生物医学动物实验研究论文
1实验设计
在开展生物医学研究时，研究者通过正确地运用统计学知识，可直接影响研究的质量。统计学设计的任务在于对研究的部署、实施，直到研究结果的解释进行系统的安排，力争做到以最少的人力、物力获得可靠的结论和信息。其目的在于确定某种处理是否会表现出某种特定的效应。在实验设计时应遵循惟一差异原则，即在进行两组比较时，两者之间仅有因处理因素不同而引起的差异，而其他实验条件相关的非处理因素都应保持等同。然而，处理组与对照组在反应上表现出的差别并不一定意味着是处理的结果。另有两种引起差别的可能性，即偏倚和偶然性。偏倚是指系统性差别，它不是因组间在处理上的不同所引起。生物医学实验中统计学设计和分析的目标就是消除潜在的偏倚，减少偶然性[2]。
1.1实验的偏倚和控制
偏倚是在研究中从设计到实验实施和结果分析的各环节存在一些人为的、有系统倾向的非随机误差，它不是由于抽样造成的，而是某种偏性使得实验结果偏离它的真值。从所选择的生物医学问题到研究方案的制订与实施、实验的完成过程、实验的分析与解释，乃至实验结果的发表，均可能存在各式各样的偏倚[2]。这种偏倚常常表现为系统误差。偏倚的大小取决于研究的方法和具体的实验条件。常见的偏倚主要有选择性偏倚、观察性偏倚和混杂性偏倚。必须认识实验过程的偏倚，从实验设计起直到整个研究过程结束均要加以控制。正确的实验设计可控制选择性的偏倚，事前人为控制和***取相应的措施可避免和减少观察性的偏倚。对于混杂性偏倚，可将重要的混杂因素在设计阶段进行分层随机设计，使混杂因素在组间分布均衡；在统计分析阶段将混杂因素作为分层因素或***用有协变量分析方法，以消除混杂因素的影响。只有有效地控制或消除偏倚，方可减少结果的***阳性或***阴性。
1.2减少偶然性的潜在影响
偶然性因素的作用可以减少，但不能完全排除。因为即使是在精心实施的研究中，接受同样处理的动物，其反应也不可能完全一样。适当的统计分析可使实验人员评估出现***阳性的概率，即根本不存在处理效应的情况下观察到差异的概率。这种概率越小，实验者发现真实效应的可能性就越大。为了更有把握地检测出真实效应，有必要减少偶然性的作用，并通过实验设计确保能在“噪声”之上识别真正的“信号”。
1.3实验设计的要素
要消除生物医学实验中潜在的偏倚，减少偶然性，就应对实验对象、处理因素和实验效应这三个实验设计要素，按照对照、重复、随机化和均衡四项原则进行周到的设计与控制[3]。1.3.1实验对象实验中处理因素所作用的对象称为实验对象。不同性质的实验研究需要选取不同种类的实验对象，一个完整的实验设计中所需实验对象的总数称为样本含量。生物医学试验中考虑动物实验对象时应关注以下几个方面：①动物种属的选择：选择实验动物的种属与品系时，尤其需要注意其背景反应的水平。为了将反应“信号”水平最大化，常常意味着应避免选择那些背景反应水平极低的动物种属或品系，但如果***用过度反应的动物种属或品系也同样会出现问题。动物物种选择中的其他问题，无论是实际问题（寿命、体型、易得性、对动物学特征的了解情况）或是理论问题（生化、生理或解剖结构与人的相似性），都需要从专业的角度认真加以考虑和权衡。②动物的数量：虽然从统计设计角度考虑可得出某项实验所需的动物数（样本含量），但所得出的数值往往很大。因此，虽然样本含量估计是保证结论可靠性（精度和检验效能）的前提，但基于实验的可操作性及经济原则方面的考虑，应结合统计学的计算结果与以往的生物医学研究经验予以确定。③动物的体重与年龄：为确保实验对象的同质性，实验中所使用的动物体重与年龄应尽可能相近；动物体重的标准差不应超出平均值的10%；啮齿类等小动物年龄相差不应超出1周，大动物年龄相差不应超出1个月。④动物的分层：为了准确检测一种处理因素引起的差别，各处理组在可能影响实验结果的其他非处理因素方面应尽可能具有同质性。当存在动物亚系间的差别时，有两种方法可得到更为准确的结论。一是在结果分析阶段将亚系作为一个“分层变量”处理，包括对两个亚系的结果进行单独分析，然后将结果综合，得出处理效应的总结论；二是将亚系作为实验设计的“区组因素”，这种情况下可使对照组与处理组中每个亚系动物数量相等。除以上所讨论的“亚系”之外，其他的非处理因素，如性别、窝别、体重段等也可作为分层变量进行局部控制，并据此进行分层随机化分组。1.3.2处理因素设计实验研究时，要明确研究中的处理因素和影响实验效应的非处理因素。研究者希望通过对研究设计进行有***的安排，从而能科学地考察其效应大小的因素称为处理因素或实验因素；研究者往往忽略对评价实验因素作用大小有一定干扰的重要的非处理因素或非实验因素（如动物的窝别、体重等）；其他未加控制的许多因素的综合作用统称为实验误差。实验结果是处理因素和非处理因素共同作用而产生的实验效应，因此如何控制和排除非处理因素的干扰，正确显示处理的效应，是实验设计的基本任务。1.3.3实验效应实验效应是处理因素作用于受试对象的反应和结果，是反映实验因素作用强弱的标志，它通过观察指标（统计学常将指标称为变量）来体现。如果指标选择不当，未能准确反映处理因素的作用，获得的研究结果就缺乏科学性，因此选择好观察指标是关系整个研究成败的重要环节。指标的观察应避免带有偏性或偏倚，要结合专业知识，尽可能多地选用客观性强的指标，在仪器和试剂允许的条件下，应尽可能多选用特异性强、灵敏度高、准确可靠的客观指标。对一些半客观（如尿液pH试纸读数值）或主观指标（行为测量、病理观察），一定要事先规定读取数值的严格标准，只有这样才能准确地分析实验结果，从而提高实验结果的可信度。
