其实血型速配的问题并不复杂，但是又很多的朋友都不太了解血型配对数据统计，因此呢，今天小编就来为大家分享血型速配的一些知识，希望可以帮助到大家，下面我们一起来看看这个问题的分析吧！

本文目录

统计学方法的正确抉择

一。

统计方法抉择的条件

在临床科研工作中，正确地抉择统计分析方法，应充分考虑科研工作者的分析目的、临床科研设计方法、搜集到的数据资料类型、数据资料的分布特征与所涉及的数理统计条件等。

其中任何一个问题没考虑到或考虑有误，都有可能导致统计分析方法的抉择失误。

此外，统计分析方法的抉择应在科研的设计阶段来完成，而不应该在临床试验结束或在数据的收集工作已完成之后。

对临床科研数据进行统计分析和进行统计方法抉择时，应考虑下列因素：

1.分析目的

对于临床医生及临床流行病医生来说，在进行统计分析前，一定要明确利用统计方法达到研究者的什么目的。

一般来说，统计方法可分为描述与推断两类方法。

一是统计描述（descriptivestatistics），二是统计推断（inferentialstatistics）。

统计描述，即利用统计指标、统计或统计表，对数据资料所进行的最基本的统计分析，使其能反映数据资料的基本特征，有利于研究者能准确、全面地了解数据资料所包涵的信息，以便做出科学的推断。

统计表，如频数表、四格表、列联表等；

统计，如直方、饼，散点等；

统计指标，如均数、标准差、率及构成比等。

统计推断，即利用样本所提供的信息对总体进行推断（估计或比较），其中包括参数估计和假设检验，如可信区间、t检验、方差分析、c2检验等，如要分析甲药治疗与乙药治疗两组的疗效是否不相同、不同地区某病的患病率有无差异等。

还有些统计方法，既包含了统计描述也包含了统计推断的内容，如不同变量间的关系分析。

相关分析，可用于研究某些因素间的相互联系，以相关系数来衡量各因素间相关的密切程度和方向，如高血脂与冠心病、慢性宫颈炎与宫颈癌等的相关分析；

回归分析，可用于研究某个因素与另一因素（变量）的依存关系，即以一个变量去推测另一变量，如利用回归分析建立起来的回归方程，可由儿童的年龄推算其体重。

2.资料类型

资料类型的划分现多采用国际通用的分类方法，将其分为两类：数值变量（numericalvariable）资料和分类变量（categoricalvariable）资料。

数值变量是指其值是可以定量或准确测量的变量，其表现为数值大小的不同；

而分类变量是指其值是无法定量或不能测量的变量，其表现没有数值的大小而只有互不相容的类别或属性。

分类变量又可分为无序分类变量和有序分类变量两小类，无序分类变量表现为没有大小之分的属性或类别，如：性别是两类无序分类变量，血型是四类无序分类变量；

有序分类变量表现为各属性或类别间有程度之分，如：临床上某种疾病的“轻、中、重”，治疗结果的“无效、显效、好转、治愈”。

由此可见，数值变量资料、无序分类变量资料和有序分类变量资料又可叫做计量资料、计数资料和等级资料。

资料类型的划分与统计方法的抉择有关，在多数情况下不同的资料类型，选择的统计方法不一样。

如数值变量资料的比较可选用t检验、u检验等统计方法；

而率的比较多用c2检验。

值得注意的是，有些临床科研工作者，常常人为地将数值变量的结果转化为分类变量的临床指标，然后参与统计分析，如患者的血红蛋白含量，研究者常用正常、轻度贫血、中度贫血和重度贫血来表示，这样虽然照顾了临床工作的习惯，却损失了资料所提供的信息量。

