非劣效临床试验的样本量计算, 检验水准α到底选择0.05还是0.025
这个问题本来也没什么可说的，因为将近10年前，导师执笔的专家共识中已经明确：2016年FDA发布的指南当中也有相关的描述，和上述论文中给出的实践标准一致。可是近些年有一些其他作者，也包括一些国外的SCI论文中，对于非劣效临床试验的样本量计算问题，在实际举例时，采用了α=0.05的设定（其实是双侧），这就给人一种错觉，好像我们可以将传统假设检验0.05的水准，原封不动地应用于非劣效试验。对于非劣效的
相关分析和回归分析的区别？
网上很多文章，讲得过于复杂，甚至有些内容都是错的。这里简单概括下相关分析和回归分析的本质区别：相关分析的两个或多个变量之间，不需要因果关系（可以有也可以无，有的话也无需区分谁是“因”谁是“果”），而回归分析，需要事先确定变量当中谁是“因”谁是“果”，即需要确定的因果关系。另外（感兴趣的可以继续），对于两者的分析结果：相关分析，从变量间数量上共变的关系去阐述结果；而回归分析，是从自变量如何影响应变量
从检验效能角度说说统计推断下结论的方式
对于数据的正态性检验，方差齐性检验，还有重复测量方差分析中的球形性检验，如果P>0.05，则我们就认为满足正态性、方差齐性和球形性假定（也就是接受了H0），但是，为什么进行差异性检验，P>0.05时我们没有接受H0，即没有作出无差异的推断呢？统计推断就像是法官判案，对于正态性检验、方差齐性检验以及球形性检验，适用了“疑罪从无”的原则，也就是P>0.05时（证据不足）接受了原假设，
从美国CDC网站下载NHANES数据并进行整合
为了制作一个方差分析相关的课件，去美国CDC网站下载了几个数据集并进行了整合。过程很简单，记录如下：因为要用到糖化血红蛋白检测结果以及人种、年龄、是否糖尿病患者等数据，所以要下载3个数据集：先进入站点：NHANES Questionnaires, Datasets, and Related Documentation (cdc.gov)选择一个比较近的年份 NHANES 2017-2018：下载列
今天聊聊数据的分布
对任何数据的统计分析，都是从统计描述开始的。而数据的分布情况，是统计描述最基本最核心的内容。什么是数据的分布统计上的分布，与位置（location）和频数（frequency）有关；在一个坐标系中，数据在不同位置上往往具有不同的频数，数据的分布就是用来描述这个特征的。比如，男性和女性（某研究中定期进行锻炼的研究对象）的体重指数（计量资料）分布：体重指数（计量资料）分布再比如，在UCLA的演示数据集