当P值<0.001，差异极显著？
当P值<0.05时，我们可以下结论说，组间的差异有统计学意义了。有些研究者在报告类似结果（P<0.05）时，用差异具有显著性这个表述。显著性（significant）这个词，很多时候可能会产生歧义，比如P<0.01非常显著，P<0.001极显著，等等。读者在看到显著这个用词时，往往会联想到差异显著，也就是差异很大的意思。但实际上，P值非常小，组间的差异不一定大，也可能是样本
当数据选择了沉默：P>0.05 - 结论、原因与对策
不仅仅是医学研究生和研究者，即使是我这样的统计工作者，绝大多数情况下，P值≤0.05，都是一个让人心情愉悦、浑身舒畅的结果：欧耶，“显著”！但是科研与生活无异。“不如意事常八九，可与人言无二三”。很多时候我们的数据不争气，在我们翘首企盼阳性结果时，她却选择了沉默，给了我们一个无言的结局：P>0.05。所以，作为一名科研人，学会正确面对这种“不如意事”：理解这沉默背后的含义、成因并采取正确的对
为啥统计表中患者基数可以不同？浅谈临床试验数据集的划分
上周给博士班上完课，有同学问了一个问题：写论文时，不同统计表中的患者例数（基数）是否可以不同？结论：当然可以，比如下面这两个出自同一研究的统计表。简单来说：不同的统计分析过程有不同的目的。比如我们分析患者在研究期间发生的不良事件情况，目的是安全性评价，而对比有效率的高低，目的是疗效评价。所以从实践角度，我们在同一个临床试验中得到的数据，为了分析疗效和安全性，会分为疗效和安全性两个数据集。根据ICH
浅谈检验效能与样本量的关系
先明确概念，检验效能（Power）是指当备择假设为真时，拒绝原假设的概率。举例：想证明新药有效（而且确实有效，只是尚未被证实），统计上做这个证明的过程，是先假设新药无效，这个假设就叫原假设，用{$H_0$}表示；而“新药有效”即为备择假设，用{$H_1$}表示。如果统计分析（假设检验方法），能够证明{$H_0$}为假（注意：不是绝对的，是基于一定概率做出的这个推断），就能证明{$H_1$}为真（即
安慰剂对照？其实没那么简单
在新药研究中，都说RCT是临床试验金标准，而对照（Control）又以安慰剂（Placebo）对照为首选，但在实际操作中，因为伦理原因，很多适应症不可能只用安慰剂，如常见的心脑血管疾病、糖尿病、肿瘤等等。为了达到“与安慰剂对照”的效果，在研究设计中，常常设置一个所有患者都接受的基础治疗，在此基础上，再分别给予试验药或安慰剂。这种研究设计，严格来说不能称之为安慰剂对照，它属于复合处理对照，以A示基础
当AI开始一本正经地胡说八道
为了更新课件中的一个实例，我抛给Deepseek一个任务：16秒之后，它就给出了一个“看上去很靠谱”的实例：Deepseek不仅把实例给了我，而且还“相当专业”地进行了统计计算，给出了统计分析结果：还对结果进行了解释说明：至此，一切都perfect！然后，在我的再三追问之下，它把“原始数据集”给了我：我把数据集导入了SPSS（只为教学使用），一顿操作后发现，SPSS的分析结果与Deepseek给我
按照样本量计算结果实施研究，一定会达成研究目的吗
即使严格按照样本量计算结果确定研究规模，实施的结果也未必是达成目的。也就是样本量计算结果的可靠性，它取决于以下几个影响因素：1、在计算样本量时，所选择的把握度（Power = 1 - β ）越大（当然，所需的研究规模也越大），达成研究目的的可靠性越高；2、计算样本时所设定的试验组、对照组的效应值越准确（越接近研究中的真实情况），达成研究目的的可靠性越高；所以，不要为了减小样本量计算结果，而刻意地低
重复测量的数据，一定要使用重复测量分析方法？冒失了
当我们在研究中，遇到重复测量的数据，是否一定要使用重复测量的统计方法呢？答案当然是不一定。对于重复测量的数据，是否需要使用重复测量的统计方法，要根据研究实际和检验目的来确定，以两个降糖药（T vs C）的降糖试验为例：数据集中，FBG0W是2周导入期的初始（0天）空腹血糖水平，FBG2W是导入期末(14天)的空腹血糖水平，FBG4W、FBG6W、FBG10W、FBG14W分别是用药2周、4周、8周
还在用课本上的随机数字表进行随机化？是时候换一个不out的方法了
很多同学在论文中描述自己的随机化方法为：使用随机数字表法进行随机化；这一方法，如果真地去实施的话，其实还怪麻烦的嘞。其实利用SPSS软件中的随机数发生器，可轻松实现随机化，感兴趣的戳这：用SPSS进行简单随机化(随机分组)。如果觉得上述方法还不够简单，还有更easy的方法（仅需输入3个参数，一键生成随机数字表，可下载为word文件保存）：完全随机化（简单随机化）-在线随机化分组，这个随机化的程序，
为什么肿瘤相关试验中记录最后一次访视时间--写给临床试验行业的统计小白
很明显，这篇文章没有任何的技术性可言，写给临床试验行业的统计小白，普及一点生存分析的基本概念和基本常识。OS（overall survival），总生存时间，一般定义为从随机化（也可以是首次用药时间）至死亡的时间长度；这个指标几乎是任何肿瘤相关临床试验中都会采集的数据。所以OS（以及任何其它生存时间）的计算，肯定涉及两个时间点，一个起始时间、一个结局时间。起始时间，只要入组的受试者都会有，如随机化