關於統計學研究論文

　　20世紀以來,作為資料蒐集、整理和分析的一門重要工具,統計學在眾多領域裡得到了極其廣泛的應用,統計學的作用及其重要性已漸漸顯現出來。下面是小編為大家整理的，供大家參考。

　　篇一

　　《 醫學科技論文統計學誤用分析 》

　　1統計學應用中存在的常見問題

　　1.1單因素方差分析ANOVA兩兩比較誤用獨立樣本t檢驗單因素方差分析設計3組以上的均數比較,如果總體比較有差異,需進行兩兩比較,一般用SNK法或LSD法。但部分研究者卻將資料進行拆分,應用獨立樣本t檢驗進行兩兩比較,導致第Ⅰ類統計學錯誤發生率假陽性率增加,從而掉進了一個常見的“統計陷阱”,使所得結論可信度大大降低甚至得出錯誤結論。

　　SNK法與LSD法雖然並非等價,實質是一致的。SNK法一般用於經方差分析結果具有統計學意義時才決定進行的兩兩事後比較,而LSD法可用於方差分析不足以具有統計學意義時也能進行兩兩比較[1]。比較兩種方法在SPSS的輸出結果形式,SNK是“分堆”比較,一目瞭然,對於組別數較多的研究更為好用,但沒有具體P值,而LSD是在進行“兩兩”比較時,能給出具體的P值。

　　1.2兩兩比較時檢驗水準的重新調定χ2檢驗或秩和檢驗3組以上整體比較有差異時,需應用分割法進行兩兩比較,這時檢驗水準應由原0.05調定為0.0167,否則會增加第Ⅰ類統計學錯誤的發生率。特別當P值處於0.0167~0.05時,按照P<0.0167的標準,差異無統計學意義,而按照P<0.05的標準,卻有意義,與事實相悖,出現假陽性,很容易得出錯誤結論。

　　這種分割法有時很保守,當行列表資料分組多且為有序時可用Mantel-Haenszel卡方檢驗,也稱線性趨勢檢驗testforlineartrend或定序檢驗Linear-by-Lineartest[2]。統計路徑:用SPSS進行計數資料的趨勢檢驗,在輸出結果中讀取線性關聯檢驗統計量Linear-by-LinearAssociation,LLA,如P<0.05可得出隨著病種級別的升高,檢測指標逐漸升高的趨勢。

　　1.3臨床診斷試驗中的統計學方法應用在臨床診斷試驗研究中,經常選取單項計量指標或者聯合計量指標以診斷某種疾病,若僅用初級統計學方法如t檢驗、單因素方差分析等往往不能有效挖掘資訊,此時應採用受試者工作特徵曲線ROC對檢測結果進行分析評價。ROC曲線分析基本原理是通過診斷界點的移動[3],獲得多對靈敏度和誤診率1-特異度,以靈敏度為縱軸、誤診率為橫軸,連線各點繪製曲線,然後計算曲線下的面積,面積越大診斷價值越高。ROC曲線很直觀,能根據敏感性與特異性之和最大化原則自動產生最有效的診斷臨界點。具體路徑可以參考相關統計專著[3]。

　　統計學處理一般描述為:採用SPSS版次統計軟體分析資料,對單項及聯合檢測結果作圖繪成ROC曲線,計算曲線下面積AUC和標準誤,其中聯合檢測結果變數即預測概率由Logistic迴歸產生也可以用判別分析得出。計量資料應用-x±s表示,運用獨立樣本t檢驗及單因素方差分析,兩兩比較採用SNK及LSD法,計數資料採用χ2檢驗。檢驗水準為0.05。具體內容可據情而定。

　　1.4重複測量資料的方差分析誤用拆分檔案的t檢驗或方差分析如研究共設3組,每位患者在3個時間點均查某項血指標,部分作者在處理此類資料時,常誤將縱向同一時間點3組的比較與橫向同組3個時間點的比較資料均應用拆分檔案的t檢驗或單因素方差分析來處理,結果導致統計學第Ⅰ類錯誤發生。此組資料實質是重複測量資料,應採用重複測量資料的方差分析。SPSS中的統計路徑:資料-分析-一般線性模型-重複度量。研究者可以參考相關書籍進行處理[3]。

