数据准备
统计概念学习。
(1)当观测值为奇数时，(n+1)/2位置的观测值即为中位数。
(2)当观测值个数为偶数时，n/2和n/2 + 1位置的两个观测值的平均数为中位数。
数据的标准化 数据的标准化是指将数据按照比例缩放，使之落入一个特定的区间。 数据的中心化：数据集中的各项数据减去数据集的均值。 中心化公式： 数据的标准化：中心化之后的数据再除以数据集的标准差，即数据集中的各项数据减去数据集的均值再除以数据集的标准差。经过该方法处理的数据的均值是0，标准差是1。 标准化公式： 其中，x为观测者， 为平均值，S为标准差。
scale(x, center = TRUE, scale = TRUE) x：用于标准化的数据， center=T：表示数据中心化， scale=T：表示数据标准化。 默认情况下，center=TRUE，scale=TRUE，scale()函数首先把一组数的每个数都减去这组数的平均值，然后除以这组数的均方根。 如果scale=TRUE，而center=FALSE，那么，scale()函数不会把一组数中的每个数减去平均值，而直接除以这组数据的均方根。
参考资料：
R语言-统计学 描述性统计描述定量数据的数值方法：中心趋势度量 变异的度量 相对位置的度量。1.中心趋势度量 ： 算数平均 中位数 众数 在R中计算平均数的函数 mean( )常规的mean() 函数用法 mean(x, trim = 0, = FALSE, ...) 参数说明： x 对象名称trim 过滤掉异常值 ，按照距离平均值的远近距离排除，如对象中含有10个数据，排除最高和最低值，trim= 默认为F 表示是否计入空值实例1： 做一个稍微复杂点的操作，用r做数据透视表并把结果转换为matrix ，对行列求和。(仅娱乐，无实用价值) demo <- mtcars[1:6,] # 调用R自带函数集，并去前6行 toushi <- aggregate(mtcars[,5:6] ,by = list(cyl = mtcars$cyl),sum) # 数据透视表求和 toushi <- (toushi) # 将结果的数据框转化成矩阵 #(toushi <- apply(toushi,c(1,2),sum)) (rowSums(toushi)) # 行求和 (colSums(toushi)) # 列求和 toushi <- rbind(toushi,rowSums(toushi)) #将行求和结果并入最后一行 toushi <- cbind(toushi,colSums(toushi)) #将列求和结果并入最后一列 中位数和众数 对于偏度极大的数据集，中位数能更好的描述数据分布的中心。 很少用众数作为数据数据趋势的度量，只有当对y出现的相对频率感兴趣时，才会考虑到众数。 R实现中位数 ： median(x, = FALSE) R中没有直接插找众数的命令 (table(x))2.变异的度量 ： 极差 方差 标准差 .极差 = max（）- min（） 方差和标准差 对一个有n个测量值的有限总体来说，方差计算公式的分母为n。关于样本方差和总体方差分母的差异原因，可自行百度搜索。 R语言计算方差的函数： var(x,) w<-c() var(w) # 附加指数点：标准差的两个有用法则：经验法则 和 切比雪夫法则，共同说明一个问题，对于任意大于1的正数k，至少有（1-1/k^2）的测试值落在平均值的k个标准值范围内。3.变异的度量 ： 百分位数 Z得分 .最常见的四分位数（一般从大到小） quantile(x, probs = seq(0, 1, ), = FALSE,names = TRUE, type = 7, ...)
