摘要统计量t检验与方差分析

所属分类：差异性分析

这个方法是做什么的

很多时候手上没有原始数据，只有论文表格里的一行行“均值 ± 标准差（n）”。这个模块就用这三列数字做检验：每一行代表一个组，两行时做两样本 t 检验（同时给出 Student 与 Welch 两个版本），三行及以上时做单因素方差分析，同时给出经典 F、Welch F 和 Brown-Forsythe F，并用 Tukey-Kramer 做两两比较；也可以切换成“各组分别与检验值比较”，逐行做单样本 t 检验并按 Holm 法校正。

均值、标准差和样本量恰好是这些检验的充分统计量，所以由摘要数据重建出来的方差分析表、t 值和 p 值，与拿原始数据计算的结果完全相同。方差齐性用 Bartlett 检验（它只需要各组方差和样本量）；Bartlett 显著时，结论自动改以 Welch 检验为准，方差分析还会补一张 Games-Howell 两两比较表。

需要准备什么数据

• 放入组名(可选)（可选）：0~1 个
• 放入[定量]均值：1 个，定量变量（数值）
• 放入[定量]标准差/标准误：1 个，定量变量（数值）
• 放入[定量]样本量：1 个，定量变量（数值）

数据要求

• 数据表至少 2 行。
• 单列缺失率不超过 50%。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 复核一篇论文报告的组间比较结果，看 p 值和统计量是否算对
• 二次分析或综述中，把几篇文献报告的分组数据放在一起比较
• 只有汇总报表（各科室、各批次的均值、标准差、人数），拿不到个体数据
• 检验文献报告的各组均值是否偏离某个参考值（单样本模式，检验值在控件里填）

使用前务必确认离散度那一列是标准差还是标准误。很多论文报告的是“均值 ± 标准误”，控件“离散度列的含义”选错，检验统计量会被放大或缩小 √n 倍。

什么时候不要用它

• 能拿到原始数据：直接用「独立样本T检验」或「单因素方差分析」，它们还能检查正态性、异常值和分布形态，摘要数据做不到这些。
• 数据是配对或重复测量：两次测量的均值和标准差不够用，还需要差值的标准差，请拿原始数据用「配对样本T检验」。
• 要把多篇研究的效应合并成一个总估计：这是 Meta 分析的问题，两组比较用「连续效应Meta(MD/SMD)」，单组均值用「单组均值Meta」。
• 各组是率而不是均值：用「Z检验与率的检验」的摘要输入方式，填事件数与样本量。

容易误读的地方

• 摘要数据无法检验正态性。 报告卡①把这一行直接标成“无法由摘要数据检验”，并没有假装做过。若原文数据明显偏态（例如住院天数、费用），均值和标准差本身就不是好的描述，检验结果也要打折扣。
• Bartlett 检验对非正态很敏感。 它不是 Levene 检验的替代品，非正态时容易误报方差不齐。所以卡①还给出最大方差与最小方差之比作为直观参照，经验上超过 4 才算明显不齐；两者冲突时，应结合原文描述判断。
• 舍入会带来误差。 原文均值和标准差若只保留一位小数，重建的统计量会和原文有出入，样本量越大出入越明显。复核文献时出现小幅差异不一定是原文算错，先排除舍入的影响。
• Tukey-Kramer 假定方差齐。 方差不齐时，以 Games-Howell 表为准；两张表结论不一致时，不要挑对自己有利的那张报告。
• 单样本模式会同时做多次检验。 每一行都与检验值比较一次，所以报告给出 Holm 校正后的 p；写结论时请引用校正后的值，而不是未校正的那一列。
• 组名要唯一。 每一行代表一个独立的组，组名重复时模块会拒绝运行；同一篇论文里分性别、分年龄段报告的数据，要先确认这些行之间确实互相独立、没有同一批人被重复计入。
• 两组时 Student 与 Welch 的结论可能不同。 报告把两种 t 检验都列出，并按方差齐性选择结论依据；不要在看到结果之后挑选更显著的那一个。样本量相差悬殊且方差不齐时，两者差别最大，此时 Welch 的结论更可靠。
• 效应量同样要报告。 两组比较时卡④给出 Cohen's d 及其置信区间，多组比较时给出 η² 与 ω²；只报告 p 值会让读者无法判断差异的实际大小。
• 复核文献时把差异写清楚。 若重建的统计量与原文明显不一致，先排除标准差与标准误混淆、样本量取的是随机化人数还是分析人数等常见原因，再在报告中如实说明差异及可能的来源。

报告里有什么

1. 输出结果一：数据概览与前提检验
2. 输出结果二：主结果表
3. 输出结果三：各组均值与 95% 置信区间
4. 输出结果四：效应量与事后分析
5. 输出结果五：结论与学术表述