不少科研人在做分析时，习惯先打开软件，再在菜单里找一个“看起来顺眼”的方法；也有人完全沿用实验室“祖传分析流程”。这些做法在早期训练阶段或许勉强可行，但一旦面对严格的同行评审，方法与问题之间的逻辑断裂，很快就会暴露出来。
如果要把统计方法选择这件事讲清楚，其实不需要记住一长串检验名称，而是需要建立一条清晰、可复用的思考路径。
本期AJE将分享一套非常实用根据你的研究选择合适的统计方法，希望对大家有帮助。
你是在比较差异，还是在研究变量之间的关系？
几乎所有统计分析，都可以追溯到一个最根本的问题：你这一部分分析，想回答什么？
在实际科研中，研究问题大致可以分为两类。
第一类是差异性问题，也就是我们常说的“组间比较”。例如，某种处理是否改变了指标水平，不同实验条件下结果是否存在显著差异，这些问题的核心都是在比较不同组之间的差别。
第二类则是关系性或预测性问题，例如两个变量是否相关，某些因素是否能够预测结局变量，或者多个变量共同作用时结局如何变化。
这一步看似简单，但却是很多统计错误的起点。因为一旦你混淆了“比较”和“关系”，后续再精细的统计操作，也可能建立在错误的前提之上。
当你在做组间比较时，数据类型比方法名称更重要
如果你的研究目标是比较不同组之间是否存在差异，接下来需要关注的不是“我该用 t 检验还是 ANOVA”，而是你的结果变量到底是什么类型的数据。
对于数值型数据，比如浓度、表达量、评分或连续测量指标，统计分析通常围绕均值或分布展开。而对于分类型数据，比如是否发生事件、阳性与阴性、不同类别的频数，分析关注的则是比例和分布差异。
这一区分非常重要，因为它几乎直接决定了你后面所有可能的统计路径。很多被指出“统计方法不当”的论文，问题并不是作者不知道某个检验，而是用数值型数据的思路去处理分类型结果，或反之。
数值型数据
当结果变量是数值型时，科研人最常见的困惑往往集中在“我该选哪种检验”。但在实际判断中，真正起决定作用的，往往只有两个问题：你在比较几组？这些组之间是否相互独立？
如果只是将一组样本与一个已知或理论值进行比较，问题相对简单，重点在于数据分布是否近似正态。但更常见的情况是两组或多组之间的比较。
在两组比较中，是否独立往往比“是否正态”更容易被忽视。如果两组数据来自不同个体，那么分析的前提是独立样本；如果两组数据来自同一批受试者的不同时间点，或者存在天然配对关系，那么使用独立样本方法本身就是不合适的。这类错误在投稿中并不少见，而且一旦被审稿人注意到，往往会被视为对研究设计理解不足。
当比较的组数增加到三组及以上时，问题又进入了另一个层面。继续使用多个两两比较，不仅统计效率低下，还会引入显著的多重比较风险。因此，这类问题通常需要在一个整体框架下进行分析，再结合事后比较来解释具体差异。
分类型数据
相比数值型数据，分类型数据的统计逻辑其实更为直接，但同样容易被误用。核心在于明确你是在分析两个分类变量之间是否存在关联，还是在判断一个观察到的比例是否偏离预期。
前者常见于列联表分析，例如某种暴露是否与事件发生相关；后者则多见于发生率、阳性率是否符合理论或既往研究的情况。虽然这些分析在统计软件中操作简单，但在论文中，是否清楚交代变量类型、样本量条件以及方法选择依据，往往直接影响审稿人对结果可信度的判断。
当研究目标是“关系”或“预测”，统计问题才真正开始变复杂
如果你的分析目标不是简单比较差异，而是探索变量之间的关系，或者构建预测模型，那么统计思维就需要再往前走一步。
相关性分析是很多研究中常见的一环，但“默认使用 Pearson 相关”是一个非常普遍、也非常容易被质疑的做法。变量分布特征、是否为等级数据、是否存在异常值，都会影响相关系数的合理性。审稿人往往并不是反对你做相关分析，而是希望看到你理解所用方法的适用前提。
当分析进一步上升到预测层面，回归模型几乎不可避免。这时，结局变量的类型成为决定模型形式的核心因素，而模型构建、变量选择和结果解释的合理性，也会成为审稿人关注的重点。
统计方法的本质
你的统计分析是否真正反映了你的研究设计和研究问题，这才是统计方法的本质。AJE建议你，如果在每一次分析前，你都能清楚回答这几个问题：
- 我在回答什么类型的科学问题？
- 我的数据结构是什么？
- 我的分组和设计是否与所选方法一致？
那么，统计方法的选择往往并不困难，也更不容易在同行评审中被推翻。AJE祝您科研顺利！