秋风送爽，也给我们送来了刘岭教授的统计说说第五期。这一期的统计学方法之选择大家一定要认真学起来，说不定马上你就会用到了。编者语针对常用的基本统计学方法，一般而言说的就是t检验、单因素方差分析和卡方检验，这也是大家在写论文、阅读论文时经常遇到的统计学方法（几乎每篇文章都会涉及这一种或几种方法），那到底该采用何种统计学方法呢？今天我们就此来聊聊。一、拿到数据开始分析之前，一定要进行数据类型的划分（图1），因为不同数据类型资料，描述的方式不一样，统计学方法也不一样。图1 统计资料的类型举个例子（表1）：表1 某地2002年735例65岁以上老年人健康检查记录二、各种类型资料的统计分析（描述与统计推断）1.计量资料特点：每个观察单位的观察值之间有量的区别，有单位；描述形式：最常见采用“X±S”（一般文献中经常见到），用算数均数描述其平均水平，用标准差描述其离散程度。如果遇到数据“特别变态”（特别是标准差大于算数均数），就采用Md(P25,P75)（Md为中位数，P25和P75为四分位数）（表2）。正态分布检验请大家复习：医学科研课堂丨统计说说（三）：你所应该了解的正态、方差齐性检验表2 计量资料常用统计指标的特点及其应用场合统计推断方法：一般分为单因素和多因素两种。单因素分析方法分析要点：一是划清数据类型（计量资料）；二是明确试验设计类型（完全随机设计？几组样本？）；三是注意所用方法的应用条件；四是满足正态方差齐性时采用t检验（注意t检验有三种形式哦！）或单因素方差分析，不满足时采用秩和检验（图2）。图2 计量资料统计方法的正确选择提醒两点：① 如果样本数据不服从正态分布的话，那就只能用非参数检验（秩和检验），但其检验效能低于参数检验（t检验或方差分析）。所谓检验效能低就是本身有差异，却没有能力发现其差异。② 如果是两组以上样本的数据时，不能采用t检验（会导致假阳性错误概率增加），应该采用方差分析。若方差分析的P<，需再进一步两两比较，常用的方法为LSD法或SNK法（注意依旧不能采用t检验）。在上两讲内容中我们已经学过t检验（医学科研课堂丨统计说说（二）：你的t检验做对了吗？）和方差分析（医学科研课堂丨统计说说（四）：统计学方法之灵魂—方差分析）了，至于秩和检验，我们以后会逐步介绍滴。多因素分析一般采用回归分析，主要是线性回归分析，以后会给大家介绍此方法。2.计数资料特点：无序分类，同类别中各观察单位之间没有量的差别，但各类别间有质的不同，各类别互不相容。其中二分类一定是计数资料（例如性别只有男/女之分，是否继发某种疾病只有继发/未继发之分），而多分类满足分类在性质上没有程度等级上的差别，即为计数资料（例如婚姻状况包括未婚、已婚、离异、丧偶，就属于多分类，但各分类没有程度等级差别，因此为计数资料，尿糖定性检测结果包括-、+、++、+++、++++，属于具有程度等级差别的多分类资料，就不属于计数资料，属于等级资料了）。描述形式：最常见采用“例数（%）”（一般文献中经常见到），主要要分清构成比（结构相对数）和率（强度相对数）的差别（表3）。而且在应用时，分母（就是样本量啦）一般不宜过小，分母太小不足以反映数据的客观事实，也不稳定。表3 计数资料常用统计指标的特点及其应用场合比如说：1.某地肺癌患者中男性A例，女性B例，则当地肺癌患者的性别比为A/B就是“比”。2.某次研究共检出了致病菌3种，总株数为A+B+C，其中一种致病菌检出株数为A，那么A/（A+B+C）就是构成比，即该种致病菌占总致病菌的比重或分布。3.某研究对患者（总例数为B）进行治疗，结果治愈的患者例数为A，则A/B即为率（可以理解为治愈率）。统计推断方法：一般分为单因素和多因素两种。单因素分析方法分析要点：一是划清数据类型（计数资料）；二是明确试验设计类型（完全随机设计？几组样本？）；三是注意所用方法的应用条件；四是多样本率比较，若卡方检验的P<，需再进一步两两比较，并进行Bonferroni校正，以控制假阳性（图3）。图3 计数资料统计方法的正确选择提醒两点：① 构成比是以100作为基数，各构成部分所占的比重之和必须为100%，故某组成部分所占比重的增减必影响其它组成部分的比重；② 构成比和率在实际应用时容易混淆，主要区别在分母上，所以应正确选择分母。多因素分析一般采用回归分析，主要是Logistic回归分析，以后会给大家介绍此方法。3.等级资料特点：属于多分类资料，满足多分类在性质上有程度等级上的差别，各分类属性按一定顺序排列（有序），即为等级资料。描述形式：最常见采用“例数（%）”（一般文献中经常见到），这和计数资料的描述大体相同，主要区别在于多个分类排列时一定要按照顺序进行（从小到大或从弱到强）。