描述性统计与推论性统计：医学研究者必须掌握的核心区别

两类统计的根本区别

统计学在医学研究中服务于两种根本不同的目的：

描述性统计（Descriptive Statistics）的目的是呈现你手头已有数据的特征——不做任何超出这批数据的推论。均值、中位数、标准差、频率、百分比，都是描述性统计的工具。描述性统计回答的问题是：”这批数据长什么样？”

推论性统计（Inferential Statistics）的目的是用样本数据推断总体（population）的特征，或者检验某个假说是否成立。t检验、ANOVA、卡方检验、回归分析，都是推论性统计的工具。推论性统计回答的问题是：”我观察到的差异或关联，在总体中是否真实存在？”

这两个问题看似相关，实则从根本上不同。描述性统计是”陈述事实”，推论性统计是”做出判断”。

为什么区分很重要：一个常见错误

一项包含200名糖尿病患者的观察性研究，研究者想在Table 1中呈现两组（控制良好vs控制不良）的基线特征，包括年龄、性别、BMI、HbA1c。

错误做法：在Table 1的每个变量后面加上p值（t检验或卡方检验）。

问题所在：Table 1的目的是描述这200名患者的基线特征，回答”两组患者在基线时有什么不同”——这是描述性问题。在描述性表格中加入p值，实质上是在问”这200个人是否能代表某个更大的总体”，这是推论性问题，与Table 1的目的不符。更根本的问题是：如果这200名患者是全部研究对象（而非样本），那么任何差异都是事实，不需要p值来”确认”。

目前主流期刊（包括JAMA、Lancet、NEJM）的统计指南已明确建议：Table 1基线特征表通常不应包含p值，或仅在特定情况下（如随机对照试验确认随机化是否成功）才使用p值。

描述性统计的核心工具与选择

描述性统计的工具选择主要取决于变量类型和数据分布：

连续变量：如果数据正态分布，用均值±标准差（mean ± SD）；如果数据偏态，用中位数和四分位间距（median [IQR]）或全距（range）。正态性的简单判断标准：均值和中位数接近（差值<10%均值）且数据分布对称，则通常可以使用均值±SD；否则优选中位数[IQR]。

分类变量：用频数（n）和百分比（%）呈现，通常格式为”n（%）”。二分类变量（是/否）只需呈现一个方向的频数即可，不必重复报告两个互补的数值。

有序变量（如Likert量表）：通常用中位数和IQR呈现，有时也可用频数分布呈现各等级的比例。

推论性统计的核心逻辑：假说检验框架

推论性统计的核心是假说检验：我们提出一个零假设（H₀，通常是”没有差异”或”没有关联”），然后根据样本数据计算在零假设为真的前提下，观察到当前或更极端结果的概率（p值），并决定是否拒绝零假设。

推论性统计的关键前提是：你的数据是从某个更大总体中抽取的随机样本，而你想把结论推广到这个总体。如果你的数据就是整个总体（如一家医院过去10年的所有病例），推论性统计的意义就需要谨慎考量。

常见的推论性统计工具包括：比较两组均值的t检验、比较多组均值的ANOVA、分析分类变量关联的卡方检验，以及研究变量间关系的回归分析。这些工具的选择取决于研究设计、变量类型和数据分布，选择不当会导致结论无效。

在论文各部分的正确应用

理解描述性和推论性统计的区别后，可以更清楚地判断在论文各部分如何应用：

方法部分：清楚陈述每类变量使用的描述统计方式（如”连续变量以均值±标准差或中位数[IQR]呈现，视分布情况而定”），以及用于假说检验的推论性方法（如”两组比较采用独立样本t检验或Mann-Whitney U检验”）。

结果部分 – Table 1：纯描述性统计，呈现研究对象的基线特征，通常不含p值（或仅在RCT中报告基线平衡性检验）。

结果部分 – 主要分析表：推论性统计，包含效应量（差值、OR、HR等）、置信区间和p值。

讨论部分：对推论性分析结果进行解读，讨论统计显著性（p<0.05）与临床意义（effect size）的关系，提示研究局限性。

与Editverse合作：统计方法的专业支持

Editverse的统计分析支持团队可以协助研究者制定统计分析计划、选择适当的描述和推论统计方法、核查结果部分的统计报告规范性，并提供统计方法的论文写作指导。

欢迎访问 Editverse统计分析支持页面。

结论

描述性统计和推论性统计服务于不同目的，在论文的不同部分各司其职。混淆两者不仅会引发评审专家的质疑，更可能导致错误的科学结论。掌握这一基本区别，是开展规范的医学研究和撰写高质量论文的重要基础。在实践中，遇到不确定的选择时，最好的策略是咨询统计专家或参照目标期刊的统计报告指南。