一、均數與標準差
【例1】本組105 例， 男55例， 女50例； 平均年齡：62.3±6.1歲，所有入選病例均符合1999年WHO高血壓診斷標準。
舉這個例子是爲了說明“均數”與“標準差”的概念。我實在不願意多花時間闡述一些概念性的東西，但是由於“標準差”實在太重要了。【例1】中的 數據“62.3±6.1”，“62.3”就是年齡的均數，均數的概念大家都懂，那麼後面的“6.1”是什麼呢？它就是標準差。有人可能會問，表達一組人的 平均年齡，用均數就夠了，爲什麼還要加一個標準差呢？先看下面的一個例子：有兩組人，第1組身高（cm）：98、99、100、101、102；第2組身 高（cm）：80、90、100、110、120，這兩組人雖然身高的均數都是100cm，但是，仔細觀察，第1組的身高很接近，第2組的身高差別很大， 故僅僅用一個平均數表達一組數據的特徵是不完整的，還需要用另一個指標來表達其參差不齊的程度，這就是標準差。統計學上對一組測量結果的數據都要用“均 數±標準差”表示，習慣表達代號是：
，具體例子如：平均收縮壓120±10.2mmHg。
我想現在大家都已知道標準差是什麼東東了，那麼，標準差是怎樣得到的呢？有一個比較複雜的計算公式，我們不必去深究這個公式是怎麼樣的，只需知道標準差越小，說明數據越集中，標準差越大，說明數據越分散。
撰寫醫學論文的第一步是收集原始數據，如：
第1組身高（cm）：98、99、100、101、102；
第2組身高（cm）：80、90、100、110、120。
在論文中並不是直接給出原始數據，而是要以方式表示。利用軟件《臨牀醫師統計學助手 V3.0》，只要輸入原始數據，就能自動計算出均數及標準差，即第1組平均身高：100±1.58cm；第2組平均身高：100±15.81cm，如下圖。
二、兩樣本均數差別T檢驗
【例2】目的 研究中藥板蘭根對“非典”療效。方法 將36例“非典”患者隨機分爲治療組19例，採用常規治療+板蘭根口服，對照組17例，僅採用常規治療。結果 治療組平均退熱時間3.28±1.51d；對照組平均退熱時間5.65±1.96d，兩組間對照差別有極顯著意義（p＜0.01
這是最常見的一種統計學數據處理類型，統計學述語叫做“兩樣本均數差別T檢驗”，說得通俗易懂一些，就是檢驗兩組方法所得到的數據到底有沒有差異，或者說，差異是否有意義。我們平時的思維習慣是，數據的大小還用得着檢驗嗎？這是小學生都會的問題。可是別忘記了現在是在搞科研，科學方法看問題可不一定這麼簡單。
可能還沒有說明白這個問題，下面舉一個簡單的例子。我們的目的是得出這樣一個結論：“北京出產的西瓜比上海出產的西瓜大”。最可靠的方法是把所有北京的西 瓜和上海的西瓜都測量重量，得到兩個均數，然後比大小即可，可是智商正常的人並不會這樣去做，通常的做法是，隨機選一部分北京的西瓜和一部分上海的西瓜， 先讓這兩部分西瓜比大小，然後推斷到底那裏的西瓜大。這種方法是“窺一斑可見全豹”，統計學述語叫做“由樣本推斷總體”，事實上，我們所做的醫學科研都是 基於這種方法。
再回到上面的例子，假如我們有二種做法：
A、隨機選2個北京西瓜，平均重量是5.6±0.3kg；再隨機選2個上海西瓜，平均重量是4.3±0.25kg；
B、隨機選1000個北京西瓜，平均重量是5.6±0.3kg；再隨機選1000個上海西瓜，平均重量是4.3±0.25kg。
憑生活常識，由B推出“北京的西瓜比上海西瓜大”這個結論的把握性就非常的大，而A則基本上推不出這個結論。現在，終於可以引出我們的主題了，統計學處理本 質是考查由樣本差異推斷總體差異的把握性有多大，這種把握性在統計學上由P值表示。如P＜0.05或P＜0.01，可以理解爲由樣本差異推斷總體差異的把 握性達95%或99%以上，兩組數據差異有顯著意義；如P＞0.05，可以理解爲這種把握性在95%以下，兩組數據差異沒有顯著意義。
上面所講的實已爲統計學之精髓，建議多看幾遍，如果天生愚魯，還是看不太懂，也沒有關係，現在進一步“傻瓜化”，即所謂統計學處理，只要求得P值即可。P＜0.05或P＜0.01，表示陽性結果，兩組數據差異有顯著意義；P>0.05，表示陰性結果，兩組數據差異沒有顯著意義。所以，統計學處理的中心任務是求P值。
下面講解遇到【例2】這樣的問題，如何求P值。【例 2】中一共有6個數據：第一組均數（X1）、標準差（S1）、例數（N1）與第二組均數（X2）、標準差（S2）、例數（N2），就是根據這6個數據，先 通過複雜計算，求出“T”值（如果沒有想成爲統計學專家，就不必去理解“T”是什麼了，知道“T”是爲了求“P”用的就可以了），求出“T”值後，再查 “T界值表”，就知道“P值”了。
具體解法步驟如下：
⑴ 通過計算（這裏略去計算公式，可由軟件求出），T=4.088