统计推断方法：等级资料的统计分析方法在单因素分析中采用非参数检验（秩和检验），当然对于双向有序R×C资料，也就说分组变量和结局变量都是有序（等级）的情况，构成比的比较采用卡方检验，程度的比较采用秩和检验，趋势关联性的比较用秩相关（也称等级相关）。多因素分析中采用有序Logistic回归。注意：分类变量（计数资料和等级资料）在软件分析操作时，要适当数量化处理（赋值），赋值情况会直接影响统计分析结果的解释。最后用下面这张图来总结基本统计学方法的选择（图4）。图4 常用基本统计学方法的正确选择今天的内容就到这里，同学们多多复习，有什么问题和不懂的可以在下面留言，我们会请刘岭教授一一解答。好了，让我们期待下一期吧！撰稿：刘岭 约稿编辑：刘芹排版：毕丽 审核：王东专家简介刘岭：陆军军医大学卫生统计学教研室副教授，主要从事卫生统计学教学、科研工作。担任中华卫生信息学会第八届统计理论与方法专业委员会委员，重庆市预防医学卫生统计专业委员会副主任委员，并担任《第三军医大学学报》等多家杂志的编委、统计审稿专家。历史推荐医学科研课堂丨统计说说（四）：统计学方法之灵魂—方差分析 医学科研课堂丨统计说说（三）：你所应该了解的正态、方差齐性检验 医学科研课堂丨统计说说（二）：你的t检验做对了吗？ 医学科研课堂丨统计说说（一）：样本量估算是个什么东东？
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。
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。
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。
随着信息时代的发展，社会各领域都存在大量的数据和信息需要人们收集和处理，在医学这一特殊领域中，大量的临床数据资料和医学科研中的实验数据等各种数据信息都需要进行科学的统计与分析，才能得到正确的统计分析结果和科学的结论。因此，对医学数据信息的采集、存储、整理和统计分析这一系列处理过程就显得非常重要，而SPSS正是一款能够进行数据信息处理的、功能强大的统计分析软件。SPSS（StatisticalPrOductandSe而ceSOlution）是世界上著名的统计分析软件之一，具有界面友好、操作简便易学、统计功能强大等特点，广泛应用于社会科学和自然科学的各个领域。本书从医学统计实际应用角度出发，针对临床医务人员及医学科研人员在工作中经常遇到的医学统计学问题，详细介绍了sF’SS软件在医学数据统计分析中的具体使用方法，包括根据实际问题选择合适的统计方法、多种统计方法的软件操作步骤及对统计分析结果的医学解释等内容。本书具有内容充实、语言简练、图文并茂、深入浅出等特点，具有很强的实用性和参考价值。本书适用于医学高等院校相关专业的师生、医疗系统科研人员及医务工作者等，特别适合作为医学类本科生、研究生的辅助教材或医务工作者的培训教材和继续教育用书。建议读者应具备一定的医学统计知识基础，以便更好地利用SPSS的强大统计分析功能。本书基于版本编写，全书共分13章，通过大量医学统计具体案例详细介绍了在SPSS软件系统环境下医学统计分析中常用方法的具体操作步骤。各章节的主要内容如下。第1章为概述部分，概括介绍SPSS软件特点及界面。第2章主要介绍了sPSS软件中数据文件的建立、编辑及处理方法。第3～12章为本书的核心部分，主要介绍SPSS中常用的统计功能模块在医学统计应用中的具体操作步骤，其中包括Frequencies、Descriptives、Explore三种基本统计分析方法和t检验、方差分析、协方差分析、卡方检验、秩和检验、相关与回归分析、Logistic回归分析、生存分析及聚类分析与判别分析等统计方法。第13章介绍了统计图的制作与编辑方法。书中实例的数据文件可通过出版社网站下载获得。本书采用图文并茂的方式，重点突出实用性，力求为从事医务工作的读者提供一本简明易懂且非常切合实际需要的工具书，能够帮助读者迅速掌握统计软件SPSS在医学统计方面的应用方法。本书由孔晓荣、张星光主编，在编写过程中参阅了大量的相关参考文献，还参阅了近年来国内医学统计学文献，在此向相关作者表示衷心的感谢。由于编者水平有限，书中难免有疏漏与不足之处，还望读者提出宝贵意见，批评指正，以利提高。编者2009年8月
1、首先我们打开是SPSS分析软件，打开软件之后就是一个空白的表格，我们也可以添加本地的数据和数据表格。
2、打开软件之后，我们首先可以看到是数据视图，数据视图是由一个一个的变量组成。
