1、线性模型
点击分析，一般线性模型，单变量，设置因变量和固定因子，点击确定，在结果窗口中查看线性模型的具体构建情况。
2、图表分析
点击菜单栏图形打开旧对话框，选择一种图表类型，选择简单散点图，点击定义，设置XY轴的数据列，点击确定，在输出窗口中查看图表结果。
3、回归分析
点击分析，打开回归，设置自变量和因变量数据，点击确定，在输出窗口中查看回归分析的结果。
4、直方图分析
点击图形，打开旧对话框，点击直方图，选择某一列变量，点击确定，在结果窗口中查看数据的分布趋势。
5、统计分析
点击分析，打开描述统计，进入描述，选择要分析的数据列，点击确定即可在输出窗口中查看数据的整体情况。
方差分析(Analysis of Variance，简称ANOVA)，又称“变异数分析”，是发明的，用于两个及两个以上样本均数差别的显著性检验。由于各种因素的影响，研究所得的数据呈现波动状。造成波动的原因可分成两类，一是不可控的随机因素，另一是研究中施加的对结果形成影响的可控因素。 下面我们主要从下面四个方面来解说： 实际应用 理论思想 操作过程 分析结果 一、实际应用 在科学实验中常常要探讨不同实验条件或处理方法对实验结果的影响。通常是比较不同实验条件下样本均值间的差异。 例如医学界研究几种药物对某种疾病的疗效；农业研究土壤、肥料、日照时间等因素对某种农作物产量的影响；不同化学药剂对作物害虫的杀虫效果等，都可以使用方差分析方法去解决。 方差分析主要用途： 均数差别的显著性检验 分离各有关因素并估计其对总变异的作用 分析因素间的交互作用 方差齐性检验 二、理论思想 方差分析是一种处理K(K≥3)个总体间计量变量比较方法，两个总体比较一般用T检验。用变异的思想，将总的变异 分为组间变异和组内变异，组内变异往往是个体变异导致，一般不会太大；而组间变异除了个体变异外，还有组间干预措施导致的变异，因此，认为， 如果组间的变异除以组内的变异，结果远远大于1，就有理由认为，组内的干预措施在发挥着作用 ，为了纪念Fisher，这种方法简称F检验。 根据不同的分组方法，即干预措施的添加方法不同，方差分析有着不同的类型： 单因素方差分析 用于分析 单个控制因素 取 不同水平时 因变量的均值是否存在显著差异 多因素方差分析 用于分析 两个或两个以上控制因素 是否对 不同水平下样本 的均值产生显著的影响 协方差分析 协方差分析的基本思想是将难以人为控制的因素作为协变量， 首先通过线性回归方法消除干扰因素的影响，然后进行方差分析。 协方差分析中认为因变量的变化受4个因素的影响，即控制变量的独立与交互作用、协变量的作用和随机因素的作用，协方差分析在消除了协变量的影响后再分析控制变量对观测变量的作用 多因变量方差分析 多因变量方差分析用于研究控制变量对 多个因变量 的影响 三、操作过程 方差分析前的数据条件： 可比性。 数据中各组均数本身必须具有可比性 正态性。 方差分析要求样本来源于正态分布总体，偏态分布数据不适用方差分析。 方差齐性。 方差分析要求各组间具有相同的方差，即满足方差齐性。 多因素方差分析案例： 题目：将20只大鼠随机等分为4组，每组5只，进行肌肉损伤后的缝合试验。处理由两个因素组合而成，A因素为缝合方法，分别为外膜缝合和内膜缝合，记做a1、a2；B因素为缝合后的时间，分别为缝合后1月和2月，记做b1、b2。试验结果为大鼠肌肉缝合后肌肉力度的恢复度（%）。考察缝合方法和缝合后时间对肌肉力度的恢复度是否有显著影响。 一、数据输入 二、操作步骤 进入SPSS，打开相关数据文件，选择“分析”|“一般线性模型”|“单变量”命令 选择“肌肉力度的恢复度”进入“因变量”列表框；选择“缝合方法”和“缝合后时间”进入“固定因子”列表框 设置以图形方式展现多因素之间是否存在交互作用。单击“单变量”对话框右侧的“图”按钮，弹出“单变量：轮廓图”对话框的左侧列表框中，选择“缝合后时间”进入“水平轴”编辑框，选择“缝合方法”进入“单独的线条”编辑框。然后单击“添加”按钮，设置进入“图”列表框。设置完毕后，单击“继续”按钮返回“单变量”对话框。 设置均值多重比较类型。单击“单变量”对话框右侧的”事后比较”按钮，在对话框左侧的“因子”列表框中，选择“缝合后时间”进入“下列各项的事后检验”列表框，选择“LSD”法进行比较。 设置输出到结果窗口的选项。单击“单变量”对话框右侧的“EM平均值”按钮，在“因子与因子交互”列表框中，选择“OVERALL”进入“显示下列各项的平均值”列表框；单击“单变量”对话框右侧的“选项”按钮，选中“齐性检验”复选框。