文章來源：“小白學(xué)統(tǒng)計(jì)”公眾號。
如何有效地分析一份數(shù)據(jù)。這個題目很大，然而也正是很多非統(tǒng)計(jì)學(xué)專業(yè)（可能也包括一些統(tǒng)計(jì)學(xué)專業(yè)人員）不知如何下手的問題。當(dāng)拿到一份數(shù)據(jù)，到底從哪兒入手開始分析。什么是第一步？有沒有固定步驟？或者說，數(shù)據(jù)分析到底有沒有什么寶典？我們就來談?wù)勥@個問題。
首先，數(shù)據(jù)分析絕對沒有一個固定的步驟，一定要先干什么，再干什么，等等。沒有這回事。具體在軟件操作上，我們可能并無差別，我會用SAS做t檢驗(yàn)，你會用SPSS做t檢驗(yàn)，本質(zhì)上并無差異。真正差別的，不是軟件操作，而是軟件操作之前的思路。
我下面要說的內(nèi)容，只是個人的十多年分析經(jīng)驗(yàn)總結(jié)，但你千萬不要把它看做是一個放之四海而皆準(zhǔn)的分析套路。所謂思路，那就是沒有什么固定套路，只是參考和借鑒。而且，我介紹的這些，肯定也不全，幾乎不可能一篇文章面面俱到，把所有的分析思路都介紹清楚。只希望能對各位朋友在不同角度上有所幫助。
第一步要考慮的，我個人認(rèn)為，一定是研究目的。
所有的統(tǒng)計(jì)分析都是圍繞目的而執(zhí)行，偏離了研究目的，分析的方法再高級，那也是南轅北轍。不同的目的，需要考慮不同的方法。
例如，你要做兩組比較（例如，兩種藥物的血糖變化值有無差異），還是要做兩個變量有無關(guān)聯(lián)（比如血糖值和血壓值的關(guān)聯(lián)），或者想做綜合評價（如根據(jù)多個指標(biāo)評價哪家醫(yī)院更好）。這都需要選擇不一樣的方法，組間比較可能最簡單的方差分析就可以，綜合評價可能需要用到主成分分析等更為復(fù)雜的方法。
第二步，要考慮指標(biāo)的類型。
這里的指標(biāo)包括分析指標(biāo)因變量，也包括影響因素自變量。當(dāng)然，并非所有分析都這么劃分為因變量和自變量。有的可能只有分析指標(biāo)，而無影響因素。
如果你有明確的結(jié)局，然后有一個或多個可能跟結(jié)局有關(guān)的指標(biāo)，那就可以按因變量和自變量的方法來分析。大多數(shù)的這種情形都可以考慮廣義線性模型。它包含了幾乎絕大多數(shù)的有結(jié)局和影響因素的分析場景。例如，結(jié)局是連續(xù)資料，可以考慮線性回歸等；結(jié)局是分類資料，可以考慮logistics回歸等。
可能有人會說，那t檢驗(yàn)、卡方檢驗(yàn)這些在哪兒呢？其實(shí)這些都可以看做是單因素分析而已。t檢驗(yàn)，只是一個自變量是二分類、因變量是連續(xù)變量的回歸模型而已。比如比較男女之間身高有無差異，身高就是因變量（結(jié)局），性別就是自變量（因素），所謂比較男女之間有無差異，實(shí)際上就是說，性別對身高有無影響。其實(shí)一回事?？ǚ綑z驗(yàn)亦是如此。
所以，幾乎所有的統(tǒng)計(jì)分析方法，都跟變量類型有關(guān)，都需要根據(jù)變量的類型來選擇不同的方法。比如，如果結(jié)局指標(biāo)是連續(xù)變量，那可以考慮的方法包括（但不限于）：t檢驗(yàn)、方差分析、協(xié)方差分析、線性回歸、秩和檢驗(yàn)、中位數(shù)回歸等等，根據(jù)自變量的類型、因變量是否服從正態(tài)分布等多個因素來考慮選擇。
但是還有一些分析數(shù)據(jù)，是不區(qū)分所謂的因變量和自變量的，都是分析指標(biāo)，比較常見的如主成分分析、聚類分析、相關(guān)分析、因子分析等等。這些分析方法不是為了研究某些因素對結(jié)局的影響，而只是針對分析指標(biāo)根據(jù)不同目的進(jìn)行一定的分析。
例如，主成分分析通常是為了把多個分析指標(biāo)綜合成較少的幾個指標(biāo)；聚類分析通常是為了根據(jù)幾個指標(biāo)把人群歸為幾類；因子分析通常是為了尋找支配表面指標(biāo)的背后因素。這些方法一般稱為多元方法，“元”一般是指因變量，這些都是多因變量的方法。
而前面說的線性回歸、logistics回歸等，通常都是單個因變量，多個自變量，因此算不上多元方法，更確切地說是多因素的分析方法。
第三步，具體問題具體分析。