　　1.52×2析因設計及析因方差分析實驗是2×2析因設計時,分組有兩個因素,A與B,故分組為A、B、O、A+B,這個設計在析因設計研究中很常用,但常會出現分組設計正確,卻沒有用析因設計方差分析。析因設計與單因素方差分析不同[4],它不但能分析治療效果中處理因素的單獨效應和主效應,還能分析因素間的互動效應,並能提高檢驗效能。非統計專業的研究者進行析因分析可能稍有難度,可參考相關統計學書籍提供的統計步驟進行此類分析[3]。

　　1.6Meta分析Meta分析是循證醫學系統評價常用的方法[5],應用時需注意統計學處理中計數資料採用比值比OR作為效應變數。具體路徑:先進行異質性檢驗,當P>0.05時,認為同質,選擇固定模型;P≤0.05時,不同質,此時可採用敏感性分析或分層分析等異質性處理,使之達到同質後再選擇固定模型;若採用異質性處理仍未達到同質,則採用隨機模型,以上統計路徑均需交代清楚。Meta分析的結果是以“森林樹”體現的,審校中我們經常遇到作者繪製的“森林樹”左上角“文獻、對比、結果名稱”等內容顯示為“?”,這是由於部分版本的RevMan軟體不能輸入中文,此時可以考慮省去,或用Photo-shop軟體新增相應中文。Meta分析作為一種高階統計方法,專業性要求較高,作者可參考循證醫學類權威雜誌上的文章格式,如《中國循證醫學雜誌》中“論著•二次研究”欄目的循證文章。

　　2科技論文中統計學處理的相關表述

　　2.1資料與方法中具體統計路徑的描述“統計學處理”的內容常位於論文資料與方法的最後一段,一般來說包括統計軟體名稱及版次、統計描述、統計方法、檢驗標準等內容,亦可細緻交待每個表格的具體統計方法。經典例子如下,“統計學處理:採用SPSS版次統計軟體分析資料。計量資料用均數±標準差表示,採用單因素方差分析,兩兩比較採用SNK法及LSD法。檢驗水準為0.05”。上述內容包括了大致的統計方法,即具體的統計路徑。此部分內容,沒有絕對統一的規定[6]。常見的問題有:統計學方法描述不全、內容過於簡單、存在貼上抄寫痕跡等。如部分論文的統計學處理中提及“以α=0.05為檢驗水準,P<0.05為差異有統計學意義”這句話,這在統計學上實質是一個重複句,保留其一即可。

　　2.2結果中具體P值的標註現在的統計學處理手工計算的較少,一般均應用統計軟體,最常用的軟體如SPSS、SAS均能給出具體P值。但部分論文的結果表述中卻未標明具體P值,作為科技論文是不夠嚴謹的,建議作者在表述研究結果時註明具體P值,增加論文可信度的同時,可用於再次分析。

　　2.3表格製作統計表設計需規範,應體現統計設計內容。部分表格存在內容割裂、組別名稱違反表格簡潔化原則、表下注釋繁瑣、橫標目與縱標目顛倒等情況。建議作者寫作論文時參閱相關統計學教程及雜誌稿約。醫學統計學教學在中國的醫學教育特別是高層次教育中舉足輕重。一項課題從一個好的創意開始到實施、結題,統計學方法始終貫徹其中。不管是臨床試驗研究、實驗性研究、觀察性研究,還是臨床測量誤差與診斷試驗,如果沒有規範性的統計設計、精確的統計分析、科學的統計學解釋與表述,很難獲得學術上的認可[1]。

　　目前在統計學的具體應用中,研究課題開始設計時就有統計學專家參與已成為較流行的趨勢。許多專業統計學專家或研究者在不停的進行“統計基礎”的研究,以創造更多的數理統計方法。對於非統計專業的研究者來說,統計學的學習主要側重於應用。在應用統計學教學中,一般分為4個檔次或階段來進行,首先通過學習醫學統計學課本獲取統計學思想、原理和方法,其次學習統計軟體相關書籍掌握資料到統計結果的轉化,再學習統計表達與描述書籍達到書寫統計學報告能力,最後可以學習如何出具統計審閱報告。醫學科技工作者亦可按照這個順序學習以提高統計能力。

　　篇二

　　《 醫學期刊統計學錯誤研究 》

　　1統計設計存在的常見問題

　　統計設計是整個研究中最重要的一環,是研究工作應遵循的依據。常見的統計設計問題有:忽視組間均衡性,樣本缺乏代表性,樣本例數不足,未設定對照組,未隨機分組,未提出統計分析方法等。針對以上問題,在科研設計中一定要遵循實驗設計的四大原則即“隨機、對照、均衡、重複”的原則[6]。