设置完毕后，单击“继续”按钮返回“单变量”对话框。 其余设置采用系统默认值即可 单击“确定”按钮，等待输出结果。 四、结果分析 误差方差等同性的莱文检验表 显著性大于，因此认为各组样本来自的总体的方差相等。 方差分析表 因素缝合方法和缝合后时间的显著性分别为和，分别大于和小于显著性水平，所以缝合方法对于肌肉力度的恢复度影响不显著，而缝合后时间对于肌肉力度的恢复度影响显著；两因素交互作用的显著性为，大于显著性水平，即对肌肉力度的恢复度影响不显著。 两因素交互影响折线图 两条线近似于平行，说明两因素交互作用不显著。 分析结论： 通过多因素方差分析，可以得到如下结论。 由结果（1）可知：在本案例中各组样本来自的总体的方差相等。 由结果（2）可知：缝合方法对于肌肉力度的恢复度影响不显著，缝合后时间对于肌肉力度的恢复度影响显著，两因素的交互作用影响不显著。 结果（3）同样说明加入交互作用项后，交互作用并不显著。 综上所述，缝合方法对于肌肉力度的恢复度影响不显著，缝合后时间对于肌肉力度的恢复度影响显著，两因素的交互作用影响不显著。
缺失值的处理：缺失值是人群研究中不可避免的问题，其处理方式的差异可能在不同程度上引入偏倚，因此，详细报告数据清理过程中缺失值的处理方法有助于读者对潜在偏倚风险进行评价。例如，瑞舒伐他汀试验在统计分析部分详细说明了缺失值的填补策略，包括：将二分类结局中的缺失值视为未发生事件；将生物标志物和心电图测量中的缺失值进行多重填补（multiple imputation）；为了证明缺失值处理的合理性和填补结果的稳定性，研究还比较了多重填补与完整数据（complete-case）分析的结果。2、数据的预处理：实施统计分析之前往往需要将原始数据进行预处理，如：对连续变量进行函数转换使其更接近正态分布，基于原始数据构建衍生变量，将连续变量拆分为分类变量或将分类变量的不同类别进行合并等。医学论文应报告处理原始数据的方法及依据，瑞舒伐他汀试验即在统计分析部分描述了对血液生物标志物的对数转换。3、变量分布特征描述：确定统计分析使用的变量，并针对每一个变量的分布特征进行描述，是决定研究选用何种统计分析方法的基础。医学期刊虽然普遍对此提出要求，但作者往往套用常用方法，如：连续变量符合正态分布时，采用均数（标准差）描述，否则采用中位数（四分位间距）描述；分类变量采用频数（百分比）描述等。事实上，应根据研究设计类型、统计分析目的和数据特征选择恰当的描述方法。例如，CKB选择采用年龄、性别和地区校正的均值和率来描述人群分布特征，而非简单的报告连续变量的均数和分类变量的构成比。4、主要分析（primary analysis）：指针对研究结局的统计分析，是研究论文的核心证据。因此，医学论文应详细描述主要分析的实施过程和适用性。在试验性研究中，应明确统计分析数据集、试验效应指标、相对或绝对风险及其置信区间的计算方法、以及假设检验的方法。
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。
医学论文统计学分析的知识你可以登陆：创新医学网 创新医学网上有医学论文统计学分析视频、医学论文写作辅导范文、医学论文写作视频、医学论文写作电子书等等，统计学分析的所有信息创新医学网上有很多资料，都是可以查看的。 卫生统计在医学期刊中占有非常重要的地位。任何科研设计、实验研究都离不开统计方法，而统计方法的正确与否直接影响到论文的质量。我们在编审稿件过程中，经常遇到统计学方法使用不当等问题。 数理统计的基础是概率论，对统计分析的资料下结论的依据是小概率事件在一次试验中是不可能发生的。一般统计上习惯把概率P≤或P≤认为是小概率事件[1]。当通过假设检验（显著性检验）获得P>时，认为是大概率事件,说明在这一次试验中很可能发生，因此接受假设，认为差异无显著意义（差异不显著）。
我来帮帮你大哥风范复合化肥 大哥你也真是，咋在这做广告来了，，你看你，这题目可是关于医学论文的。你怎么做广告也不看地方。真是浪费发帖者的心血。。哎！可悲啊！
医学论文统计学分析的知识你可以登陆：创新医学网 创新医学网上有医学论文统计学分析视频、医学论文写作辅导范文、医学论文写作视频、医学论文写作电子书等等，统计学分析的所有信息创新医学网上有很多资料，都是可以查看的。 卫生统计在医学期刊中占有非常重要的地位。任何科研设计、实验研究都离不开统计方法，而统计方法的正确与否直接影响到论文的质量。我们在编审稿件过程中，经常遇到统计学方法使用不当等问题。 数理统计的基础是概率论，对统计分析的资料下结论的依据是小概率事件在一次试验中是不可能发生的。一般统计上习惯把概率P≤或P≤认为是小概率事件[1]。当通过假设检验（显著性检验）获得P>时，认为是大概率事件,说明在这一次试验中很可能发生，因此接受假设，认为差异无显著意义（差异不显著）。