换言之，在多数情况下，数值变量资料提供的信息量最为充分，可进行统计分析的手段也较为丰富、经典和可靠，与之相比，分类变量在这些方面都不如数值变量资料。

因此，在临床实验中要尽可能选择量化的指标反映实验效应，若确实无法定量时，才选用分类数据，通常不宜将定量数据转变成分类数据。

3.设计方法

在众多的临床科研设计方法中，每一种设计方法都有与之相适应的统计方法。

在统计方法的抉择时，必须根据不同的临床科研设计方法来选择相应的统计分析方法。

如果统计方法的抉择与设计方法不一致，统计分析得到的任何结论都是错误的。

在常用的科研设计方法中，有成组设计（完全随机设计）的t检验、配对t检验、成组设计（完全随机设计）的方差分析、配伍设计（随机区组设计）的方差分析等，都是统计方法与科研设计方法有关的佐证。

因此，应注意区分成组设计（完全随机设计）与配对和配伍设计（随机区组设计），在成组设计中又要注意区别两组与多组设计。

最常见的错误是将配对或配伍设计（随机区组设计）的资料当做成组设计（完全随机设计）来处理，如配对设计的资料使用成组t检验、配伍设计（随机区组设计）使用成组资料的方差分析；

或将三组及三组以上的成组设计（完全随机设计）资料的比较采用多个t检验、三个或多个率的比较采用四格表的卡方检验来进行比较，都是典型的错误。

如下表：

表1常见与设计方法有关的统计方法抉择错误

设计方法错误的统计方法正确统计方法

两个均数的比较（成组设计、完全随机设计）成组设计的t检验、成组设计的秩和检验

多个均数的比较（成组设计、完全随机设计）多个成组设计的t检验完全随机设计的方差分析及q检验、完全随机设计的秩和检验及两两比较

数值变量的配对设计成组设计的t检验配对t检验、配对秩和检验

随机区组设计（配伍设计）多个成组设计的t检验、完全随机设计的方差分析随机区组设计的方差分析及q检验、随机区组设计的秩和检验及两两比较

交叉设计成组设计的t检验、配对t检验、配对秩和检验交叉设计的方差分析、交叉设计的秩和检验

4.分布特征及数理统计条件

数理统计和概率论是统计的理论基础。

每种统计方法都要涉及数理统计公式，而这些数理统计公式都是在一定条件下推导和建立的。

也就是说，只有当某个或某些条件满足时，某个数理统计公式才成立，反之若不满足条件时，就不能使用某个数理统计公式。

在数理统计公式推导和建立的条件中，涉及最多的是数据的分布特征。

数据的分布特征是指数据的数理统计规律，许多数理统计公式都是在特定的分布下推导和建立的。

若实际资料服从（符合）某种分布，即可使用该分布所具有的数理统计规律来分析和处理该实际资料，反之则不能。

在临床资料的统计分析过程中，涉及得最多的分布有正态分布、偏态分布、二项分布等。

许多统计方法对资料的分布有要求，如：均数和标准差、t和u检验；

方差分析都要求资料服从正态分布，而中位数和四分位数间距、秩和检验等，可用于不服从正态分布的资料。

所以，临床资料的统计分析过程中，应考虑资料的分布特征，最起码的要求是熟悉正态分布与偏态分布。

例如：在临床科研中，许多资料的描述不考虑资料的分布特征，而多选择均数与标准差。

如某妇科肿瘤化疗前的血象值，资料如下表：

某妇科肿瘤化疗前的血象值

指标名例数均数标准差偏度系数P值峰度系数P值

血红蛋白（g/L）98111.9918.820.1800.4590.0250.958

血小板（×109/L）98173.5887.111.3530.0001.8430.000

白细胞（×109/L）986.79302.7671.2070.0001.2020.013

从上结果可见，若只看三项指标的均数和标准差，临床医生也许不会怀疑有什么问题。

但是经正态性检验，病人的血红蛋白服从正态分布，而血小板和白细胞两项指标的偏度和峰度系数均不服从正态分布（P<0.05）。