1.4实验设计的原则
为了防止结果的偏倚，保证实验结果的准确性和最大化的表达，在进行生物医学实验设计时必须遵循统计学设计的对照、重复、随机化和均衡四个基本原则。生物医学实验中对照组的设置必须具备三个条件：①对等原则，即惟一差别原则，除处理因素外，对照组具备与实验组对等的非处理因素。在相互比较的各组间，除了给予的处理因素不同外，其他方面应与实验组具有一致性，如相同的实验单位来源（动物种属、体重等）和相同的实验条件、操作方式和喂养环境等。②同步原则，对照组与实验组设立之后，在整个研究进程中始终处于同一空间和同一时间。③专设原则，任何一个对照组都是为相应的实验组专门设立的。不得借用文献上的记载或以往结果或其他研究资料作为本研究之对照。
1.5生物医学中常用的实验设计类型
如果需要在同一实验中同时评价几种不同的效应，实验者应该安排能区别各自效应差别的实验设计方法。生物医学中常用的实验设计有以下几项。1.5.1完全随机设计完全随机设计是生物医学动物实验中最为常用的一种实验设计方法，它是一种单因素有k个水平（k≥2）组的实验设计。即实验设计可设置一个对照或多个剂量组的实验方案。本设计保证每个实验动物都有相同机会接受任何一种处理，而不受实验人员主观倾向的影响。本设计应用了重复和随机化两个原则，因此能使实验结果受非处理因素的影响基本一致，真实反映出实验的处理效应。1.5.2随机区组设计随机化完全区组设计，简称随机区组设计，又称配伍组设计，是配对设计的扩展，它将几个条件相同的受试者划分在同一个区组或配伍组，然后再按随机的原则，将同一配伍组的受试者随机分配到各实验组。该设计方法的优点是每个区组内的k个实验单位有较好的同质性，比完全随机设计更容易察觉处理间的差别。这种方法须特别注意的是要求区组内实验单位数与处理数相同，实验结果中若有缺失值，统计分析将损失部分信息。1.5.3拉丁方设计拉丁方设计从横行和直列两个方向进行双重局部控制，使得横行和直列两向皆成区组，是比随机区组设计多一个区组因素的设计。在拉丁方设计中，每一行或每一列都成为一个完全区组，而每一处理在每一行或每一列都只出现一次，也就是说，在拉丁方设计中，实验处理数=横行区组数=直列区组数=实验处理的重复数。1.5.4析因设计析因实验设计又称全因子实验设计，属于多因素、多水平单效应的设计。它不仅可以检验每一因素各水平之间的效应差异，而且可以检验各因素之间的交互作用。交互作用是指一个因素不同水平间的效应差受另一因素的影响，包括协同交互作用和拮抗交互作用。析因实验主要用于分析交互作用，当因素及水平数过多时，所需的实验对象数、处理组数和实验次数大幅度增加，故一般***用较简单的析因实验。含有较多因素和水平的实验一般***用正交实验设计[5]。
2生物医学动物实验的描述统计学
2.1生物医学实验资料的类型
生物医学实验对实验对象（动物）进行干预后测定的观测指标通常有以下类型：①连续性数据：测定结果表现为有数字大小和单位的数据，统计上称定量资料，如生理、生化指标，体重值，器官重量等。②分类数据：测定结果表现为按某属性划分的定性类别，统计上称为定性资料，具体又可以分为二值资料、多值名义资料和多值有序资料。如某反应为出现或不出现，死亡或未死亡，有畸形或无畸形；病理损害的严重程度（无、轻度、中度、重度）等。
2.2统计描述指标
描述性统计学（或归纳统计学）是对样本观察/测量数据频率分布的定量研究，描述性统计的目的在于：①对测量值或观察值进行归纳浓缩，用统计量、统计图或统计表的形式表现；②估计总体分布的参数。2.2.1资料的整理与探索对于某一测量指标，一般应从文献资料中了解其分布类型。如果没有判断概率分布的理论基础，应重复以大样本测定，绘制样本的频数分布图（理论上样本量要大于100），并经统计学检验拟合其分布。2.2.2数据的描述统计量①连续性数据的频数分布：通过对样本资料编制频数分布表或做茎叶图，以确定资料分布的类型、频数分布的集中趋势和离散趋势、估计总体参数，也便于发现离群值。②中心位置的描述统计量：描述数据分布的集中趋势，常用指标为算术均数、中位数、众数、几何均数等。③离散程度的描述统计量：描述数据分布的离散趋势，常用指标为标准差和方差、极差和四分位数间距、变异系数和离散系数等。④统计学图表：统计图包括连续性数据分布的直方图、茎叶图，表示数据中心位置和离散程度的点杆图（做图时表示均数和标准差）和盒须图（做图时表示中位数、极差、四分位数间距），描述构成比数据资料的百分条图、饼图，描述经时变化趋势的线图，以及预测和检验分布类型的概率-概率图（P-P图）等[6]。统计表具有简单、明了、易于理解、便于比较的优点。编制统计表时原则上应当重点突出、层次分明、避免层次过多或结构混乱。一般的统计表应为三线表，表中只有横线，无竖线和斜线。统计表的标目应层次清楚，不宜过于复杂。
