医学期刊常见统计学错误

《河北省脑瘫患儿生存质量状况调查与经济负担评价_崔巍》文中 表计算错误。统计表核算“合计”结果是错的。按照表里的数据，计算一下就知道了。

科学研究很早就已经从简单的定性分析深入到细致的定量分析，科研工作者要面对大量的数据分析问题，科研数据的统计分析结果直接影响着论文的结果分析。在医学科研写作中，实验设计的方法直接决定了数据采取何种统计学方法，因为每种统计方法都要求数据满足一定的前提和假定，所以论文在实验设计的时候，就要考虑到以后将采取哪种数据统计方法更可靠。医学统计方法的错误千差万别，其中最主要的就是统计方法和实验设计不符，造成数据统计结果不可靠。下面，医刊汇编译列举一些常见的可以避免的问题和错误：打开百度APP，查看更多高清图片一、数据统计分析方法使用错误或不当。医学论文中，最常见的此类错误就是实验设计是多组研究，需要对数据使用方差分析的时候，而作者都采用了两样本的均数检验。二、统计方法阐述不清楚。在同一篇医学论文中，不同数据要采取不同统计处理方法，这就需要作者清楚地描述出每个统计值采用的是何种统计学方法，但在许多使用一种以上数据统计分析方法的医学论文中，作者往往只是简单地把论文采用的数据统计方法进行了整体罗列，并没有对每个数据结果分析分别交代具体的统计方法，这就很难让读者确认某一具体结果作者到底采用的是何种数据分析方法。三、统计表和统计图缺失或者重复。统计表或者统计图可以直观地让读者了解统计结果。一个好的统计表或统计图应该具有独立性，即作者即使不看文章内容，也可从统计表或统计图中推断出正确的实验结果。而一些医学论文只是简单地堆砌了大量的统计数字，缺乏直观的统计图或表；或者虽然也列出了统计表或统计图，但表或图内缺项很多，让读者难以从中提取太多有用的信息。另外，也有作者为了增加文章篇幅，同时列出统计表和统计图，造成不必要的浪费和重复。统计表的优点是详细，便于分析研究各类问题。统计图(尤其是条形统计图)的优点是能够直观反映变量的数量差异。医学论文中对数据统计结果的解释，最常见的两个错误就是过度信赖P值(结果可信程度的一个递减指标)和回避阴性结果。前一个错误的原因是因为一些作者对P值含义理解有误，把数据的统计学意义和研究的临床意义混淆。所以医学研究人员一定要注意不能单纯依靠统计值武断地得出一些结论，一定要把统计结果和临床实践结合在一起，这样才会避免出现类似的错误。至于回避阴性结果，只提供阳性结果，是因为不少作者在研究设计时，难以摆脱的一种单向的思维定式就是主观地先认定自己所预想的某种结果结论。在归纳某种结果原因时，从一个方向的实验就下完美的结论，尤其是如果这个结论可能对实际情形非常有意义时。这样的思维定势过于强调统计差异的显著性，有时会刻意回避报道差异的不显著结果，不思考和探究差异不显著的原因和意义，反而会因此忽视一些重大的科学发现。

