天涯牧歌
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。 
梦只是人睡眠时的一种心理活动，梦中的心理活动与人清醒时的心理活动一样都是客观事物在人脑中的反映。梦中离奇的梦境是因人睡眠大脑意识不清时对各种客观事物的刺激产生的错觉引起的。如，人清醒心动过速时产生的似乎被追赶的心悸感，在梦中变成了被人追赶的离奇恐惧的恶梦，人清醒心动过慢或早博时引起的心悬空、心下沉的心悸感，在梦中变成了人悬空、人下落的离奇恐惧的恶梦。梦中经常能感觉到一些人清醒时不易感觉到的轻微的生理症状，是因人睡眠时来自外界的各种客观事物的刺激相对变小，来自体内的各种客观事物的刺激相对变强引起的。梦境与凶吉祸福无关 不少人有这样的苦恼：入睡后，常常做噩梦，甚至被惊醒。由于睡不好，次日头昏脑涨，影响了工作和学习。有的还担心噩梦会给自己带来厄运，造成心理上的恐惧和不安。 其实，做梦是人在睡眠过程中产生的一种正常心理现象。一般情况下，人在睡眠时大脑神经细胞都处于抑制状态，这个抑制过程有时比较完全，有时不够完全。如果没有完全处于抑制状态，大脑皮层还有少数区域的神经细胞处于兴奋，人就会出现梦境。由于少数细胞的活动失去了觉醒状态时的整个大脑皮层的控制和调节，记忆中某些片断不受约束地活跃起来，可能就表现出与正常心理活动不同的千奇百怪的梦。此时，与语言和运动有关的神经细胞倘若也处于兴奋状态，那就不光会出现梦境，还会说梦话或发生梦游的现象。 国外有关的最新研究表明：人的一生大约有三分之一的时间是在做梦。做噩梦与吉凶福祸没有直接联系，不要为此担忧。关于梦境的内容，一般认为主要是：其一，日有所思，夜有所梦。有的人喜欢看一些惊险、恐怖的影视录像或小说，这些刺激形成了记忆表象，一旦进入梦境就容易做与此有关的梦。
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。