3生物医学动物实验的***设检验
生物医学动物实验中最常见的情况是给予不同受试物后进行组间比较，通过统计学中的***设检验，说明受试物的作用。***设检验时应注意以下问题。
3.1检验方法的选用依据
3.1.1资料的类型和变量的数目不同类型的资料（定量、定性）的组间比较应***用不同的统计检验方法。单变量、多变量的`统计检验方法也各不相同。3.1.2实验设计类型应该根据实验设计的具体类型选择对应的统计检验方法，以便得到处理组效应的真实结论。3.1.3检验方法的前提条件选用***设检验方法前，应了解所分析的数据资料是否满足相应检验方法的前提条件，如t检验和方差分析等参数检验方法要求数据满足正态性和方差齐性，2检验要求样本含量大于40且理论频数大于5。
3.2正态性检验及拟合优度检验
统计学***设检验须判定样本的频数分布是否符合某一理论分布，如符合要求就可按此理论分布来进行统计学处理。对正态分布可***用正态性检验，其他分布可用拟合优度检验。通常可通过查阅文献，了解实验参数符合何种理论分布。
3.3方差齐性检验
连续性数据未达到参数法统计分析前提的第二种原因即为方差不齐。一般而言，数值愈大，其固有的变异性也愈大。例如，若某组动物的平均反应值为100，其数值范围可能为80~120；而另一组动物的平均反应值为300，其数值范围可能会扩大至240~360。解决方差不齐的措施是进行数据转换。若数据的标准差与平均值成正比，在统计分析前宜将数据转换为对数值之后再进行分析，据此，不仅数据的变异度与平均值大小无关，同时还可确保其更符合正态分布。若数据变异度增加幅度与平均值的关系不太明显，***用平方根转换则更易使数据的变异度与平均值大小无关。某些数据经对数或平方根转换后可能仍存在方差不齐，此时宜***用非参数检验。
3.4单侧检验与双侧检验
检验***设选择单侧检验或双侧检验，应事先根据专业知识做出选择。一般而言，若研究目的仅须了解是否存在组间差异、实验者无法预测组间变化的方向以及实验者希望获得正负两方面的结果时，应***用双侧检验。若事先可预测组间差异的变化方向，实验者仅对某一方面的重要***兴趣，实验者仅希望了解与对照组差异或正或负一个方向，则应***用单侧检验。此外，剂量设计预试验中应***用双侧检验，正式试验在了解相关信息后可***用单侧检验。
3.5多重比较及多重性问题
生物医学实验经常在处理组和对照组之间做多个变量的比较。即使不存在真正的实验效应，也有可能纯粹由于偶然性而有一个或多个变量在5%检验水平出现显著性差别。除了上述均数多重比较导致Ⅰ类错误概率增加的多重性问题之外，其他的多重性问题还包括多次的中期分析、关注多个结局、亚组间的多重比较。处理多重性问题的原则包括：①预先***进行多重比较；②限制比较的次数；③多重比较时***用更严格的界值标准；④多重比较具有生物学方面的依据。
3.6观察值或实验对象的独立性
许多统计检验方法要求比较的观察值或实验对象相互独立，如二项分布的率检验、t检验和方差分析等。但是，有的生物医学实验中观察单位并不独立。例如，生殖和发育研究中就存在窝效应：由于遗传因素、宫内的发育环境和药物的代谢环境相似，与异窝胎仔相比，同窝胎仔之间对毒性效应的反应概率趋于系统，即同窝内数据为聚集性数据，这就是一种常见的非独立数据。在统计学分析时，忽略数据的窝内相关性具有潜在的风险；因同窝母鼠所产k个胎仔的观察值存在共性，其所提供的信息不及k个独立的来自不同母鼠所产胎仔所提供的信息；窝内相关性愈大，其信息量愈少。聚集性数据的均数标准误小于独立的数据，因此，若基于观察值独立的统计分析方法，就会增加犯Ⅰ类错误的概率，即***阳性的风险增加，降低实验的有效性。
3.7历史对照数据的应用
某些情况下，尤其是在发生率较低的情况下，单项研究可能提示处理可影响肿瘤发生率，但无法得出明确的结论。可能想到的分析办法之一是将处理组的数据与来自其他研究的对照组动物相比较。虽然历史对照数据具有重要意义，但值得强调的是，众多原因可导致不同研究之间的变异度大于研究之内的变异度。动物来源、饲料及饲养条件，研究期限，研究中的动物死亡率、读片的病理学家等均可能影响最终的肿瘤发生率。故此，忽视这些差异，将处理组的肿瘤发生率与合并的对照组发生率相比较，可能得出严重错误的结果，并进而明显夸大统计显著性水平。Tarone[4]曾对历史对照组的比率数据分析进行过综述。