我也没做过，关注一下，希望可以找到答案！
一般常用的统计检验方法有：t 检验、卡方检验、方差分析和相关回归分析。统计检验方法的选择主要依据数据的类型(计量、计数) 、组数的多少(两组、多组) 、样本量的大小以及对比的方式(相互比较、配对比较) ,此外计量数据还要考虑分布形态和方差齐性等问题。
怎样对论文进行分析
怎样对论文进行分析，有时候我们在写论文的时候，会被老师要求先去分析论文的，可是对于从来都没有分析过论文的学生来说，是一件难事的，我和大家一起来看看怎样对论文进行分析的相关资料。
01、 确定研究目标
确定研究目标，看似是一个“伪命题”，我论文的研究方向都定好了，研究目标不就显而易见了嘛。
研究方向只是一个宽泛的概念，具体落实到分析层面，具体要研究什么？得到什么结果？要用什么方法？很多时候我们并没有想清楚。
这里建议大家在开始分析前，先对着自己收集来的数据和问题，列出准备研究的内容。
还记得高中每次考试前语文老师一定会提醒：写作文的时候拿到题目先不要动笔！看清题目，想好了列出提纲再动笔！
数据分析也是如此，分析前制定一个分析框架，可以帮助我们快速捋清思路，不至于漫无目的地乱分析，同时也能节省很多时间。
当然，对于初学者来说，制定一个完整的分析框架比较困难，建议大家多参考一些领域内的专业文献，看看其他人是如何设计分析的。
SPSSAU也提供几类常见的分析框架，研究者可以结合自己的问卷类型进行选择。
SPSSAU-量表型问卷
SPSSAU-非量表型问卷
两个注意点：
① 框架的核心不要偏离研究主题，所做的任何分析都是为研究主题服务，因此一定注意避免出现与主线不相干的内容。
②在这一步中，可以先不去管具体要用哪种分析方法，如何分析。更重要的是，先搞清想分析什么。
比如，问卷调查里，一开始的几道题基本都是对研究对象个人信息的收集。
第一，可对研究对象的性别、年龄、学历等个人信息进行简单统计。
第二，可用个人信息与核心研究项联系到一起，分析不同背景的人群对核心研究项的态度或行为是否有差异。
02、 判断数据类型
有了基本框架后，就要进入到具体的分析方法选择阶段。
判断数据类型是第一步，在SPSSAU之前的文章中，对此都有详细的说明，这里不再重复。
03、 选择分析方法
在完成上面的步骤后，基本上已经完成对数据部分的了解，下面就需要结合数据类型，选择对应的分析方法。
对单个题的统计分析比较简单，主要困扰大家的是对于两个题或多个题的关系研究如何选出正确的分析方法。
变量的关系最常见有：相关关系、影响关系、差异关系，及其他关系。
SPSSAU的建议是：先用一句话描述研究内容，话里面拆开成X和Y：然后结合X与Y的数据类型进行选择。
根据X和Y的'个数，以及方法功能，分成几个表格汇总如下：
注：单变量意为分析只涉及一个分析项X（变量）。
注：分析涉及1个自变量X和一个因变量Y。
每种方法的使用场景不是固定不变的，这里的只提供最常用的说明，帮助初学者快速了解，更深入的方法介绍请参考SPSSAU帮助手册说明，以及SPSSAU视频教程。
确定方法之后，可使用spssau系统进行分析，分析界面也是区分了X、Y。将标题放置到对应位置即可分析得出结果。
总结
最后我们再回顾一遍整个方法选择的流程：
选择分析框架→判断变量的数据类型→表格查找分析方法→开始分析
同时要提醒一点，在分析前要有意识的剔除无效数据（如一个人重复填写，明显的异常值等），以保证结果的准确性。
1、什么是论文分析
我们在分析论文前，首先要了解分析的含义，分析是分解文学作品，独立解决每个观点。当我们分析一篇论文时，主要目标是要确保用户在没有太多争议的情况下来获得主要观点。在分析论文时展现批判性的思维能力，在分析中必须要对某一些事情作出判断，然后得出结论，只有这样在完成论文后才能说服用户已经读过该篇论文。
2、分析论文的要点
总结论文的主要内容，刚开始写论文分析时，我们要对论文中的要点进行一个总结，让大家能够理解论文的全部内容。摘要是作为论文大纲的概述，但不是主要的分析点，只是用来指导用户简要理解论文的内容。作者在论文中提出的主要论点以及论据，这才是分析的开始，我们需要通过分析作品来给出证据来证明论文内容，还应该找出缺陷。因为只有越有说服力的论文内容，这样才更加突出。论文查重系统怎么进行选择？