⑵ 計算自由度：自由度=N1+N2-2=19+17-2=34（計算自由度是爲了查T界值表用的，自由度即兩組例數之和減去2，不要問我爲什麼不減去3或減去1這樣的問題了。）
⑶ 查T界值表，對應自由度34，T0.05=2.032，T0.01=2.728,今T=4.088＞T0.01，即P＜0.01,差別有高度顯著意義。
T=4.088是如何求出的呢？我們再回到軟件《臨牀醫師統計學助手 V3.0》，只要把第一組均數（X1）、標準差（S1）、例數（N1）與第二組均數（X2）、標準差（S2）、例數（N2）這6個數據輸入對應的框內，該軟件就會利用預先存儲的公式自動計算T值，並查T界值表，得到P值，如圖：
三、配對計量資料T檢驗
【例3】目的 研究音樂胎教對胎兒運動技能培養的效果。方法 10例28～32周孕婦，分別記錄聽音樂（水滸傳主題曲）前每小時的胎動次數及聽音樂後每小時的胎動次數，結果 數據如表1所示，音樂胎教後胎動次數增多，差別有顯著意義（p＜0.05 ）結論 音樂胎教可增強胎兒運動技能，對培養我國運動天才有現實意義。
顯然【例3】與【例2】有所不同，主要是【例3】兩組間的數據可以前後配對的。我們經常碰到這種情況，即同一個體做兩次處理，如治療前檢測某一指標，治療 後再檢測某一指標，而後做治療前後配對比較，以判斷療效，正如【例3】。這種情況如何進行統計學處理呢？同樣也是先計算T值，然後按自由度（這時自由度= 對子數-1，如本例自由度是9。）查T界值表，求得P值。
但是“配對T檢驗”計算T值的方法與“兩樣本均數T檢驗”有所不同，這裏不再作介紹，由軟件《臨牀醫師統計學助手 V3.0》自動完成即可，如下圖。本例T=2.47，自由度=10-1=9，查T界值表，對應自由度9，T0.05=2.26，T0.01=3.25,今T=2.47＞T0.05，即P＜0.05,差別有顯著意義。
可能有人會問,【例3】的情況，也可以把胎教前視爲對照組，求得平均胎動次數是：21.8±5.31，胎教後視爲治療組，求得平均胎動次數是：24.0±6.31，然後套用【例2】的方法，用“兩樣本均數T檢驗”行不行？這樣雖無大錯誤，但是將會導致檢驗效率的下降，就是說，如果數據差異較大時，兩種方法均可，如果數據差異較小時，用“配對T檢驗”會顯示出差異有意義，而用“兩樣本均數T檢驗”時，可能差異無意義。切記，非配對資料誤用配對T檢驗，則是錯誤的。
四、計數資料卡方檢驗
【例4】目的 研究醫患關係對重症病人死亡率的影響。方法 根據問卷調查對收住重症監護病房的病人分爲“醫患關係良好組”與“醫患關係緊張組”，比較兩組間的住院死亡率。結果 “醫患關係良好組”25例，住院間死亡3例，死亡率13.6%，“醫患關係緊張組”23例，住院間死亡9例，死亡率39.1%，兩組間差別有顯著意義（p＜0.05 ）結論 醫患關係緊張增加重症病人的住院死亡率，可能與醫師害怕被病人告而治療方案趨向保守有關。
【例4】又是一個非常常見的一種統計學數據處理類型。【例4】中所提供的數據是“比例”，或百分數，與前面三個例子不同，前面三個例子所提供的數據則是直接在病人身上測量到的數據，如收縮壓120±10.2mmHg、身高100±15.81cm等，我們把【例4】中的數據叫做計數資料，而【例1、2、3】中的數據叫做計量資料。計數資料無法用形式表示，只能用比例表示，如：死亡率13.6%、30例中顯效10例（10/30）等。
顯然，對於計數資料，再用T檢是不適合了，必須用卡方檢驗。卡方檢驗的步驟是：先求出X2（類似於T檢驗時先求T值）值，然後進行判斷：
⑴ 如果X2＜3.84，則P＞0.05；
⑵ 如果X2＞3.84，則P＜0.05；
⑶ 如果X2＞6.63，則P＜0.01。
解釋一下，上面的兩個數字“3.84”與“6.63”是查“X2界值表”得來的，只要記住即可。
所以，卡方檢驗的關鍵是求出X2值。爲了求出X2值，必須先介紹“四表格”概念。“四表格”的形式如下，關鍵數據是 a、b、c、d 四個數，X2值就是通過這四個數據計算出來的（這裏仍不介紹公式，由軟件計算。）。
現將【例4】中的數據填入“四表格”即如下圖。
當你學會了填“四表格”數據之後，就能利用軟件《臨牀醫師統計學助手 V3.0》非常容易的進行卡方檢驗了，本軟件提供與“四表格”完全相同的界面，把數據填寫正確之後，就自動計算X2值並判斷結果，【例4】X2=4.702＞3.84，故P＜0.05，如下圖：
在此說明一下，大家可能已注意到本軟件中出現的“理論數（T）”，在此不解釋“理論數（T）”是什麼，只要記住，當例數（n）＜40或T＜1時，應採用“精確概率法”，這個方法太複雜，在此不作介紹。
現在已經講完了4個實例，掌握本教程的訣竅是將實際中碰的的情況，對照實例，“對號入座”即可，而具體計算過程，可由軟件去完成。