学好了数学或者成为了一个优秀的程序员绝对不等于对统计学有很好的了解。还有一些案例中显示有扎实的统计能力的优秀科学家也不一定总是在统计方面能做好——科学家也是人，他们也会在统计学领域犯错，这里有些例子：1. 非常草率的处理数据，例如：数据误读，错误标注，未能正确清理数据，合并不正确项，不存档等等。2. 对概率论的理解不足，过分依赖少数概率分布，如常态。3. 对取样理论和取样方法的无知：从一个小的自选择样本推广到一个大的异质群体就是一个例子。对数据加权的误解也很常见。第三个例子使用复杂抽样方法时，将数据视为一个简单的随机样本。4. 对统计推断的把握不严，如混淆统计意义和实际意义。另一个例子是对人口数据进行重要性测试。例如，如果我们对A国有五十年的季度GDP数据，这200个数据点是该时间段内国家的人口数据，而不是人口的样本。例如，进行t检验，看看线性趋势是否与零有统计学上的差异，在这种情况下是没有意义的。5. 利用机会寻找重大差异(p-hacking)，却不考虑已经进行的显著性测试的数量。6. 在学术期刊上，要获得学术期刊的认可，通常需要达到统计上的重要性，而出版偏倚是一个严重的后果。 Meta-Analysis (Borenstein et al.) 和Methodsof Meta-Analysis (Schmidt and Hunter)这2本书中的对应方法很管用值得一看。7. 从一个没有被复制甚至交叉验证的单一研究中得出戏剧性的结论。8. 对贝叶斯统计，非参数统计，心理计量学和潜在变量模型的理解太表面。9. 对分析时间序列和纵向数据的方法，以及空间统计和多层次混合模型理解不充分。10. 许多工具，如支持向量机和人工神经网络，以及数据挖掘和预测分析中常用的Boosting和bagging等概念，对许多尚未开发的科学领域有潜在的实用价值。11. 没有对广义线性模型方程给予足够的关注，例如忽略交互术语。12. 在量化回归、回归样条、广义相加模型或其他方法时，对一组特定的数据进行线性化。13. 不理解（或忽略）重要的统计假设。回归分析被普遍滥用。14. 测量误差：统计显着性测试不考虑测量误差，但测量误差可能会对统计模型的解释造成很大影响。15. 忽略回归到平均值：一个非常古老而又非常危险的错误！16. 出于各种动机对连续变量进行分类，以满足统计假设，但这样做是不对的。另一个原因是它是一种输出结果的方法——一些“效应”是年龄真正的代理或年龄大大缓和。连续年龄有时被故意地分组到广泛的年龄范围，使其效果减弱。这样，一个不负责任的研究者可以得出结论：他们试图建立的效果在控制年龄后是“显着的”。17. 已经知道结果后才提出假设:这个现象很普遍，以至于“人人都做，所以没关系”。18. 用数据子集支持一个假设：“调整”数据直到它支持一个假设。19. 混淆因果关系：对因果机制的误解并不罕见。20. 埋藏在评论里的错误：有成千上万的“学术”出版物，但很少有期刊审稿人是具备专业的统计知识。21. 将模拟数据当作实际数据处理，并将计算机模拟解释为使用真实数据的实验。22. 基于假设而不是数据来进行粗略的估计，这在学术文献中很常见，我们很少注意到。随机模型有时也被误解为确定性模型。23. 试图 “从石头里挤血” ：当数据越少，研究人员就越要 “填写空白”。有许多(通常是复杂的)方法来处理过少的数据量，但都增加了进入建模过程的主观性。反过来，这也为不负责人的科学家提供了更多的余地。24. 元分析和倾向分数分析的不当使用。25. “从小见大”——用少量信息去证实假设。26. 不跟上统计数据的最新发展，不与专业统计人员交流。这是上面列出的许多问题的根本原因。

中国光大（集团）总公司：你公司《关于报送企业集团统计报表的请示》（光京字［2003］67号）收悉。经研究，现批复如下：一、我局现行企业集团统计报表制度规定，国家试点企业集团和中央管理的企业集团统计报表由我局企业调查总队负责布置、收集。由于你公司属于中央管理的企业集团，因此你公司填报的企业集团统计报表应直接报送给我局企业调查总队，具体执行时间从今年半年报开始。二、《北京市统计局关于完善企业集团统计报表制度的通知》（京统发［2003］85号）要求你公司向其报送集团2003年年报和半年报的有关事宜，我局企业调查总队已和北京市统计局企调队进行了沟通，北京市企业集团统计的范围不再包括你公司，其所需资料由我局企业调查总队予以提供。国家统计局办公室二○○三年九月十五日