因此，描述病人的血小板和白细胞平均水平正确的指标是中位数，而其变异程度应使用四分位数间距。

除了数据的分布特征外，有些数理统计公式还有其它一些的条件，如t检验和方差分析的方差齐性、卡方检验的理论数（T）大小等。

总之，对于临床科研工作者来说，为正确地进行统计方法的抉择，首先要掌握或熟悉上述影响统计方法抉择因素；

其次，还应熟悉和了解常用统计方法的应用条件。

二。

数据资料的描述

统计描述的内容包括了统计指标、统计和表，其目的是使数据资料的基本特征更加清晰地表达。

本节只讨论统计指标的正确选用，而统计表的正确使用请参阅其他书籍。

1.数值变量资料的描述

描述数值变量资料的基本特征有两类指标，一是描述集中趋势的指标，用以反映一组数据的平均水平；

二是描述离散程度的指标，用以反映一组数据的变异大小。

各指标的名称及适用范围等见表2。

表2描述数值变量资料的常用指标

指标名称用途适用的资料

均数（X——）

描述一组数据的平均水平，集中位置正态分布或近似正态分布

中位数（M）与均数相同偏态分布、分布未知、两端无界

几何均数（G）与均数相同对数正态分布，等比资料

标准差（S）

描述一组数据的变异大小，离散程度

正态分布或近似正态分布

四分位数间距

（QU-QL）与标准差相同偏态分布、分布未知、两端无界

极差（R）与标准差相同观察例数相近的数值变量

变异系数（CV）与标准差相同比较几组资料间的变异大小

从表中可看出，均数与标准差联合使用描述正态分布或近似正态分布资料的基本特征；

中位数与四分位数间距联合使用描述偏态分布或未知分布资料的基本特征。

这些描述指标应用时，最常见的错误是不考虑其应用条件的随意使用，如：用均数和标准差描述偏态分布、分布未知或两端无界的资料，这是目前在临床研究文献中较为普遍和典型的错误。

现在网上流传的各种星座血型性格区别或者某种星座某种血型的恋爱倾向亦或者星座与星座之间的配对、血型与血型之间的配对，还是很多的，不仅是恋爱，连友情、亲情和上下属相配合性都有，不过我个人认为，那些所谓的匹配度其实是不准确的。

衡量两个人是否合适的标准不是星座，而是性格。

也许受传说中星座或磁场的神秘影响，人的性格和性格会不一样，偏好也会不一样，甚至命运这种难以捉摸的东西也会不一样，但是日常生活中相处更多的并不是受这种神秘影响的影响。更多的是人的性格的配合和相互的磨合。

也就是说，影响恋爱的不是星座血型，而是单个的人与人。

就像之前流传的摩羯座好男人说和渣男射手说，其实就完全不靠谱。摩羯里也有人渣，射手就我个人认识的而言，也都是温柔亲切的好人，没听说过哪个射手特别浪的。所以如果你要选择恋爱对象的话，星座只能作为一个小参考，而不能当做最终的决定。真正谈恋爱找对象，还是要看性格的。

所以说，单单回答问题的话，星座血型对恋爱的影响其实是不大的。

而且现在的星座学说也越来越不准了，那些网上流传的性格和爱好，其实和本人有很大差异，我虽然也喜欢星座，但是对比身边的同学和网上的资料，真的没什么准的地方，也就是纯娱乐了。

如果真的想应用星座学的知识的话，我建议你是去看看每个星座的潜力和每个星座的思维倾向，或者说每个星座佩戴什么样的饰品、或者用什么样的颜色能增长运势，虽然不知道准不准，但是娱乐性还是不错的。平时和朋友聊天的时候也可以用用。

另外，说起恋爱的话，不要太信赖星座和血型上讲的东西，具体能不能相处得来，还要看平常，要看你们之间相处的点点滴滴是不是能互相磨合。在和情人发生冲突的时候，不要第一时间想到星座、血型说得对，我们真的不适合，而是要放宽心态用包容的眼光去面对情侣解决问题，尽量和你的情人好好说话，慢慢解决。因为不会发生争吵的情侣毕竟是少数，就算是配合度百分之百的星座情侣之间也会发生争吵的。