　　1.1不遵循或不重視隨機化原則

　　隨機化是科研設計的重要原則，直接影響研究結果的可信度。隨機化既要隨機抽樣，還要隨機分組，並有足夠的樣本量作前提。然而，在醫學論文中許多作者對此不夠重視，主要表現在論文中統計處理隨機化不突出，隨機化缺失情況比較常見，有的論文甚至將隨機誤解為隨意、隨便，不採用隨機化處理方法，導致結果缺乏可靠性。還有些文章中沒有提出“隨機”抽樣的設計與方法，沒有排除標準，給人隨意選擇病例之感，且病例數少，因此沒有代表性，所得出的結論不可靠。部分文章雖然註明了“隨機”，但未提及採取什麼方法進行隨機化研究或兩組間的例數相差甚遠，不符合隨機化的一般規律，沒有臨床參考價值[7]。

　　1.2缺少對照研究或對照組設計不合理

　　正確設立對照是臨床或實驗研究的一個核心問題，設立對照的意義在於說明臨床試驗或實驗研究中干預措施的效應，減少或防止偏倚和機遇產生的誤差對試驗結果的影響。目前，國內許多期刊發表的論文對照組設計不合理現象比較普遍，尤其有些作者對某種新藥或新技術在臨床的應用觀察研究中，不設對照組，缺乏對照觀察，得出的結論缺乏科學性，令人懷疑。有的文章雖然設立了對照組，但在分析結果時，卻沒有將試驗組與對照組的結果進行比較，而僅將各組間的自身前後進行比較，從而使該研究失去對照意義。對照組選擇不當，還表現在兩組間重要的臨床特徵和基線情況相差太大，無可比性，如性別、年齡、病情、經濟情況和文化程度等不一致，如有些論文將健康人或志願者作為對照組，使結果受到非處理因素的影響，產生偏倚或系統誤差，使結論不可信[7]。

　　1.3均衡性原則掌握不夠

　　均衡性原則要求實驗中的各組之間除處理因素不同外，其他可控制的非處理因素要儘可能保持一致。特別對疾病預後有重要影響的臨床特性一定要在組間分佈均衡。各組間越均衡，可比性越強。有些作者在對病例進行分組時，忽視了均衡性原則，兩組之間沒有可比性，結論自然是錯誤的。具體表現在：有的文章對治療組與對照組的相應統一指標沒有設在均衡的水平上。對治療組情況交代的比較詳細，而對對照組的年齡、性別、病情等不予交代，或所選對照組的年齡與治療組不在一個年齡段，影響了作者對指標的觀察[7]。

　　1.4重複的原則掌握不好

　　所謂重複,一是指重複試驗或平行試驗,二是指各樣本組的例數要有一定的數量,即樣本的例數要足夠大。雖然隨機化是增強非處理因素均衡性的重要方法,但當各組內例數過少時,儘管採用了隨機化分組的方法,也難以保證非處理因素的均衡一致。在隨機化分組的基礎上,只有樣本例數足夠大,才能使非處理因素均衡一致,同時也才能使抽樣誤差減小,增強樣本對總體的代表性。

　　一般來說,在隨機分組的前提下,樣本例數越大,各組之間非處理因素的均衡性越好;但當樣本量太大時,往往又會給整個實驗和質量控制工作帶來更多的困難,同時也會造成浪費。為此,在實驗設計時,還應保證在實驗結果具有一定可靠性的前提下,確定最少的樣本例數。一般說來,計數指標每組樣本不得少於20～30例,計量指標每組樣本不得少於5～10例。在多因素分析時,一般認為樣本例數至少為觀察指標的5～10倍[8]。

　　1.5樣本的含量

　　樣本的含量的大小直接影響到結論的可靠性。樣本量過少,則抽樣誤差大,結果可靠性差,且經不起重複驗證;反之,盲目加大樣本量也會造成人、財、物的浪費,同時也造成非抽樣誤差增大。故應在保證研究結果精確可靠的前提下,確定最小的樣本量。如某篇論文報道某藥治療的臨床療效,實際總例數為10例,其中6例有效,於是作者得出有效率為60%。顯然,有限的病例數不能充分說明該藥是否有效,作者貿然得出結論,容易給他人造成假象甚至誤導[9]。