3.8***设检验的局限性
首先，***设检验中的P值并未提供有关处理诱发效应大小的直接信息。某一受试物可诱发一定量的、反应的增加，但增加的幅度是否具有统计显著性则取决于研究的规模和数据的变异性。在规模较小的研究中，有可能错失较大、重要的效应，尤其是在检测终点测量精度不高的情况下。相反，在规模较大的研究中，较小、非重要的效应则具有统计显著性。例如，D药与C药相比，降血压效应相差近30mmHg，但因为例数仅10例，***设检验未发现显著性差异（P=0.31）；相反，B药与A药相比，降血压效应仅相差0.2mmHg，但因为例数达500例，***设检验却发现存在显著性差异（P<0.001）。由此可见，统计学显著性与效应大小无直接相关性。因此，愈来愈多的统计学家主张以处理组与对照组差异值的95%置信区间表述处理的效应。据此，若处理反应的增加值为10个单位（95%置信区间3~17单位），则该区间包含真实差异的几率为95%。若置信区间的下限大于零，则双侧检验的P值小于0.05。其次，***设检验无法消除实验设计或实施不当所带来的影响。虽然前述的分层分析等有助于发现真实的差异，但若实验设计存在偏倚，或实验实施过程中存在偏差或失误，***设检验方法一般也于事无补。因此，在生物医学实验过程中应注重对实验设计或实施过程进行严格的质量控制和质量保证措施，强化GLP规范意识。其三，对统计学分析本身的质量控制和质量保证也是确保研究质量的重要环节。所用统计分析软件包应经过充分的认证，以确保分析结果的准确、可靠性。数据的录入、核对和分析结果的报告与归档，均应制订并严格执行相关的标准操作规程。综上所述，在动物实验研究的多个环节，统计学中的相关理论和方法都能够发挥重要作用。统计学不仅可以保证结果的科学性和可靠性，在很多情况下也可以极大地提高研究效率，节约研究成本。在这里还必须强调，除了实验后期的数据分析以外，在实验方案的制定阶段也需要统计学人员的早期介入，这样有助于避免实验设计出现大的偏差和漏洞，有利于研究目标的顺利实现。
;问题一：常见的数据分析方法有哪些 1、聚类分析（Cluster Analysis）
聚类分析指将物理或抽象对象的 *** 分组成为由类似的对象组成的多个类的分析过程。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致。
2、因子分析（Factor Analysis）
因子分析是指研究从变量群中提取共性因子的统计技术。因子分析就是从大量的数据中寻找内在的联系，减少决策的困难。
因子分析的方法约有10多种，如重心法、影像分析法，最大似然解、最小平方法、阿尔发抽因法、拉奥典型抽因法等等。这些方法本质上大都属近似方法，是以相关系数矩阵为基础的，所不同的是相关系数矩阵对角线上的值，***用不同的共同性□2估值。在社会学研究中，因子分析常***用以主成分分析为基础的反覆法。
3、相关分析（Correlation Analysis）
相关分析（correlation *** ysis），相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度。相关关系是一种非确定性的关系，例如，以X和Y分别记一个人的身高和体重，或分别记每公顷施肥量与每公顷小麦产量，则X与Y显然有关系，而又没有确切到可由其中的一个去精确地决定另一个的程度，这就是相关关系。
4、对应分析（Correspondence Analysis）
对应分析(Correspondence *** ysis)也称关联分析、R-Q型因子分析，通过分析由定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系。对应分析的基本思想是将一个联列表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来。
5、回归分析
研究一个随机变量Y对另一个(X)或一组(X1，X2，…，Xk)变量的相依关系的统计分析方法。回归分析（regression *** ysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。
6、方差分析(ANOVA/Analysis of Variance)
又称“变异数分析”或“F检验”，是R.A.Fisher发明的，用于两个及两个以上样本均数差别的显著性检验。由于各种因素的影响，研究所得的数据呈现波动状。造成波动的原因可分成两类，一是不可控的随机因素，另一是研究中施加的对结果形成影响的可控因素。方差分析是从观测变量的方差入手，研究诸多控制变量中哪些变量是对观测变量有显著影响的变量。这个 还需要具体问题具体分析
问题二：在解决实际问题时常用的分析方法有哪些 在实际工作中,通常***用的技术分析方法有对***析法,因素分析法和相关分析法等三种.
