生物医学统计检验方法怎么选
统计检验回答的是：观察到的组间差异或变量间关联，有多大可能只是抽样误差造成的。选对检验取决于四件事：结局变量是连续、有序、二分类还是生存时间；比较几组；样本之间是否配对或重复测量；数据分布是否满足检验假设。湿实验中常见的 qPCR 相对表达、细胞增殖、动物体重、免疫组化评分、临床基线表，都需要先回答这几个问题再选方法。完整流程还包括探索性检查、事后两两比较、多重检验校正，以及报告效应量和置信区间，而不只是给出一个 P 值。
什么时候用
- 比较两组或多组细胞、动物、患者的连续测量值
- 分析处理前后、同一个体左右侧等配对数据
- 比较分类变量构成，如不同组的突变率、阳性率
- 整理临床基线表，判断各组基线是否可比
- 评估两个连续指标之间的相关性
- 实验开始前估算每组需要多少样本
不适合的情况
- 数万个基因同时比较的组学差异分析，应使用 DESeq2、limma 等专门方法
- 含删失的随访时间数据，应使用 Kaplan-Meier 与 Cox 回归
- 把技术重复当作独立样本做检验，会严重低估 P 值
需要准备的数据
- 长格式数据表
- 每行一个观测，列包括样本编号、分组、测量值；配对数据需有个体编号列用于匹配
- 实验设计说明
- 说明生物学重复与技术重复、是否配对、是否重复测量、是否有批次或实验日期
- 变量类型定义
- 标明每个变量是连续、有序还是分类，评分类数据（如 0–3 分）通常按有序变量处理
- 预设比较方案
- 列出主要比较和次要比较，事先确定是双侧还是单侧检验以及显著性水平
分析步骤
- 1
确定分析单位
先分清生物学重复与技术重复：同一只小鼠的多个切片、同一孔的多次读数应先取均值，以动物或独立实验为单位。分析单位数就是检验的有效样本量，算错会直接导致假阳性。
- 2
探索性检查
画箱线图加散点、直方图和 QQ 图，查看分布形状、离群值和缺失。右偏的浓度、表达量数据常在 log 转换后接近正态；离群值先核对是否为录入或实验失误，不要只因影响结果就删除。
- 3
判断检验假设
参数检验要求组内残差近似正态。Shapiro-Wilk 检验在样本很少时几乎检不出偏离，样本很多时又对微小偏离敏感，应结合 QQ 图判断。方差齐性可用 Levene 检验或直接比较组内标准差。
- 4
选择主检验
两组连续变量用 Welch t 检验或 Wilcoxon 秩和检验，配对用配对 t 检验或 Wilcoxon 符号秩检验；三组及以上用单因素方差分析或 Kruskal-Wallis；分类变量用卡方或 Fisher 精确检验。
- 5
事后两两比较
多组整体检验显著后再做两两比较。方差分析后常用 Tukey HSD（所有组两两比较）或 Dunnett（各组与对照比较），Kruskal-Wallis 后常用 Dunn 检验，并对比较次数做校正。
- 6
多重检验校正
同时检验多个指标时，用 Bonferroni 或 Holm 控制家族错误率，或用 Benjamini-Hochberg 控制错误发现率。R 的 p.adjust 和 Python statsmodels 的 multipletests 都能完成。
- 7
报告效应量
除 P 值外报告均值差或中位数差及 95% 置信区间，以及 Cohen d、比值比等效应量。写明检验名称、单侧或双侧、样本量和误差线含义（SD、SEM 或置信区间）。
关键参数与决策
Welch 还是 Student t 检验
Student t 检验假设两组方差相等，Welch 不需要这个假设，方差相等时两者结果也很接近。R 的 t.test 默认就是 Welch，一般没有理由改回等方差版本。
参数还是非参数检验
数据近似正态或 log 转换后近似正态时，参数检验效能更高；明显偏态、有序评分或存在难以解释的极端值时，用基于秩的非参数检验。不要两种都跑再挑显著的那个。
卡方与 Fisher 精确检验
常用经验规则是：期望频数小于 5 的格子超过 20%，或有期望频数小于 1 时，改用 Fisher 精确检验。配对的二分类数据（同一患者治疗前后）用 McNemar 检验。
Bonferroni 与 BH
Bonferroni 把阈值除以比较次数，适合少量预设比较、要求严格控制任何一次假阳性；BH 控制显著结果中假阳性的比例，适合几十到上万次检验的筛选场景。
重复测量与嵌套结构
同一个体多个时间点、同一患者多个病灶属于相关数据。可用重复测量方差分析，或用线性混合模型（R 的 lme4 包）把个体设为随机效应，比把每次测量当独立样本更合理。
样本量与检验效能
根据预期效应量、显著性水平和目标效能（常设 0.8）估算每组样本量，可用 R 的 pwr 包或 G*Power。效应量最好来自预实验或文献，而不是凭感觉设一个大值。
常见错误