　　2統計方法選擇與使用不當

　　在選擇統計方法之前,首先應確定研究資料是計數資料還是計量資料。只劃分其類別而得到的資料為計數資料,也叫定性資料,如根據治療結果計算出的治癒率、陰性率、陽性率等。測定某個具體數值而得到的資料為計量資料,如血壓值、血細胞計數、血氧分壓測定等許多物理診斷和化驗檢查的結果。目前,醫學論文中計數資料最常用的統計方法為χ2檢驗,計量資料最常用的統計方法為t檢驗。值得注意的是,各種假設檢驗方法均有其適用條件,應根據資料特點來選用最適當的方法。

　　均數與標準差分別是描述正態分佈資料集中和離散趨勢的指標。能否選用“均數±標準差”來描述某一資料的分佈特徵,關鍵看該資料是否符合正態分佈。當資料不符合正態分佈或方差不齊時,應將資料轉換使之符合正態分佈,方差齊性後再用t檢驗或方差分析,否則用秩和檢驗。有些作者在使用t檢驗時,未考慮到上述適用條件而盲目使用,造成統計學處理不當或統計學計算錯誤[10]。

　　2.1統計指標應用不當

　　2.1.1描述計量資料的統計指標描

　　述計量資料的統計指標主要有平均數指標算術均數、中位數M等和變異指標標準差s和四分位數間距Q等,在應用時一定要注意它們各自的適用範圍。對於非對稱分佈資料,算術均數不能反映資料的平均水平,應採用中位數描述。一般地,正態資料或對稱資料用描述,偏態資料用M和Q來描述。在不能確定資料的分佈型別時,應選用M和Q進行統計描述。四分位數間距Q是75%分位數P75和25%分位數P25之差,即Q=P75-P25,所謂百分位數Px是將全部觀察值分為兩部分,理論上x%的觀察值比它小,100-x%的觀察值比它大,中位數M是50%分位數P50。、s、M、Px與Q可通過統計軟體直接輸出[9]。

　　2.1.2描述計數資料的統計指標描

　　述計數資料的統計指標有絕對數和相對數。絕對數是原始資料經彙總得到的小計或總計數。相對數是兩個有關的絕對數之比,主要包括率和構成比百分比。醫學論文中相對數應用的主要問題之一是分母較小。分母較小時,相對數的可靠性不能保證,在這種情況下,宜直接用絕對數進行描述而不宜計算相對數。醫學論文中相對數應用的主要問題之二是將構成比誤用來說明事物發生的強度。構成比只能反映事物的內部構成,不能說明事物的發生強度。

　　醫學的研究物件主要是人以及與人體有關的各種因素。由於生物現象的變異較大,各種影響因素又錯綜複雜,研究常是抽樣觀察,使事物本質差異與抽樣誤差混雜,故需用統計方法透過偶然現象來探測其規律性。如果不能正確運用統計學方法,造成統計學上的偏差或失誤,就很容易把本來成功的結果當成失敗而放棄,或把失敗的教訓誤認為成功的結論而加以宣傳。在進行科研設計時要嚴格遵循科學的統計學分析方法,不能留下隱患,否則,再高明的統計學專家和統計學軟體也無法彌補科研設計缺陷造成的損失。總之,統計學分析在醫學研究和論文寫作中意義重大。

　　作者在撰寫論文時,應注意識別、總結有代表性的、有借鑑意義的統計學領域的缺陷、失誤或錯誤的多發點,特別留心易出現統計錯誤的險區,從而使論文中的統計學問題減到最低限度。認真檢查、仔細核驗,儘量避免上述錯誤,必要時還可以請統計學專家幫助把關[12]。

　　2.2統計方法描述或選擇不當

　　統計方法選擇非常重要，它直接影響結論的可靠性[12]。臨床資料的結果變數可分為計數資料、計量資料和等級資料。計數資料指將觀察物件按兩種屬性分類，如生存、死亡，治癒、未治癒，有效、無效等，通常轉化為率。如果是兩組間的比較，則採用四格表χ2檢驗或其校正公式，如果是多組間率的比較，則採用行×列表資料χ2檢驗。計量資料指對某一個研究物件用定量的方法測定某項指標得到的資料，一般均有計量單位。通常資料呈正態分佈時，兩組間均數比較用t檢驗，多組間均數比較用方差分析和q檢驗。當資料不呈正態分佈或方差不齊時，也可用秩和檢驗等非引數檢驗法。