综上所述，你在星座学说里看到的东西，还是不要应用到现实生活中比较好，尤其是找男女朋友这么关键的事情。

目录

例子1：假设检验及临床优效性检验

一研究者宣布找到一种治疗某病的新药，试验结果如下，问：该新药是否值得推广？

例子2：分析中混杂因素的控制

英国某年全人口统计资料如下，矛盾：移民组的发病率在各个年龄组均高于英格兰和威尔士组，为什么它的合计发病率反而低？

例子3：假设检验及判别诊断

为鉴别胃癌、胃炎、非胃病患者，各测定了50名患者的铜兰蛋白等指标，其中铜兰蛋白的观察结果如下，问：三种人的铜兰蛋白有无不同？能否根据测定的铜兰蛋白数据对患者进行初步诊断？

例子4：影响因素筛选-回归分析

研究心肌梗死患者预后的的影响因素，以是否发生心性死亡作为观察结果指标，对116名心梗患者的22个可能影响预后的因素进行观察和记录。

结局指标：心性死亡

预后因素：年龄、性别、高血压病、心梗位置、心梗分级、传导阻滞、溶栓治疗，……等

问：哪些预后因素与发生心性死亡有关系？关系的强度如何？

【瑞麟】研究目的（4）+设计类型（4）+数据类型（3）+数据特征（4）→统计方法

——↑瑞麟总结——

医学统计分析方法选择的核心三要素（3-5-3）

"方法看变量、设计看类型、目的定乾坤"

“大怕踢、二怕镖、老三怕剪刀”

