数理统计分析策略-SPSS
数理统计分析策略主要分为统计分析方法和统计分析策略，本文中软件一般指SPSS。
统计分析方法：简单、复杂关联性研究。
简单关联性研究分为差异性分析和相关性分析（直线相关分析和秩相关分析）。
差异性分析：定量数据和分类数据（定性数据）。
**编者注：在经典的线性回归模型中，方差齐性是进行回归的前提要素之一，因OLS(最小二乘法)回归式要求模型中的随机误差项在解释变量时具有相同的方差[1]。
定量数据如果只有两组，可以根据其是否通过正态性分布检验（SPSS正态性检验，合理设置因子、因变量和标注个案，Kolmogorov-Smirnov和Shapiro-Wilk，采用Lilliefors显著水平修正，若正态性检验未通过，也可以绘制Q-Q图[2]对正态性进行进一步的探究，有些数据仅略显偏态）和方差齐性检验[3]（Levene（莱文）检验与单因素ANOVA分析）判断使用何种方法进行检验。
值得注意的是，方差齐性检验一般与t检验结果一同产生。
如果定量数据的数量只有两组，根据是否正态、方差齐，符合则使用t检验，不符合则使用秩和检验（Mann whitney / u / z 检验）。
若是多组定量数据，可以进行方差分析（成组F分析），此方法需要两组及以上定量数据，且需要通过正态性检验；也可以进行多样本非参数秩和检验（Kruskal Wallis秩和检验 / H检验），此种方法同样需要通过正态性检验和方差齐性检验；也可以通过多重比较来比较各组均数是否相等。
分类数据同样分为两组和多组两种情况。
两组分类数据可以进行秩和检验、卡方检验（N≥40，T≥5则为卡方检验；N≥40，至少一个1≤T＜5则为矫正卡方检验，此方法检验是否构成比的分布）、Fisher确切概率法（超过20%的T＜5或至少一个T＜1）[4]。
多组分类数据同样可以采用上段介绍的三种统计分析方法，这里再进行一些补充，秩和检验讨论的是分布位置差异性，比较的是平均值[5]；卡方检验不超过20%的T＜5，讨论的是构成分布，即分布轮廓的差异性。
以上均为简单关联性研究的内容，下面是复杂关联性研究的方法：
复杂关联性研究可以分为单因素回归分析和多因素回归分析，对此分类，可以分为线性回归、logistic分析和cox比例风险回归。
线性回归需要满足的前提条件是自变量和因变量（在此处用x、y表示）理论上存在因果关系，有定量资料，且x、y具有线性关系（SPSS中通常通过绘制散点图的形式加以证明）。具体条件分为line（x、y具有线性关系）、independence（任意两个残差相互独立）、normal（残差服从正态分布，即通过正态性检验）、equal（残差通过方差齐性检验）。
Logistic分析主要用于分类资料，cox比例风险回归用于生存分析比较。
统计分析策略分为RCT研究、观察性研究和生存分析。
RCT研究描述的是均数 ± 标准差 / 中位数和四分位数间距，使用简单关联性方法即可进行基线差异性分析、差值分析等。
观察性研究根据研究影响因素和控制混杂偏倚进行分类。
根据研究影响因素分类，可以分为简单关联性分析和多因素关联性分析。简单关联性分析可以进行T检验、F检验、卡方检验、秩和检验、Log-rank检验、线性检验、logistic回归分析，多因素关联性分析可以进行线性检验、logistics回归分析、cox比例风险回归分析。
根据控制混杂偏倚可以分组均衡比较，发现潜在混杂因素，具体方法同上段。
生存分析可以采用K-M法、Log-rank检验和cox比例风险回归分析。
准确来说，K-M方法是一种统计描述方法，就好比用饼状图来展示比例，用箱图来展示连续变量。[6]
Cox回归本质上是一种回归模型，它没有直接使用生存时间，而是使用了危险度（hazard）作为因变量，该模型不用于估计生存率，而是用于因素分析，也就是找到某一个危险因素对结局事件发生的贡献度。
使用K-M方法绘制生存曲线，使用log-rank检验评估生存差异。使用Cox比例风险模型进行多因素分析，评估预后因素作用。
此为2004年发表在新英格兰NEJM的一篇文章。
参考文献：
[1]如何进行SPSS的重复测量方差分析，泽洋，IBM SPSS Statistics 中文网站，2021-01-21
[2]Q-Q图的理解，王畅，CSDN，2015-11-04
[3]SPSS入门教程——方差齐性检验的方法有哪些，nekonekoboom，CSDN，2021-08-26
[4]Fisher确切概率法在医学统计中的应用及spss中的操作——杏花开医学统计，企鹅号-杏花统计，腾讯云开发者社区，2017-12-13
[5]秩和检验（Rank sum test），MBA智库·百科，2014-09-15
[6]从一篇新英格兰文章看懂K-M曲线与Cox的关系，易侕统计，搜狐，2018-12-06