3、接着我们来看变量视图，变量视图是对变量进行一个一个的控制，控制的类型包括名称，宽度，小数，标签等变量规定。
4、要想做数据分析，首先我们需要定义变量，这里小编定义了三个变量姓名，性别和体育成绩这三个变量。姓名变量，每个人都有一个不同的姓名，我们选择字符型数据即可，
5、接着设置性别变量和体育成绩变量，性别变量，0代表女性，1代表男性。而体育成绩我们选择数值型数据。
6、设置好变量之后，我们输入几列数据。每一组数据包括姓名，性别，性别代码和体育成绩，我们写九个数据即可。
7、设置好数据之后，我们选中所有数据，点击上方的分析-非参数检验-卡方检验。检验性别和体育成绩之间的关系。
8、经过检验，软件输出卡方检验的结果。经过卡方分析，性别和体育成绩不是独立关系。性别影响体育成绩。
方法：
1、首先，打开一组数据，没有数据的统计就像没有水的鱼，统计不了，不过，也可以自己建立一组数据。
2、数据打开或者新建力之后，就可以开始求数据中的均值了。打开分析，比较均值，找到均值并且单击打开。
3、打开之后会看到一个均值的窗口，里面就是我们自定义设定的均值以及比较方式。
4、根据本经验打开的数据，我的设定如下。
5、然后打开选项，找到需要比较的类型，均值是其中的一项，还可以自定义选择其它的项进行比较
6、全部设定好之后，直接单击确定获得均值比较。
7、上述操作获得的均值以及比较结果如下所示，一目了然。
r语言在生物医学领域的应用如下：
R语言在医学科学研究中应用广泛，典型的应用包括：机器学习技术可以帮助研究人员构建和改进机器学习模型，建立影响治疗效果的变量；统计学分析可以帮助研究人员确认实验结果是有意义的或不可信的；R语言支持高级图形，可以帮助研究人员清楚地表达结果。
此外，R语言还提供数据预处理、建模和分析的工具和框架，从而使得研究者能够更有效地运用自己的精力和时间，以更快的速度完成研究。
总的来说，R语言是一种实用的软件，可以帮助研究人员快速进行医学研究，从而更快地获得结果。R语言的优势在于涵盖的范围较广，提供的功能较强，可扩展性强，而且可以免费使用。因此，建议研究人员在研究过程中尽可能多地使用R语言，以更好地实现研究目标。
我们日常所说的R语言，R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。R是统计领域广泛使用的诞生于1980年左右的S语言的一个分支。可以认为R是S语言的一种实现。
医学生有必要学r语言。
R语言是用于统计分析、绘图的语言和操作环境。R是一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
诸位大概都知道，统计分析领域常用的语言包括SPSS、SAS、Stata，因素，它们统称为统计分析软件。R语言也是一种数据分析工具。
R是统计领域广泛使用的诞生于1980年左右的S语言的一个分支。可以认为R是S语言的一种交互式实现。
它是完全免费,开放源代码的。可以在它的网站及其镜像中下载任何有关的安装程序、源代码、程序包及其源代码、文档资料。
R是一种可编程的语言。作为一个开放的统计编程环境,语法通俗易懂,很容易学会和掌握语言的语法。
R语言其实就是一种环境平台。它提供平台，而统计分析研究和计算机研究人员可以将各自通过编程形成的统计分析方法以打包（package）的方式放在R语言平台上，供一般的统计分析者直接使用。
我们可以不懂统计分析原理，但是我们可以通过写一句命令就可以让软件调用统计分析包帮我执行某一个统计分析。
R语言的开放性， 它的更新速度比一般统计软件,如,SPSS,SAS等快得多。最新的统计分析方法，最复杂的方法都能在R语言上发现。
由于它比SPSS、SAS、Stata，注重于编程，相对来说学习起来具有一定难度，但它属于傻瓜式的编程。你能想到的所有统计相关的工作，R都可以非常简洁的用几行命令帮你完成。
这要看你的数据量，如果巨大，可能是要用SPSS。如果数据量不是很大，EXCEL也是可以的，只是要自己运用函数额处理。
excel只能做简单的数据处理，稍微难度些的建模分析，则需要用spss或者r等，一般毕业设计中都是不承认excel的吧
1、内容不同：《R语言医学数据分析实战》主要关注医学数据的分析和处理，包括数据清洗、数据探索、统计分析和可视化等方面；而《R语言实战》包括更广泛的应用领域，如金融、市场营销、社交网络等，涉及的内容也更加丰富。2、着眼点不同：《R语言医学数据分析实战》更注重医学领域的数据应用，着重介绍了医学研究中常用的数据分析方法，包括生存分析、均值比较、分类器建模等；而《R语言实战》则更着重于解决实际问题，着重介绍了R语言在各个领域中的应用方法和技巧。