1、对***析法
对***析法是根据实际成本指标与不同时期的指标进行对比,来揭示差异,分析差异产生原因的一种方法.在对***析中,可***取实际指标与***指标对比,本期实际与上期(或上年同期,历史最好水平)实际指标对比,本期实际指标与国内外同类型企业的先进指标对比等形式.通过对***析,可一般地了解企业成本的升降情况及其发展趋势,查明原因,找出差距,提出进一步改进的措施.在***用对***析时,应注意本期实际指标与对比指标的可比性,以使比较的结果更能说明问题,揭示的差异才能符合实际.若不可比,则可能使分析的结果不准确,甚至可能得出与实际情况完全不同的相反的结论.在***用对***析法时,可***取绝对数对比,增减差额对比或相对数对比等多种形式.
比较分析法按比较内容（比什么）分为：
（1）比较会计要素的总量
（2）比较结构百分比
（3）比较财务比率
2、因素分析法
因素分析法是将某一综合性指标分解为各个相互关联的因素,通过测定这些因素对综合性指标差异额的影响程度的一种分析方法.在成本分析中***用因素分析法,就是将构成成本的各种因素进行分解,测定各个因素变动对成本***完成情况的影响程度,并据此对企业的成本***执行情况进行评价,并提出进一步的改进措施.
***用因素分析法的程序如下：
(1)将要分析的某项经济指标分解为若干个因素的乘积.在分解时应注意经济指标的组成因素应能够反映形成该项指标差异的内在构成原因,否则,计算的结果就不准确.如材料费用指标可分解为产品产量,单位消耗量与单价的乘积.但它不能分解为生产该产品的天数,每天用料量与产品产量的乘积.因为这种构成方式不能全面反映产品材料费用的构成情况.
(2)计算经济指标的实际数与基期数(如***数,上期数等),从而形成了两个指标体系.这两个指标的差额,即实际指标减基期指标的差额,就是所要分析的对象.各因素变动对所要分析的经济指标完成情况影响合计数,应与该分析对象相等.
(3)确定各因素的替代顺序.在确定经济指标因素的组成时,其先后顺序就是分析时的替代顺序.在确定替代顺序时,应从各个因素相互依存的关系出发,使分析的结果有助于分清经济责任.替代的顺序一般是先替代数量指标,后替代质量指标；先替代实物量指标,后替代货币量指标；先替代主要指标,后替代次要指标.
(4)计算替代指标.其方法是以基期数为基础,用实际指标体系中的各个因素,逐步顺序地替换.每次用实际数替换基数指标中的一个因素,就可以计算出一个指标.每次替换后,实际数保留下来,有几个因素就替换几次,就可以得出几个指标.在替换时要注意替换顺序,应***取连环的方式,不能间断,否则,计算出来的各因素的影响程度之和,就不能与经济指标实际数与基期数的差异额(即分析对象)相等.
(5)计算各因素变动对经济指标的影响程度.其方法是将每次替代所得到的结果与这一因素替代前的结果进行比较,其差额就是这一因素变动对经济指标的影响程度.
(6)将各因素变动对经济指标影响程度的数额相加,应与该项经济指标实际数与基期数的差额(即分析对象)相等.
上述因素分析法的计算过程可用以下公式表示：
设某项经济指标N是由A,B,C三个因素组成的.在分析时,若是用实际指标与***指标进行对比,则***指标与实际指标的计算公式如下：
***指标N0=A0×B0×C0
实际指标N1=A1×B1×C1
分析对象为N1-N0的差额.
***用因素分析法测定各因素变动对指标N的影响程度时,......>>
问题三：常用的分析方法有哪些 目前系统安全分析法有20余种，其中常用的分析法是：
（1）安全检查表（safety check list）
（2）初步危险分析（PHA）
（3）故障类型、影响及致命度分析（FMECA）
（4）***要分析（ETA）
（5）事故树分析（FTA）
问题四：常用的分析方法及模型有哪些？ 不细说了，直接百度搜索此书――《赢取竞争的100+N工具箱(mba原版1862页).pdf》 目录太长，涉及版权也不能再上图了
下载不到的评论留下邮箱
问题五：常用的药物分析方法有哪些 重量分析法
酸碱滴定法
沉淀滴定法
氧化还原滴定法
非水滴定法
药物仪器分析法
紫外分光光度法
质谱法
核磁共振波谱法
薄层色谱法
气相色谱法
高效液相色谱法
电泳法和PH值测定法
物理常数测定法
问题六：数据分析方法有哪些 一、描述性统计
描述性统计是一类统计方法的汇总，揭示了数据分布特性。它主要包括数据的频数分析、数据的集中趋势分析、数据离散程度分析、数据的分布以及一些基本的统计图形。
1、缺失值填充：常用方法有剔除法、均值法、决策树法。
2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以在做数据分析之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。
二、回归分析
回归分析是应用极其广泛的数据分析方法之一。它基于观测数据建立变量间适当的依赖关系，以分析数据内在规律。
1. 一元线性分析
只有一个自变量X与因变量Y有关，X与Y都必须是连续型变量，因变量Y或其残差必须服从正态分布。