3、论文分析格式
最后我们需要了解，用户要提出适合他们的语气，必须确保了解用户群体。毕业论文主要的用户是导师，所以必须很正式。在上课时，我们可以分析一篇论文，需要向了解用户群体将有助于了解如何分析论文。在写论文之前，那么首先的一个步骤就是要阅读分析论文，应该多次阅读，然后积累我们的知识，如果对论文的理解不够的话，那么就无法对论文进行分析。所以做好论文前的准备工作也是非常重要的。
绝大多数的论文撰写,均需通过一定数量临床病例(或资料)的观察,研究事物间的相互关系,以探讨客观存在的新规律。如确定新诊断、新治疗等措施是否优于原沿用的方法,就需进行两种方法比较,这就涉及统计处理;统计设计又是整个课题研究设计中一个重要的组成部分。显然,经正确统计处理的结果可信度高,论文的质量也高。
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。
刚在那个什么 创新医学网 上看见过 医学论文 写作辅导的文章 这个知道是不是 你要的答案 统计资料的显著性检验(significant test)方法的选择是医学论文中常常遇见的问题，退稿原因中常有显著性检验方法选择不当。如t检验、u检验、χ2检验等，虽然各有其应用范围和要求，但也其共同之处。作者可根据统计资料的类型，选择一种或几种检验方法。但当作者在获得一组、两组或两组以上的数据资料时，选择何种显著性检验，是至关重要的问题。不同的资料类型其统计指标、统计检验的方法是不同的，见表1。 医学生物研究中，许多指标都是服从正态分布(u分布)的，而随着样本含量加大或自由度增大，t分布、χ2分布、F分布都趋向于正态分布见图1、图2。 在《中华创伤杂志》第12卷1～6期和增刊中文章所涉及的统计方法(表2)，表明了正态分布的广泛性、常见性。 故当作者获得数据资料后，首先应进行正态性检眩�范ㄊ欠为标准正态分布(或近似正态分布)或不属于正态分布。笔者首先推荐概率单位法。 当统计资料属于正态分布或近似正态分布时，差异显著性检验方法的选裕�诜合其应用条件下，一般可按表3进行选择。 显著性检验应用时的主要注意事项：(1)率值或均值在进行显著性检验前，应注意样本的代表性和可比性。(2)检验结果接近显著性界限时：要多方面考虑，是否确实不存在差异；或是观察例数不够，而需加大样本例剩换是检验公式运用不当，可用其他检验印证。(3)多个样本比例数的χ2检验，差异显著性，只能说明多组比例数不同或不完全相同，而不能确定哪个比例数不同，要进一步进行显著性检验才能了解两个样本比例数是否构成相同。表1 一般情况下不同资料的统计指标与检验方法的关系资料类型 统计指标 统计检验方法 计量资料 均数、标准差 t检验、F检验等 计数资料 率、构成比 χ2检验等 半定量资料 率、构成比 秩和检验、Ridit分析表2 《中华创伤杂志》第12卷1～6期、 增刊显著性检验方法使用频数检验方法 应用次数 检验方法 应用次数 t检验 27 直线相关与回归分析 5 χ2检验 16 拟合线性回归 1 F检验 24 相关分析 6 Q检验 2 非参数统计 4 u检验 1 未注明方法 6表3 常用显著性检验方法的选择统计资料比较类型 显著性检验 小样本均数与总体均数相比较 t检验 小样本均数相比较 t检验、F检验 两个或多个大样本均数与 总体均数相比较 u检验、t检验 大样本均数相比较 u检验、t检验 配对计量资料 配对t检验 两个率的比较 u检验、χ2检验 多个样本率的的比较 χ2检验 配对计数资料两种属性的 相关分析及其差别的比较 χ2检验
医学检验研究的是人体复杂的各种生理和病理指标，更必须加强与临床相关科室的密合作才能得到成功。在建立合作关系时要注意解决的问题是；(1)选准临床迫切需要解决的课题，做好设计和规埘；(2)选好合作对象；(3)共同完善风险同负、利益共享的双赢机制。本刊期待着在新一届编委会的领导下，能有更多的紧密结合临床实际的优秀论文奉献给广大读者!
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。
一般常用的统计检验方法有：t 检验、卡方检验、方差分析和相关回归分析。统计检验方法的选择主要依据数据的类型(计量、计数) 、组数的多少(两组、多组) 、样本量的大小以及对比的方式(相互比较、配对比较) ,此外计量数据还要考虑分布形态和方差齐性等问题。