老大指数值型变量、老二指等级变量、老三指无序分类变量

大怕踢：T（脚踢）、F（旋风腿）

数值型变量一般选用t检验（两组变量）、方差分析（3组及以上资料）

二怕镖：非参数（飞镖）

等级变量一般选用非参数检验

老三怕剪刀：卡方（剪刀）

无序分类变量一般选用卡方检验

统计指标、统计图或统计表

如，均数、中位数、标准差、百分比、频数分布等

参数估计、假设检验

估计总体参数、95%可信区间

对几组资料进行差异性检验

假设检验方法，如，t检验、卡方检验、方差分析、秩和检验等

研究某因素与另一因素的依存关系

探讨变量之间的关系及影响大小

具体说，探讨自变量（影响因素）对应变量（结果变量）的影响大小

多变量分析方法

如，线性相关、线性回归、Logistic回归、Cox回归、生存分析等。

最常见，最易实施的实验设计方案

将研究对象随机分配到几个组，然后做实验

将具有相似特征的研究对象配成对子，然后再将每个对子的对象随机分配到两个组进行实验

常见形式：同源配对（如样品一分为二）；异源配对（按性别、体重、年龄进行配对）；自身前后配对（试验前后的对比）

同时研究多个实验因素对结果的影响

例如，研究药物剂量（3mg、6mg）及给药方式（口服、肌注）对结果的影响，每种组合均需要做试验（3mg+口服，3mg+肌注，6mg+口服，6mg+肌注）

同一对象在不同时间点上进行某个指标的观测，以分析该指标在时间上的变化。

【瑞麟疑问】如只进行两个时间点上的测量，是否与自身前后配对的设计相同？

每一个观察对象都有一个数值，且大小差异有意义。

例如，血红蛋白（g/L）、住院天数、产前检查次数、住院费用等。

数值变量资料的描述

论文中最常用的组合

以比代率，即误将构成比（proportion）当作率（rate）来描述某病发生的强度和频率。

把各种不同的率相混淆，如把患病率与发病率、死亡率与病死率等概念混同。

指类别或属性间无顺序、程度之分。

例如，性别（男、女）为二分类、血型（A、B、AB、O）为多分类。

指类别间存在着次序，或程度上的差异。

例如，治疗效果（无效、好转、显效、治愈）、实验室检验（-、+、++、+++）

分类变量资料的描述：通常需要描述各个类别的频数及频率（百分比）

任何统计方法都有自己的适用条件，只有当某个或某些条件满足时，统计计算公式才成立。

适用条件可根据数据特征来判断

数值变量资料的描述：通过绘制直方图可以直观了解数据的分布

研究中，右偏态分布更常见，如住院时间、住院费用、病程等；左偏态分布较少见，如考生成绩有时呈左偏态分布。

R语言中如何进行频数分布直方图

得到的图表如下

方差是否齐同（相等）

粗略判断：两组标准差之比在2.5倍以上，就得警惕方差不齐

假设检验是反证法原理的统计应用

假设两个样本均数可能来源于同一总体，然后计算出在此假设下的某个统计量的大小，当这个统计量在其分布中的概率较小时（如p≤0.05）我们就拒绝其假设，而接受其对立假设，认为两样本分别来自不同的总体。

1）当p≤α时，做出“拒绝其无差别的假设，可认为各总体间有差别”的结论时就有可能犯错误，这类错误称为第一类错误（type I error）。其犯错误的概率用α表示，若α取0.05，此时犯I型错误的概率≤0.05，若假设检验的p值比0.05越小，犯第一类错误的概率就越小。

2）当p>α时，做出“不拒绝其无差别的假设，还不能认为各总体间有差别”的结论时就有可能犯第二类错误（type II error）。其犯错误的概念用β表示，通常β为未知数，但假设检验p值越大，犯第二类错误的概率就越小。

计量资料的假设检验：t检验、F检验（方差分析）、Z检验、秩和检验（Wilcoxon秩和检验、H检验、Friedman检验）等。

计数资料的假设检验：卡方检验、Z检验（瑞麟疑问：z检验即u检验？）

等级资料的假设检验：秩和检验（Wilcoxon秩和检验、H检验、Friedman检验）

单个自变量资料

两个或以上自变量资料

两组比较：t检验、u检验、两组秩和检验、四格表和较正四格表的卡方检验等

多组比较：方差分析、多组秩和检验、行×列卡方检验等。

差异分析/数据资料的比较，是同一指标在不同处理间的比较。

临床研究中，经常需要分析某些因素与疾病之间的关系，探讨疾病的危险因素。

注意，相关关系并不等于因果关系。

前瞻性研究：相对危险度（RR）、归因危险度（AR）

回顾性研究：比值比（OR）

参数检验：积矩相关系数（Pearson's sγ）

非参数检验：Spearman等级相关系数

1）确定金标准

诊断性试验的金标准（gold standard）是指当前临床医师公认的诊断疾病最可靠的方法，也称为标准诊断。应用金标准可以正确区分“有病”和“无病”。

拟评价的诊断性试验对疾病的诊断，必须有金标准为依据，所谓金标准包括活检、手术发现、细菌培养、尸检、特殊检查和影像诊断，以及长期随访的结果。

2）选择研究对象

诊断性试验的研究对象，应当包括两组：一组是用金标准确诊“有病”的病例组，另一组是用金标准证实为“无病”的患者，称为对照组。所谓“无病”的患者，是指没有金标准诊断的目标疾病，而不是完全无病的正常人。