　　2.2.1統計方法描述不清

　　醫學論文中常可發現作者未交代所用的統計方法，如是配對設計的t檢驗還是成組設計的t檢驗，是Ridit分析還是χ2檢驗，是作相關分析還是作迴歸推斷。統計方法交代不清或根本不予交代，使讀者對論文結論的正確與否無法判斷。有的作者只提一句“經統計學處理”後，就寫出結論。有的甚至直接用P值說明問題，籠統地以P<0.05或0.01、P>0.05便稱結果差異有無顯著性，P值的大小不說明差值的大小，它還與抽樣誤差大小有關[13]。因此，還應寫明具體的統計方法，如有特殊情況，還應說明是否採用了校正，應寫出描述性統計量的可信區間，註明精確的統計量值和P值，然後根據P值大小作出統計學推斷，並作出相應的醫學專業結論。

　　2.2.2假設檢驗方法交代不清不交

　　代假設檢驗方法或假設檢驗方法交代的不具體、不清楚是醫學科研論文中常見的錯誤。如果不交代假設檢驗方法或假設檢驗方法交代的不具體，讀者就無法考察論文的統計學方法選擇的是否正確，無法核對計算結果是否準確。每一種假設檢驗方法都有其特定的適應條件和嚴格的適用範圍。對於同一組資料，採用不同的假設檢驗方法可能得出截然相反的結論。如將配對設計的資料按成組設計資料的方法處理，將會損失樣本提供的資訊、降低檢驗效率，可能使原本有統計學意義的結果無統計學意義[14]。

　　在論文寫作時，不但要交代選用的是什麼統計學方法，而且統計學方法要儘可能具體。如選擇t檢驗，要說明是配對t檢驗，還是成組t檢驗;選擇方差分析時，要說明是完全隨機設計的方差分析，還是配伍組設計的方差分析。對於四格表資料，應說明是一般四格表χ2檢驗、配對四格表χ2檢驗及四格表資料的精確概率法等。

　　2.2.3統計方法選擇常見錯誤

　　①誤用χ2檢驗。χ2檢驗有一定的適用條件,n>40且理論數T>5時,可用一般χ2檢驗;n>40,但至少有1個T>1且T<5時,可用校正χ2檢驗;n<40或T<1時用χ2檢驗的確切概率法[15]。

　　②t檢驗誤用於多組資料的比較。在醫學期刊中常會出現將t檢驗誤用於多組資料的比較。多組資料的比較應該採用方差分析F檢驗,當差異具有統計學意義時,再進一步作兩兩比較。當各組均與一個對照組比較時採用Dunnettt檢驗;當各組相互迴圈比較時,則常採用Student-Newman-keulsSNK檢驗,又稱q檢驗[16]。

　　③配對t檢驗與成組t檢驗誤用。大部分論文只註明採用t檢驗,而未註明是配對t檢驗還是成組t檢驗。配對t檢驗常用於處理前後的自身對照,即差值均數與總體均數“0”的比較;成組t檢驗適用於成正態分佈的兩個小樣本均數間的比較。

　　④資料不呈正態分佈時未用非引數檢驗。t檢驗F檢驗等適用於呈正態分佈、方差齊且有確切的測量數值的資料,而非引數檢驗如符號檢驗、秩和檢驗Wilcoxon法、秩檢驗-KruskalWallis法、Friedman法、Ridit分析、Seperman相關等對資料無特殊要求,對按大小順序、評分、等級、反應程度甚至色調深淺等資料都可進行分析比較[17-18]。因此,對於多組計量資料的比較,呈正態分佈且方差齊時用F檢驗,方差不齊時可用變數變換,或採用秩和檢驗;對於兩個小樣本均數的比較或處理前後的比較,方差齊時用成組t檢驗或配對t檢驗，方差不齊時用t′檢驗[19]。

　　3結果解釋時存在的問題

　　統計分析的結果是推翻無效假設或是不能推翻無效假設。無效假設在一般的統計檢驗為兩組總體引數相等。推翻無效假設只能說兩組總體引數不相等而並不能說兩組相差很大。兩組相差如何要對可信區間進行研究觀察後得出。由於統計檢驗不能得出差別的大小,因而結論不能說“有明顯差異”或“有顯著差異”,也不能說“差異非常顯著”,更不能說“差異明顯”。在國外的統計書籍上的英語表達為“significant”,它的正確意義應當是“有意義的、有重要性的”。俄語為“Значмый”和日語中的“有意”也是這個意思。國內只有極個別的英漢詞典把“significant”誤譯為“顯著的”。

