1 概论
2 统计描述
2.1 分类变量：例数和百分数
2.2 连续变量
2.2.1 钻石里面的统计描述
2.2.2 请问这位数据您服从正态分布吗？
2.3 等级变量
2.4 小结：研究中的数据描述与处置方式永远服务于验证目标
3 统计推断
3.1 统计推断总论
3.1.1 假设检验
3.1.1.1 我们真的懂那个p值吗？
3.1.1.2 p>0.05到底要告诉我们什么？
3.1.1.3 听说p值要从0.05降到0.005？不！这不是真的！
3.1.2 区间估计
3.1.2.1 可信区间估计：帮你雾里看花认识世界
3.1.2.2 狗狗与大树：一首帮你读懂可信区间的“小诗”
3.2 差异性检验
3.2.1 参数检验
3.2.1.1 t检验：除了p<0.05，t检验还做了什么？
3.2.1.2 多重比较：三组间逐对进行t检验不行吗？
3.2.1.3 单因素方差分析：它怎么和t检验相同又不同？
3.2.1.4 双因素方差分析：学会了单因素方差分析，双因素方差分析定能触类旁通
3.2.2 秩和检验：非正态分布不要紧，至少可以比比名次
3.2.3 卡方检验：非常有用，但也别忘了Fisher确切概率法
3.3 关联性分析
3.3.1 相关性分析：你说它俩有相关性吗？
3.3.2 线性回归
3.3.2.1 回归系数：画个回归系数给你看
3.3.2.2 混合效应模型：从重复测量数据的回归分析说起
3.3.2.3 交互效应：咱们画出来看
3.3.3 Logistic回归：Logistic回归好像比线性回归还要常用
3.4 生存分析
3.4.1 Kaplan-Meier曲线·累积生存率·Number at Risk
3.4.2 Cox回归模型：听说生存曲线-交叉Cox回归模型就不能用啦？
3.5 诊断能力评价
3.5.1 灵敏度与特异度：阳性检出率高就是好的诊断方法吗？
3.5.2 ROC曲线：愿得彩虹助诊断
3.5.3 阳性预测值：来自一道数学题的思考，我们的诊断能力没有这么糟糕吧？
3.6 一致性评价
3.6.1 测量方法的一致性评价：别以为t检验能解决一切问题
3.6.2 Bland-Altman分析：如此直观，难怪一致性评价离不开它
4 研究设计
4.1 队列研究与病例-对照研究
4.1.1 RR值与OR值
4.1.2 证据等级比较
4.1.3 前瞻性与回顾性
4.1.4 研究方法抉择
4.2 试验研究
4.2.1 分配隐藏与盲法：分配隐藏不就是盲法吗？
4.2.2 主要终点：设定多个主要终点是不是就拥有了更多成功机会
4.3 样本量：如果不算样本量，会怎么样
4.4 偏倚：从朋友圈美图看信息偏倚
5 数据科学
讲数比屋：面向真实世界，临床数据也需要数据治理
展开