病例组应包括各型病例：如典型和不典型的，早、中与晚期病例，轻、中与重型的，有和无并发症者等，以便使诊断性试验的结果更具有临床实用价值。

对照组可选用金标准证实没有目标疾病的其他病例，特别是与该病容易混淆的病例，以期明确其鉴别诊断价值。正常人一般不宜纳入对照组。

3）盲法比较诊断性试验与金标准的结果

评价诊断性试验时，采用盲法具有十分重要的意义，即要求判断试验结果的人，不能预先知道该病例用金标准划分为“有病”还是“无病”，以免发生疑诊偏倚。

新的诊断性试验，对疾病的诊断结果应当与金标准诊断的结果进行同步对比，并且列出格表，以便进一步评估，其方法如下：

①用金标准诊断为“有病”的病例数为a+c；

②上述“有病”的病例经诊断性试验检测，结果阳性者为a，阴性者为c；

③金标准诊断“无病”的倒数为b+d，其中经诊断性试验检测阳性者为b，阴性者为d；

④列出四格表，将a,b,c,d的倒数分别填入下列四格表。

敏感度（sensitivity, SN）是正确诊断的真阳性病例在中风组中所占的百分率，计算公式为为：SN=a/(a+c)×100%

特异度（specificity, SP）是正确诊断的真阴性部分所占百分率，计算公式为：SP=d/(b+d)×100%

准确性(accuracy,AC)反映了诊断试验结果与金标准试验结果的符合或一致程度，计算公式为：AC=(a+d)/N

阳性预测值(positive predictive value,PPV)是诊断试验为阳性结果中金标准证实患中风者所占的百分率，计算公式为： PPV= a/(a+b)×100%

阴性预测值(negative predictive value,NPV)是诊断试验为阴性结果中金标准证实未患中风者所占的百分率，计算公式为：NPV= d/(c+d)×100%.

阳性似然比(positive likelihood ratio, LR+)为患中风组真阳性率和未患中风组假阳性率的比值，计算公式为：LR+=SN/(1-SP)，表明诊断性试验为阳性时患病于不患病的比值,比值越大则患病的概率越大.

阴性似然比(negative likelihood ratio, LR-)为患中风组假阴性率与未患中风真阴性率的比值，计算公式为：LR-=(1-SN)/SP,表明诊断试验为阴性时,患病与不患病时机会的比值.

1）ROC曲线

ROC曲线(receiver operator characteeristic curve)又称受试者工作特征曲线,在诊断性试验中,用于正常值临界点的选择,对临床实验室工作尤为重要.

诊断资料可以按资料的等级或性质归纳成2X2表（四格表）或行列表。一般地说，如果诊断资料本身为二值变量，即诊断的结果为阳性和阴性，则归纳成四格表最合理。如果诊断资料为等级或连续变量，归纳成四格表就会造成信息的浪费，所以，最好将资料归纳成行列表，这样可以最大限度地利用信息。

如果诊断实验的资料为连续变量，可以将资料按一定的等级分级，归纳成行列表进行分析。

像这样的行列表，我们可以将其分割成表3形式的四格表，分别计算各指标，计算的结果见表3。

由表3可见，灵敏度和假阳性率随界值的降低而生高，但特异度则随界值的降低而降低。根据这样的关系，我们可以用假阳性率为横坐标，灵敏度为纵坐标做ROC曲线，见下图。

曲线左上角灵敏度是1.0（100%），假阳性率是0，即所有的病人全部被确诊，所有无病者都不会误诊。距左上角距离越近的曲线实验效果越好；

在ROC曲线上，靠坐上角距离最近的界点作为界值最好。（Q：为什么？）

在左上角处（灵敏度+特异度）/2的值最大，可以根据此及实际工作的需要来确定具体诊断实验的界值。

用ROC曲线可以比较不同诊断实验的优劣（Q：解释理由）。

2）似然比的临床应用

似然比(likelihood ratio)是诊断试验综合评价的理想指标,它综合了敏感度与特异度的临床意义,而且可依据试验结果的阳性或阴性,计算患病的概率,便于在诊断试验检测后,更确切地对患者作出诊断.

真阳性率越高,则阳性似然比越大.

参考文献：

1.《临床研究中统计方法的选择》，（微信公众号）临床科研与meta分析，2015-12-18

2.武松《SPSS中级统计实战教程》之《医学统计方法选择秘籍（5秒判读法）》（丁香园公开课）,2018-3-6

3.鸡小贩.临床科研中如何选择统计学方法（PPT）.百度文库.2014-3-13

血型速配的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于血型配对数据统计、血型速配的信息别忘了在本站进行查找哦。