- 把技术重复当生物学重复：3 只小鼠各测 3 次当作 n=9，自由度被夸大，P 值明显偏小，结论不可重复。
- 每组只有 3 个样本还用 Wilcoxon 秩和检验：3 对 3 时双侧精确 P 值最小只能到 0.1，再大的差异也不会显著。
- 对 2^-ΔΔCt 倍数变化直接做 t 检验：倍数值强烈右偏且对照组被固定为 1，应在 ΔCt 或 log2 倍数尺度上检验。
- 多组之间做多次 t 检验不校正：4 组两两比较有 6 次检验，整体假阳性率远高于 5%，应用方差分析加事后检验。
- 看了数据再决定单侧检验：单侧检验把 P 值减半，必须在实验前根据假设确定方向，否则属于选择性报告。
- P 大于 0.05 就写两组无差异：不显著只说明证据不足，样本量小时尤其如此，应报告置信区间说明可能的差异范围。
结果怎么看
箱线图或散点图加检验标注
每个点代表一个生物学重复，箱体显示中位数和四分位数，图上标注检验方法和校正后 P 值。若点数少于 5 却只画柱状图加误差线，读者无法判断分布，应改为展示单个数据点。
统计检验汇总表
每行一个比较，列出各组样本量、均值或中位数、差值及 95% 置信区间、检验名称、原始 P 值和校正后 P 值。检验方法与数据类型对不上，或样本量与图中点数不一致，都说明分析有误。
临床基线表
连续变量按分布报告均值标准差或中位数四分位距，分类变量报告例数和百分比，各变量注明所用检验。随机对照试验的基线比较 P 值意义有限，更应关注标准化差值是否过大。
QQ 图与残差图
点大致落在对角线上说明近似正态；两端明显上翘或下弯说明重尾或偏态，应考虑 log 转换或非参数方法。残差随拟合值扩散呈喇叭形，说明方差不齐。
和相近方法怎么选
t 检验与 Wilcoxon 秩和检验
t 检验比较均值，近似正态时效能最高；Wilcoxon 比较两组秩次分布，对偏态和离群值稳健，但小样本时能达到的最小 P 值有限。正态或 log 后正态选 t 检验，评分和明显偏态数据选 Wilcoxon。
方差分析与多次 t 检验
方差分析在一次检验中判断多组均值是否全部相等，再用事后检验控制两两比较的总错误率。多次 t 检验每次都消耗 5% 的假阳性额度，组数越多问题越严重，三组及以上应首选方差分析。
Pearson 与 Spearman 相关
Pearson 衡量线性关系，对离群值敏感；Spearman 基于秩，衡量单调关系，更稳健。散点图呈直线且无极端点用 Pearson，存在曲线单调趋势、偏态或离群值时用 Spearman。相关不等于因果。
通用统计检验与组学差异分析
单个指标的组间比较用本页方法即可；RNA-seq、蛋白组等成千上万个特征同时检验，需要借助特征间信息估计方差并处理计数分布，应使用 DESeq2、limma 等专门模型，再做 FDR 校正。
常见问题
数据不是正态分布怎么办？
先看偏离程度和原因。右偏的浓度、表达量数据常在 log 转换后接近正态，可以在转换后用 t 检验或方差分析；有序评分、无法转换的偏态数据或存在合理极端值时，用 Wilcoxon、Kruskal-Wallis 等非参数检验。样本量较大时，t 检验对轻度非正态也比较稳健。
误差线用 SD 还是 SEM？
SD 描述数据本身的离散程度，SEM 描述均值估计的精度，会随样本量增大而变小。想展示个体差异用 SD，想表达均值的不确定性更推荐 95% 置信区间。无论用哪种，图注都要写清楚，并同时给出每组样本量。
多重检验校正用 Bonferroni 还是 FDR？
少量预设比较、希望严格避免任何一次假阳性，用 Bonferroni 或 Holm；大量指标或基因的探索性筛选，用 Benjamini-Hochberg 控制 FDR，通常把 FDR 小于 0.05 作为显著。Holm 与 Bonferroni 同样控制家族错误率，但效能更高。
每组需要多少样本？
没有通用答案，取决于预期效应量、数据变异和目标效能。可先用预实验估计两组均值差和标准差，再用 pwr 包或 G*Power 计算。效应越小、变异越大，需要的样本越多。只凭惯例每组 3 个，检验效能往往很低。
配对数据可以用非配对检验吗？
可以计算，但会浪费配对信息。配对设计的优势是消除个体间差异，用非配对检验时这部分差异被算进误差，效能明显下降，可能把真实差异判为不显著。同一个体处理前后、同一患者肿瘤与癌旁组织，应使用配对检验。
在 Codar 里怎么做
在 Codar 里上传实验数据表并说明分组、重复方式和研究问题。Codar 先做探索性数据分析，检查分布、缺失和离群值，再按变量类型和设计确认检验方案，执行主检验、事后比较和多重检验校正，报告效应量和置信区间。实验前也可协助规划对照、随机化和样本量。交付统计图、结果汇总表、报告和可复现脚本。
这是 4 组小鼠（对照、低中高剂量）各 6 只的肿瘤体积和体重数据，帮我选合适的检验，做组间比较和多重校正