　　正確的說法應當是“差異有統計學意義”或“差異有高度統計學意義”等[20]。在解釋差別有統計學意義的結果時，有些人常常根據P值的大小作出對實驗效應差別程度不同的專業結論[21]。例如某實驗研究，比較甲、乙兩種治療方法對某病的治療效果假定甲法的療效優於乙法，若得到“P<0.001”，則認為甲法極顯著優於乙法;若得到“P<0.01”，則認為甲法非常顯著優於乙法;若得到“P<0.05”，則認為甲法顯著優於乙法。犯這種錯誤的原因是錯誤的理解了統計學中P值的概念[7]。統計學上根據假設檢驗原理推算出來的P值表示拒絕特定的無效假設可能犯假陽性錯誤的概率。P值的大小並非指差異的太小，只能反映兩者相同或不相同。

　　P值越小，說明越有理由認為兩種處理方法效果不同，而不能反映對比的兩組或多組之間差異的大小。差異的大小隻能根據專業知識來確定。此外，甚至在部分投稿文章中未交代所採用的統計分析方法，也未見應用統計學的跡象，僅從各組資料的均數大小做出了統計推斷。醫學期刊論文中暴露出來的統計學錯誤，從表面上看是編輯部和審稿者把關不嚴所致。事實上，即使審稿時發現了上述錯誤，也無法改正。因為實驗設計的錯誤只有在科研工作開始之前才有可能得到糾正。即使編輯工作者能夠阻止有嚴重統計學問題的論文發表，也僅僅是治標而已。如何使廣大醫學論文作者在醫學研究中正確應用統計學，提高科研質量才是治本[7]。

　　4對策與建議

　　眾所周知，統計學是從事科學研究不可缺少的工具。從試驗設計、資料收集與表達、資料處理和結果分析，每一個環節都需要正確地運用統計知識，才能真正發揮統計學在科學研究中應起的作用。然而，在已出版和發表的一些學術專著和論文中、通過評審的科研成果和答辯的學位論文中，經常可以看到忽視、輕視和誤用統計學的現象[22]。

　　4.1提高編輯人員的統計學知識

　　應完善編輯人員的知識結構,保證統計學應用的準確性。為此,可定期聘請統計學專家對審稿人員進行統計學知識培訓。科技期刊的群體效應理論[23]認為,期刊編輯的專業結構應多元化,以利於編輯互相學習,實現知識互補。醫學期刊編輯部可考慮聘用統計學專業的研究生作為編輯。

　　編輯應將醫學統計學作為自己的必修課,通過多種方式,如自學自修,參加講座或培訓班學習統計學知識,有條件的編輯部,如醫學院校學報編輯部,可以有計劃地組織編輯參加本科生或研究生醫學統計學課程的學習,也可鼓勵編輯人員在職攻讀統計學專業研究生學位。這樣,可以提高全體編輯人員的統計學水平,最終使編輯和審稿人都能夠發現論文中存在的統計學錯誤,並指導作者修改,正確進行醫學論文中有關統計學分析的描述[24]。另外，有關職能部門或學會可組織與醫學統計學相關的培訓班,聘請統計學專家講課,對編輯人員進行定期統計學知識培訓,加強科研設計、統計學知識的學習[19]。

　　4.2加強醫學統計學專家審稿

　　醫學研究論文專業性強,經常涉及統計學處理問題,有時會遇到統計方法複雜的稿件,這不僅需要本學科專家審稿,而且需要醫學統計專家把關,只有這樣,才能保證論文所報道的研究成果的真實性和可靠性。醫學期刊編委會中應有統計學專家,專門負責稿件統計學方面的審查工作。

　　4.3強化作者的統計學意識

　　目前,我國醫學科研工作者對統計學的重視不夠,沒有認識到統計學的重要性。因此,要加強宣傳,提高醫學科研人員對統計學重要性的認識,強化他們的統計學意識,務必在科研工作中和撰寫論文時做到正確應用統計學。另外,還可以對作者開辦有關科研論文撰寫知識的培訓班,面向臨床醫生,特別是年輕醫生定期培訓。請有研究經驗的專家講授科研課題的設計方法、如何正確運用統計學方法等。這些措施有利於強化作者的統計學意識,並樹立其精品意識,有利於增加優質稿源,從而提高期刊學術質量[19]。

　　總之,提高醫學期刊中統計學應用的質量是一項長期而又艱鉅的工作,它涉及到作者、編者、審者及讀者等多個方面,需要大家共同努力,才能逐步減少以至消除統計學誤用現象,從而提高醫學論文的科學性[14]。

有關推薦：