述性统计

描述性统计主要用于整理和呈现实验数据的基本特征，无需进行假设检验，适用于初步数据分析和可视化。其目的是将原始数据转化为可理解的摘要信息。

1.集中趋势度量

(1)均值：适用于正态分布数据，反映数据的平均水平。计算公式为：均值=所有数据之和/数据个数。在免疫学实验中，如检测某种抗体滴度时，若数据呈对称分布，可用均值表示平均水平。需注意，均值易受极端值影响。

(2)中位数：适用于偏态分布数据，避免极端值影响。计算方法为将数据排序后，取中间值（偶数个数据取中间两数均值）。例如，细胞因子分泌量常呈偏态分布，此时用中位数更稳健。

(3)众数：适用于分类数据，出现频率最高的值。在免疫学实验中，如细胞表面标记物分型，众数表示最常见的亚群比例。

2.离散程度度量

(1)标准差：衡量数据波动性，适用于正态分布。计算公式为：标准差=sqrt(Σ(每个数据-均值)²/数据个数)。标准差越大，数据越分散。例如，比较两种免疫刺激剂对细胞增殖的影响，可通过比较其增殖曲线的标准差判断结果的一致性。

(2)四分位距（IQR）：适用于偏态分布，反映数据分布范围。计算方法为Q3（75%分位数）-Q1（25%分位数）。IQR越大，数据越分散。在免疫学实验中，如流式细胞术分析细胞凋亡率，可用IQR描述数据变异程度。