可能你會說，這算什么步驟。然而，實(shí)際的情況是，真正到了數(shù)據(jù)分析過程中，往往就是具體問題具體分析。
根據(jù)前面提到的目的和數(shù)據(jù)類型，你基本上可以確定一定范圍的幾種方法。有時可能就確定了某一種方法了。然而再利用這種方法進(jìn)行分析的時候，仍需要一些思路的指導(dǎo)。
根據(jù)我個人的分析領(lǐng)域和分析經(jīng)驗(yàn)，在醫(yī)學(xué)統(tǒng)計(jì)學(xué)中，大多數(shù)的分析方法（并非全部）可以歸為兩大類：一是有結(jié)局也有影響因素的；二是只有結(jié)局沒有影響因素的。這里面又以有結(jié)局有影響因素的更為常見。
對于有結(jié)局有影響因素的這類數(shù)據(jù)，大多數(shù)的目的都是為了尋找結(jié)局主要受哪些因素影響。因此這里主要是基于這種目的再來說一下分析思路。
想要說明某一自變量是否對結(jié)局有影響，至少需要回答三個問題：
（1）是不是有影響？
（2）有什么樣的影響？（線性影響，還是非線性的）
（3）影響有多大？
某一自變量是不是對結(jié)局有影響（例如，收縮壓的高低是不是對血糖值有影響），這是個定性問題，要回答這個問題，基本上P值可以說明一些問題。P值可以告訴我們，這種影響是不是偶然造成的，還是一種真實(shí)存在的現(xiàn)象。
然而，僅回答“是不是有影響”，這是遠(yuǎn)遠(yuǎn)不夠的。比如，你可以說，吸煙有害健康，這是定性問題。然而，吸煙對健康的危害到底有多大，這是個定量問題。這才是大家更關(guān)心的。因此還需要考慮這種影響到底有多大。
影響有多大，可以通過統(tǒng)計(jì)軟件中的“參數(shù)估計(jì)值”來說明。比如，我們常說的回歸系數(shù)、兩組比較的均值差值，這都是參數(shù)估計(jì)值，他們可以說明這種影響有多大。例如，體重對收縮壓的參數(shù)估計(jì)值是0.1，說明體重每增加一公斤，收縮壓增加0.1；男女的身高差值是0.2，說明性別從女到男之間的差異是0.2。這可以定量說明影響有多大。
現(xiàn)在看來，似乎定性和定量都回答完了。事實(shí)上，很多人也就做到這一步就完了。然而，其實(shí)還有更重要的一個要回答的問題是：“有什么樣的影響”。
回答影響因素的模型，大多數(shù)是回歸模型，而回歸模型中，大多數(shù)又都是基于這樣一個假設(shè)：自變量和因變量（或者因變量的變形）是線性關(guān)系。不得不說，很多人根本無視這個假設(shè)，從而導(dǎo)致很多分析結(jié)果其實(shí)都是錯誤的。畢竟，現(xiàn)實(shí)中有多少關(guān)系是線性的呢？其實(shí)很多可能都是非線性的。這就是要回答的重要問題“有什么樣的影響”，到底是線性的影響，還是非線性的影響。
遺憾的是，關(guān)于這個至關(guān)重要的問題，卻只有少數(shù)人能回答。根據(jù)我個人的經(jīng)歷，大多數(shù)人（包括很多統(tǒng)計(jì)學(xué)家）是不考慮這個問題的。也許，不是不考慮，而是沒有考慮到，或者，不知道該怎么考慮。
關(guān)于“有什么樣的影響”，有些可以通過簡單的散點(diǎn)圖就可以發(fā)現(xiàn)，有的則更為復(fù)雜，一眼看不出來，可能需要像廣義可加模型、樣條回歸、核平滑等多種技術(shù)協(xié)助探索。這可能需要專業(yè)的統(tǒng)計(jì)學(xué)家才能完成。然而，這也是體現(xiàn)專業(yè)和非專業(yè)的非常關(guān)鍵的一點(diǎn)：能不能真正幫你找到數(shù)據(jù)規(guī)律。
總的來說，要真正形成自己的分析體系，一定要先掌握各種方法，然后把這些方法之間的關(guān)系搞清楚，抽絲剝繭，提煉升華。這是一個由粗到細(xì)，再到粗的一個過程。只有細(xì)致深入，真正理解，才能把握重點(diǎn)，提煉出粗略的枝干。
只有了解足夠多的方法，在考慮方法選擇的時候才能做到“胸有成竹”，從多種方法中選擇最合適的，否則你只會一種方法，就只能局限于這種方法，無法進(jìn)行選擇。雖然可能最后的結(jié)果都一樣，都用了同一種方法，但是過程卻不同。你可能是不會別的方法，只能用這種；而我是考慮了多種方法后，認(rèn)為這種最為合適，主動選擇了這種方法。
粵公網(wǎng)安備 44030602000441號