護理的統計學方法
統計方法的內容非常豐富，統計方法很多，但每種方法都有其適用條件。下面就是小編整理的護理的統計學方法，一起來看一下吧。
一、 兩組或多組計量資料的比較
1 兩組資料：
1.1大樣本資料或服從正態分布的小樣本資料
(1) 若方差齊性，則作 成組t檢驗。
(2) 若方差不齊，則作 t’檢驗或用成組的Wilcoxon秩和檢驗。
1.2小樣本偏態分布資料，則用成組的Wilcoxon秩和檢驗。
2 多組資料：
2.1若大樣本資料或服從正態分布，并且方差齊性，則作 完全隨機的方差分析。如果方差分析的統計檢驗為有統計學意義，則進一步作統計分析：選擇合適的方法（如：LSD檢驗，Bonferroni檢驗等）進行兩兩比較。
2.2如果小樣本的偏態分布資料或方差不齊，則作Kruskal Wallis的統計檢驗。如果Kruskal Wallis的統計檢驗為有統計學意義，則進一步作統計分析：選擇合適的方法（如：用成組的Wilcoxon秩和檢驗，但用Bonferroni方法校正P值等）進行兩兩比較。
二、 分類資料的統計分析
1單樣本資料與總體比較
1.1二分類資料：
(1)小樣本時：用二項分布進行確切概率法檢驗；
(2)大樣本時：用U檢驗。
1.2多分類資料：用Pearson c2檢驗（又稱擬合優度檢驗）。
2 四格表資料
2.1 n>40并且所以理論數大于5，則用Pearson c2。
2.2 n>40并且所以理論數大于1并且至少存在一個理論數<5，則用校正 c2或用Fisher’s 確切概率法檢驗。
2.3 n￡40或存在理論數<1，則用Fisher’s 檢驗。
三、 兩個變量之間的關聯性分析
1 兩個變量均為連續型變量
1.1 小樣本并且兩個變量服從雙正態分布，則用Pearson相關系數做統計分析。
1.2 大樣本或兩個變量不服從雙正態分布，則用Spearman相關系數進行統計分析。
2 兩個變量均為有序分類變量，可以用Spearman相關系數進行統計分析。
3 一個變量為有序分類變量，另一個變量為連續型變量，可以用Spearman相關系數進行統計分析。
四、 回歸分析
1 直線回歸：如果回歸分析中的殘差服從正態分布（大樣本時無需正態性），殘差與自變量無趨勢變化，則直線回歸（單個自變量的線性回歸，稱為簡單回歸），否則應作適當的變換，使其滿足上述條件。
2 多重線性回歸：應變量（Y）為連續型變量（即計量資料），自變量（X1，X2，…，Xp）可以為連續型變量、有序分類變量或二分類變量。如果回歸分析中的殘差服從正態分布（大樣本時無需正態性），殘差與自變量無趨勢變化，可以作多重線性回歸。
2.1觀察性研究：可以用逐步線性回歸尋找（擬）主要的影響因素
2.2實驗性研究：在保持主要研究因素變量（干預變量）外，可以適當地引入一些其它可能的.混雜因素變量，以校正這些混雜因素對結果的混雜作用
3 二分類的Logistic回歸：應變量為二分類變量，自變量（X1，X2，…，Xp）可以為連續型變量、有序分類變量或二分類變量。
3.1 非配對的情況：用非條件Logistic回歸
(1)觀察性研究：可以用逐步線性回歸尋找（擬）主要的影響因素。
(2)實驗性研究：在保持主要研究因素變量（干預變量）外，可以適當地引入一些其它可能的混雜因素變量，以校正這些混雜因素對結果的混雜作用。
3.2配對的情況：用條件Logistic回歸
(1)觀察性研究：可以用逐步線性回歸尋找（擬）主要的影響因素。
(2)實驗性研究：在保持主要研究因素變量（干預變量）外，可以適當地引入一些其它可能的混雜因素變量，以校正這些混雜因素對結果的混雜作用。
4 有序多分類有序的Logistic回歸：應變量為有序多分類變量，自變量（X1，X2，…，Xp）可以為連續型變量、有序分類變量或二分類變量。
(1)觀察性研究：可以用逐步線性回歸尋找（擬）主要的影響因素。
(2)實驗性研究：在保持主要研究因素變量（干預變量）外，可以適當地引入一些其它可能的混雜因素變量，以校正這些混雜因素對結果的混雜作用。
5 無序多分類有序的Logistic回歸：應變量為無序多分類變量，自變量（X1，X2，…，Xp）可以為連續型變量、有序分類變量或二分類變量。
(1)觀察性研究：可以用逐步線性回歸尋找（擬）主要的影響因素。
(2)實驗性研究：在保持主要研究因素變量（干預變量）外，可以適當地引入一些其它可能的混雜因素變量，以校正這些混雜因素對結果的混雜作用。
五、 生存分析資：要求資料記錄結局和結局發生的時間（如；死亡和死亡發生的時間）
1.用Kaplan-Meier方法估計生存曲線。
2.大樣本時，可以壽命表方法估計。
3.單因素可以用Log－rank比較兩條或多條生存曲線。
4.多個因素時，可以作多重的Cox回歸。
(1)觀察性研究：可以用逐步線性回歸尋找（擬）主要的影響因素。
(2)實驗性研究：在保持主要研究因素變量（干預變量）外，可以適當地引入一些其它可能的混雜因素變量，以校正這些混雜因素對結果的混雜作用。
注：計量資料（連續變量）
例：年齡、血壓值、得分等
計數資料（無序分類變量）
例：性別、職業、是/否
統計方法：卡方檢驗。
等級資料（有序分類變量）
例：學歷，職稱、滿意度（不滿意、滿意、非常滿意）
統計方法：秩和檢驗。
【護理的統計學方法】相關文章：
7.統計學的造句