2. 多元线性回归分析
使用条件：分析多个自变量X与因变量Y的关系，X与Y都必须是连续型变量，因变量Y或其残差必须服从正态分布。
3.Logistic回归分析
线性回归模型要求因变量是连续的正态分布变量，且自变量和因变量呈线性关系，而Logistic回归模型对因变量的分布没有要求，一般用于因变量是离散时的情况。
4. 其他回归方法：非线性回归、有序回归、Probit回归、加权回归等。
三、方差分析
使用条件：各样本须是相互独立的随机样本；各样本来自正态分布总体；各总体方差相等。
1. 单因素方差分析：一项试验只有一个影响因素，或者存在多个影响因素时，只分析一个因素与响应变量的关系。
2. 多因素有交互方差分析：一顼实验有多个影响因素，分析多个影响因素与响应变量的关系，同时考虑多个影响因素之间的关系
3. 多因素无交互方差分析：分析多个影响因素与响应变量的关系，但是影响因素之间没有影响关系或忽略影响关系
4. 协方差分祈：传统的方差分析存在明显的弊端，无法控制分析中存在的某些随机因素，降低了分析结果的准确度。协方差分析主要是在排除了协变量的影响后再对修正后的主效应进行方差分析，是将线性回归与方差分析结合起来的一种分析方法。
四、***设检验
1. 参数检验
参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验 。
2. 非参数检验
非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一般性***设（如总体分布的位D是否相同，总体分布是否正态）进行检验。
适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。
1）虽然是连续数据，但总体分布形态未知或者非正态；
2）总体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下；
主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。
问题七：常用的数据分析方法有哪些？ 10分 一、掌握基础、更新知识。
基本技术怎么强调都不过分。这里的术更多是（计算机、统计知识）， 多年做数据分析、数据挖掘的经历来看、以及业界朋友的交流来看，这点大家深有感触的。
数据库查询―SQL
数据分析师在计算机的层面的技能要求较低，主要是会SQL，因为这里解决一个数据提取的问题。有机会可以去逛逛一些专业的数据论坛，学习一些SQL技巧、新的函数，对你工作效率的提高是很有帮助的。
统计知识与数据挖掘
你要掌握基础的、成熟的数据建模方法、数据挖掘方法。例如：多元统计：回归分析、因子分析、离散等，数据挖掘中的：决策树、聚类、关联规则、神经网络等。但是还是应该关注一些博客、论坛中大家对于最新方法的介绍，或者是对老方法的新运用，不断更新自己知识，才能跟上时代，也许你工作中根本不会用到，但是未来呢？
行业知识
如果数据不结合具体的行业、业务知识，数据就是一堆数字，不代表任何东西。是冷冰冰，是不会产生任何价值的，数据驱动营销、提高科学决策一切都是空的。
一名数据分析师，一定要对所在行业知识、业务知识有深入的了解。例如：看到某个数据，你首先必须要知道，这个数据的统计口径是什么？是如何取出来的？这个数据在这个行业， 在相应的业务是在哪个环节是产生的？数值的代表业务发生了什么（背景是什么）？对于A部门来说，本月新会员有10万，10万好还是不好呢？先问问上面的这个问题：
对于A部门，
1、新会员的统计口径是什么。第一次在使用A部门的产品的会员？还是在站在公司角度上说，第一次在公司发展业务接触的会员？
2、是如何统计出来的。A：时间；是通过创建时间，还是业务完成时间。B：业务场景。是只要与业务发接触，例如下了单，还是要业务完成后，到成功支付。
3、这个数据是在哪个环节统计出来。在注册环节，在下单环节，在成功支付环节。
4、这个数据代表着什么。10万高吗？与历史相同比较？是否做了营销活动？这个行业处理行业生命同期哪个阶段？
在前面二点，更多要求你能按业务逻辑，来进行数据的提取（更多是写SQL代码从数据库取出数据）。后面二点，更重要是对业务了解，更行业知识了解，你才能进行相应的数据解读，才能让数据产生真正的价值，不是吗？
对于新进入数据行业或者刚进入数据行业的朋友来说：
行业知识都重要，也许你看到很多的数据行业的同仁，在微博或者写文章说，数据分析思想、行业知识、业务知识很重要。我非常同意。因为作为数据分析师，在发表任何观点的时候，都不要忘记你居于的背景是什么？
但大家一定不要忘记了一些基本的技术，不要把基础去忘记了，如果一名数据分析师不会写SQL，那麻烦就大了。哈哈。。你只有把数据先取对了，才能正确的分析，否则一切都是错误了，甚至会导致致命的结论。新同学，还是好好花时间把基础技能学好。因为基础技能你可以在短期内快速提高，但是在行业、业务知识的是一点一滴的积累起来的，有时候是急不来的，这更需要花时间慢慢去沉淀下来。