（二）推断性统计

推断性统计用于从样本数据推断总体特征，需进行假设检验，适用于验证实验假设。其目的是判断观察到的差异是否具有统计学意义。

1.参数检验

(1)t检验：用于两组正态分布数据的均值比较。

-单样本t检验：检验样本均值与理论值或参考值差异。例如，检验某种免疫治疗前后患者抗体水平的变化是否显著。操作步骤：

1.提出原假设（H₀：均值无差异）和备择假设（H₁：均值有差异）。

2.计算t统计量：t=(样本均值-理论值)/(标准差/√样本量)。

3.查t分布表或使用软件计算P值，判断是否拒绝H₀。

-双样本t检验：检验两组均值差异（等方差/不等方差）。例如，比较对照组和实验组细胞因子分泌水平。操作步骤：

1.检验两组方差齐性（如Levene检验）。

2.选择等方差或不等方差t检验，计算t统计量和P值。

(2)方差分析（ANOVA）：用于多组数据均值比较。

-单因素ANOVA：检验单一因素对结果的影响。例如，分析不同浓度免疫抑制剂对细胞活性的影响。操作步骤：

1.提出原假设（H₀：各组均值无差异）和备择假设（H₁：至少一组均值有差异）。

2.计算F统计量：F=组间方差/组内方差。

3.查F分布表或使用软件计算P值，判断是否拒绝H₀。若P<0.05，进行事后检验（如TukeyHSD检验）确定差异组。

-多因素ANOVA：检验多个因素及其交互作用的影响。例如，同时分析免疫刺激剂种类和时间对细胞增殖的影响。操作步骤：

1.提出各因素主效应和交互作用的假设。

2.计算F统计量和P值，判断各效应是否显著。

2.非参数检验

(1)Mann-WhitneyU检验：用于两组非正态分布数据的秩和比较。例如，比较正常组和疾病组IgG水平（偏态分布）。操作步骤：

1.将两组数据混合排序，计算每个数据的秩次。

2.分别计算两组秩和（R₁,R₂），较小者记为U。

3.使用软件计算P值，判断是否拒绝原假设（两组分布无差异）。

(2)Kruskal-Wallis检验：用于多组非正态分布数据的秩和比较。例如，分析不同处理组淋巴细胞凋亡率（偏态分布）。操作步骤：

1.将所有数据混合排序，计算秩次。

2.计算每个组的秩和（Rᵢ）。

3.计算H统计量：H=12/(N(N+1))*Σ(Rᵢ²/N)-3(N+1)。

4.查χ²分布表（df=N-1）或使用软件计算P值，判断是否拒绝原假设（各组分布无差异）。若P<0.05，进行事后检验（如Dunn检验）。

（三）相关性分析

相关性分析用于探究变量间的线性或非线性关系，适用于探索性研究。其目的是揭示变量间的关系强度和方向。

1.皮尔逊相关系数（r）：适用于线性关系，取值范围为[-1,1]。例如，分析年龄与免疫细胞计数的相关性。计算公式为：r=Σ((xᵢ-x̄)(yᵢ-ȳ))/sqrt(Σ(xᵢ-x̄)²*Σ(yᵢ-ȳ)²)。r=1为完全正相关，r=-1为完全负相关，r=0为无线性相关。需注意，相关不等于因果。

2.斯皮尔曼秩相关系数（ρ）：适用于非线性关系或有序数据。例如，分析免疫治疗剂量与疗效评分（等级数据）。操作步骤：

1.将每个变量数据排序并赋予秩次。

2.计算皮尔逊相关系数，但使用秩次代替原始数据。

3.ρ取值范围为[-1,1]，计算方法同皮尔逊系数但基于秩次。

（四）回归分析

回归分析用于建立变量间的函数关系，预测结果并评估影响程度。其目的是量化一个变量对另一个变量的影响。

1.线性回归：

-适用条件：自变量与因变量呈线性关系。例如，分析免疫刺激剂浓度与细胞增殖率的关系。操作步骤：

1.绘制散点图，确认线性关系。

2.使用最小二乘法拟合直线：y=β₀+β₁x+ε。

3.计算回归系数（β₁）和截距（β₀），评估拟合优度（R²）。

-注意：需检验残差正态性、同方差性。

2.逻辑回归：

-适用条件：因变量为二元分类数据。例如，分析免疫治疗是否成功（是/否）。操作步骤：

1.将因变量编码为0/1。

2.使用最大似然估计拟合模型：logit(p)=β₀+β₁x。

3.计算回归系数，解释对数优势比（OddsRatio）。O>1表示正向预测，O<1表示负向预测。

三、免疫学实验数据统计方法实施步骤

（一）数据预处理

1.缺失值处理：

-删除缺失值：适用于缺失比例低（<5%）的情况。直接剔除含缺失值的样本或变量。

-插值法：适用于缺失比例高或重要数据缺失。

-均值/中位数插补：简单但可能扭曲分布。

-K最近邻插补（KNN）：基于邻居均值/中位数填充。

-多重插补：生成多个完整数据集，综合结果。

2.异常值检测：

-箱线图法：绘制箱线图，识别离群点（通常定义为Q1-1.5IQR以下或Q3+1.5IQR以上）。

-Z分数法：计算每个数据与均值的标准化距离，剔除|Z|>3的数据。

-杜杆值检测：使用回归分析中的杠杆统计量（hat值），剔除高杠杆点。

（二）统计方法选择

1.根据数据类型选择：

-计量数据：参数检验（t检验/ANOVA）/非参数检验（Mann-Whitney/U检验）。

-分类数据：卡方检验（列联表分析）/费舍尔精确检验（小样本）。

2.根据分布情况选择：

-正态分布：t检验/ANOVA。需进行正态性检验（Shapiro-Wilk,K-S检验）。

-非正态分布：非参数检验/数据转换（对数转换/平方根转换）。

3.根据样本量选择：

-小样本（<30）：优先选择非参数检验或增大样本量。

-大样本（>30）：参数检验更稳健。

（三）结果解读

1.P值判断：

-P<0.05：拒绝原假设，结果具有统计学意义。需报告效应量（如Cohen'sd,η²）补充信息。

-P>0.05：未拒绝原假设，结果无统计学差异。需