碱基日读 每天读完真实文献，只讲有用的那一段

工具›统计分析计算器

统计检验怎么选：按数据类型、组数与配对关系对照

回答三个问题就能定下用哪种检验：比数值还是比比例、有几组、是否配对。每一行直接链到对应工具。

选检验方法只需要回答三个问题：比较的是数值还是比例？有几组？数据是配对的吗？ 下面的表按这三个维度排开，每一行都直接链到对应的工具。

比较「数值」——均值或分布位置

组数 设计 数据分布 用什么 工具
1 组 vs 已知值 — 近似正态 单样本 t 检验 t 检验
2 组 独立 近似正态 Welch t 检验（默认） t 检验
2 组 独立 偏态 / 有极端值 / 等级 Mann-Whitney U 非参数检验
2 组 配对 近似正态 配对 t 检验 t 检验
2 组 配对 偏态 / 等级 Wilcoxon 符号秩 非参数检验
3 组以上 独立 正态、方差齐 单因素方差分析 方差分析
3 组以上 独立 正态、方差不齐 Welch 方差分析 方差分析
3 组以上 独立 偏态 / 等级 Kruskal-Wallis 方差分析
3 组以上 重复测量 — 重复测量方差分析 / 混合效应模型 本站暂无

比较「比例」——分类数据与列联表

表格 设计 条件 用什么 工具
2×2 独立 各格期望 ≥ 5 Pearson 卡方 卡方与 Fisher
2×2 独立 有格期望 < 5 Fisher 精确检验 卡方与 Fisher
R×C 独立 各格期望 ≥ 5 Pearson 卡方 卡方与 Fisher
2×2 配对 — McNemar 检验 卡方与 Fisher

看「关联」——两个变量之间

变量类型 关系形态 用什么 工具
两个连续 直线 Pearson r 相关系数
两个连续 单调但弯曲 Spearman ρ / Kendall τ 相关系数
一个连续 vs 一个连续 要预测数值 线性回归 标准曲线

检验之后

情况 用什么 工具
一次做了很多检验 BH / BY / Bonferroni 校正 多重检验校正
方差分析显著，要定位到哪两组 两两比较 + 多重校正 方差分析
实验前算需要多少样本 样本量估算 样本量
基因列表重叠是否显著 超几何 / Fisher 富集显著性

三个决定一切的问题

一、比的是数值还是比例？ 体重、表达量、OD 值是数值，用 t 检验那一族； 「有效/无效」「阳性/阴性」的人数是比例，用卡方那一族。 把比例硬当数值算（比如对 0/1 做 t 检验）是最常见的错配。

二、有几组？ 两组用 t 检验，三组以上用方差分析。 三组两两做 t 检验是错的——三次比较里至少一次假阳性的概率约 14%， 六次约 26%，远高于你以为的 5%。

三、配对还是独立？ 同一个体的前后两次测量、配对匹配的病例对照，都是配对数据。 配对检验作用在差值上，把个体间差异消掉了，通常比独立检验更灵敏。 把配对数据当独立数据分析会白白损失功效，反过来则会高估显著性。

正态性怎么判断

严格说要看数据的分布，但有两条实用原则：

样本量小于 5～6 个时，正态性根本检验不出来。 此时正态性检验（如 Shapiro-Wilk） 几乎没有功效，做了也不能说明什么。这种情况下若对分布没有把握， 用秩检验更稳妥——但要先看它在这个样本量下最小可能的 p 值， n=5 的配对秩检验最小双尾 p 就是 0.0625，无论效应多大都到不了 0.05。

明显偏态、有极端值、或本身就是等级资料（如 1–5 分打分）时，直接用秩检验。 不必先做正态性检验再决定——那样会让整体假阳性率升高。

本站没有的

诚实起见列出来：重复测量方差分析与混合效应模型（同一个体多次测量、 或有随机效应的设计）本站没有提供。这类模型需要指定协方差结构， 不适合做成填几个数就出结果的网页工具，请用 R 的 lme4/nlme 或 SPSS。

生存分析（Kaplan-Meier、Cox 回归）同样不在本站范围内。

常见问题

为什么不能先做正态性检验再决定用哪个方法？

因为那会让整体假阳性率升高：你用同一批数据先选方法再做检验，选择本身依赖数据。而且样本量小时正态性检验几乎没有功效——最需要判断的时候它最不管用。实践中的做法是按数据类型和领域惯例事先定好：明显偏态或等级资料直接用秩检验，其余用参数检验并报告效应量。

三组两两做 t 检验到底错在哪？

每次检验的 α=0.05 是单次的假阳性率。三组两两比较共 3 次，至少一次假阳性的概率约 14%；六组共 15 次，约 54%。方差分析用一次检验回答「这几组里是否存在差异」，把整体假阳性率控制在 α。确实要两两比较时，应在方差分析之后做，并对 p 值做多重检验校正。

配对数据当独立数据分析会怎样？

会损失功效。配对设计的价值在于消掉个体间差异——同一个人前后测两次，个体基线的高低不影响差值。当成独立两组，个体间差异会进入误差项，把真实效应淹没掉。反过来，把独立数据硬配对则会高估显著性。

本站为什么不做重复测量方差分析？

它需要指定协方差结构（球形假设是否成立、用哪种校正），不同选择会给出不同结果，做成「填几个数就出答案」的网页工具容易误导。混合效应模型同理。这类分析建议用 R 的 lme4/nlme 或 SPSS。

选好方法之后还要注意什么？

两件事。一是多重检验：一次做了很多检验就要校正 p 值。二是效应量与置信区间：p 值只回答「差异像不像随机」，样本量足够大时毫无实际意义的差异也会显著。报结果时两者都要给。

相关解读

相关工具

米氏方程 Km 与 Vmax 计算（非线性拟合 + 三种线性化对照）

输入若干组底物浓度与反应速率，用非线性拟合求 Km 与 Vmax，并把 Lineweaver-Burk、Hanes-Woolf、Eadie-Hofstee 三种线性化的结果并排列出——它们的分歧本身就是数据质量的读数。

IC50 / EC50 四参数拟合计算器（含数据可信度检查）

输入若干组浓度与响应，用四参数 logistic 拟合 IC50/EC50、Hill 斜率与两端平台，并检查浓度有没有铺到平台、固定斜率会让结果偏多少——这两件事比 R² 重要。

Kaplan-Meier 生存曲线与 log-rank 检验计算器

贴两组的「时间 状态」数据，算出各组 Kaplan-Meier 生存表、中位生存期，以及 log-rank 检验的 χ² 和 p 值；逐时刻明细可直接与教科书演算核对。
没有广告，不收集数据，每个公式都验算过。维护它需要持续投入——如果帮你省了时间，请杯咖啡。
请杯咖啡 了解更多 →