不要过于追求很高级、高深的统计方法，我提倡有空还是要多去学习基本的统计学知识，从而提高工作效率，达到事半功倍。以我经验来说，我负责任告诉新进的同学，永远不要忘记基本知识、基本技能的学习。
二、要有三心。
1、细心。
2、耐心。
3、静心。
数据分析师其实是一个细活，特别是在前文提到的例子中的前面二点。而且在数据分析过程中，是一个不断循环迭代的过程，所以一定在耐心，不怕麻烦，能静下心来不断去修改自己的分析思路。
三、形成自己结构化的思维。
数据分析师一定要严谨。而严谨一定要很强的结构化思维，如何提高结构化思维，也许只需要工作队中不断的实践。但是我推荐你用mindman......>>
问题八：常用的多元分析方法？ 包括3类:①多元方差分析、多元回归分析和协方差分析，称为线性模型方法，用以研究确定的自变量与因变量之间的关系；②判别函数分析和聚类分析,用以研究对事物的分类；③主成分分析、典型相关和因素分析，研究如何用较少的综合因素代替为数较多的原始变量。
多元方差分析
是把总变异按照其来源（或实验设计）分为多个部分，从而检验各个因素对因变量的影响以及各因素间交互作用的统计方法。例如，在分析2×2析因设计资料时，总变异可分为分属两个因素的两个组间变异、两因素间的交互作用及误差（即组内变异）等四部分,然后对组间变异和交互作用的显著性进行F检验。
多元方差分析的优点
是可以在一次研究中同时检验具有多个水平的多个因素各自对因变量的影响以及各因素间的交互作用。其应用的限制条件是，各个因素每一水平的样本必须是独立的随机样本，其重复观测的数据服从正态分布，且各总体方差相等。
多元回归分析
用以评估和分析一个因变量与多个自变量之间线性函数关系的统计方法。一个因变量y与自变量x1、x2、…xm有线性回归关系是指： 其中α、β1…βm是待估参数，ε是表示误差的随机变量。通过实验可获得x1、x2…xm的若干组数据以及对应的y值，利用这些数据和最小二乘法就能对方程中的参数作出估计，记为╋、琛常它们称为偏回归系数。
多元回归分析的优点
是可以定量地描述某一现象和某些因素间的线性函数关系。将各变量的已知值代入回归方程便可求得因变量的估计值（预测值），从而可以有效地预测某种现象的发生和发展。它既可以用于连续变量，也可用于二分变量（0，1回归）。多元回归的应用有严格的限制。首先要用方差分析法检验自变量y与m个自变量之间的线性回归关系有无显著性，其次，如果y与m个自变量总的来说有线性关系，也并不意味着所有自变量都与因变量有线性关系，还需对每个自变量的偏回归系数进行t检验,以剔除在方程中不起作用的自变量。也可以用逐步回归的方法建立回归方程，逐步选取自变量，从而保证引入方程的自变量都是重要的。
协方差分析
把线性回归与方差分析结合起来检验多个修正均数间有无差别的统计方法。例如，一个实验包含两个多元自变量，一个是离散变量(具有多个水平)，一个是连续变量，实验目的是分析离散变量的各个水平的优劣，此变量是方差变量；而连续变量是由于无法加以控制而进入实验的，称为协变量。在运用协方差分析时，可先求出该连续变量与因变量的线性回归函数，然后根据这个函数扣除该变量的影响，即求出该连续变量取等值情况时因变量的修正均数，最后用方差分析检验各修正均数间的差异显著性，即检验离散变量对因变量的影响。
协方差分析兼具方差分析和回归分析的优点
可以在考虑连续变量影响的条件下检验离散变量对因变量的影响，有助于排除非实验因素的干扰作用。其限制条件是，理论上要求各组资料（样本）都来自方差相同的正态总体,各组的总体直线回归系数相等且都不为0。因此应用协方差分析前应先进行方差齐性检验和回归系数的***设检验，若符合或经变换后符合上述条件，方可作协方差分析。
判别函数分析
判定个体所属类别的统计方法。其基本原理是：根据两个或多个已知类别的样本观测资料确定一个或几个线性判别函数和判别指标，然后用该判别函数依据判别指标来判定另一个个体属于哪一类。 判别分析不仅用于连续变量，而且借助于数量化理论亦可用于定性资料。它有助于客观地确定归类标准。然而，判别分析仅可用于类别已确定的情况。当类别本身未定时，预用聚类分析先分出类别，然后再进行判别分析。
聚类分析
解决分类问题的一种统计方法。若给定n个观测对象，每个观......>>
问题九：常用的数学分析方法有哪些 你问的是什么层次？
1、数学分析方法的基本内容是数学化、模型化和计算机化。从数学角度看，数学中发现了许多有实用价值的手段，如线性规划、整数规划、动态规划、对策论、排队论、存货模型、调度模型、概率统计等等，对定量化的分析与决断起到了重大的推动作用；从模型化角度看，每一种数学手段都包括了解决决策问题的具体数学模型，人们可以借助于模型找出自己所需了解的问题的答案；从计算机化的角度看，人们可以借用电子计算机这个快速逻辑计算工具，缩短解决问题的时间，增强预测的精确性。这“三化”是互相联系的，它们的结合使决策的技术和方法发生了重大变化。
2、另一个层次：待定系数法，换元法，数学归纳法。
问题十：常见的调查方法有哪些 （一）、按调查对象的范围分,可分为全面调查和非全面调查.
（二）、按调查的连续性来分,可分为一次性调查和经常性调查.
（三）、按调查的组织方式不同,可分为统计报表和专门调查.
（四）、按调查的方法不同,可分为直接观察法、报告法和询问法.
体未经任何分组，仅是简单地列出统计资料所属时间或单位的表格。
b. 简单分组表：对总体仅按一个标志进行分组的统计表。
c. 复合分组表：对总体按两个或两个以上标志进行层叠分组。
例如对2001-2009年国民经济总量进行统计，先按照年份不同进行分组，分成9组
再对这个9组按照产业不同再进行分组，比如分成第一产业、第二产业、第三产业三个组，接着还可以对每个产业进行分类，第一产业可以分成农林牧渔等几个部门，第二、第三产业也可以分别进行分类。
按上述的举例，第一个指标就是年份，第二个指标就是产业，第三个指标就是各产业所包含的下属部门。
编表就是复合分组表
真实验设计 在心理学研究中，***用真实验设计来进行实验研究是检验实验效果的一个重要方法。真实验设计对实验条件的控制程度要求较高，在使用这类实验设计时，实验者可以有效地操纵实验变量，能有效的控制内在无效来源和外在无关因素的影响，能在随机化原则基础上选择和分配被试，从而更能客观的反映实验处理的作用。 （一）完全随机化设计 也称简单随机化设计，是指用随机化方法将被试随机分为几组，然后依实验的目的对各组被试实施不同的处理。 1、随机实验组控制组前测后测设计 （1）设计的模式 R O1 X O2 R O3 O4 （2）设计的评价 随机实验组控制组前测后测设计基本控制了绝大多数影响内部效度的因素。 优点：①***用随机分配被试的方法。 ②安排实验组和控制组。 缺点：使用前测的反作用。 （3）设计的显著性检验 对随机实验组控制组前测后测设计所得的实验数据进行统计分析，有两类方法可以使用。 A、对增值分数进行统计分析 B、协方差分析法 2、随机实验组控制组后测设计 （1）设计的模式 R X O1 R O2 （2）设计的评价①设立实验组和控制组 ②***用随机化原则 ③无前测 （3）设计的显著性检验 参数：t－检验 非参数：曼－惠特尼U－检验或中位数检验 3、随机多组后测设计 （1）设计的模式 R X1 O1 R X2 O2 R X3 O3 （2）实验结果的检验 ①单因素方差分析 ②纽曼－丘尔斯（N－K）检验或其他成对比较方法。 （二）多因素实验设计 是指在实验中包括两个或两个以上的因素（自变量），并且每个因素都有两个或两个以上的水平，各因素的各个水平互相结合，构成多种组合处理的一种实验设计，又称完全随机析因设计。 1、完全随机析因设计的类型 因素：对应大写字母 A B 因素水平：对应小写字母 a b （*）：因素之间的相互结合关系 A*B a1a2 b1b2b3 2*3 A*B*C 2*3*4 2、完全随机双因素析因设计 完全随机双因素析因设计是指研究者用随机分配的方法将被试分为若干组（分组的个数等于实验处理的个数），同时用随机的方法分配每一组被试接受一种实验处理的实验设计。 （1）实验设计的模式R a1b1 O1 R a1b2 O2 R a2b1 O3 R a2b2 O4 R a3b1 O5 R a3b2 O6 3、双因素析因设计的主效应和交互效应。 主效应：指由每个单独因素（自变量）所引起的因变量的变化。 交互效应：指当一个因素（自变量）对因变量影响大小因其他因素的水平或安排的不同而有所不同时，所产生的交互作用影响因变量的结果。 （1）2x2完全随机实验设计的基本模式 R a1b1 O1 R a1b2 O2 R a2b1 O3 R a2b2 O4 （2）2x2完全随机化设计的主效应和交互效应的解释 （三）随机化区组设计 随机化区组设计的目的在于使区组内被试差异尽量缩小，而对区组之间的差异依据设计要求而定。 首先把被试按某些特质分到不同的区组内，使区组内的被试比区组间的被试更接近同质，将被试分好区组后，再将各区组内的被试随机分到各不同的实验处理或实验组、控制组内，因此称作随机化区组设计。 原则：同一区组内的被试尽量“同质” 人数分配有三种情况：①一名被试作为一个区组。 ②每个区组内的被试的人数是实验处理数目的整数倍。 ③区组的单位是一个团体。 总之，每一个区组应该接受全部实验处理，每一种实验处理在不同的区组中重复的次数应该完全相同。 优点：考虑到个别差异对实验结果的影响，而把实验单元（被试）划分为几个区组，并在统计计算上将这种影响从组内误差中分离出来，从而进一步反应出实验处理的作用。 1、随机化区组单因素设计 2、随机化区组多因素设计
配对设计只比较两项。
配对设计是将受试对象按配对条件配成对子，每对中的个体接受不同的处理。配对设计一般以主要的非实验因素作为配比条件，而不以实验因素作为配比条件。
动物实验中，常将同性别、同窝别、体重相近的两个动物配成一对；人群试验中，常将性别和年龄、生活条件、工作条件相同或相近的两个人配成对子，再按随机化原则把每对中的受试对象分别分配到实验组和对照组，或不同处理组。
此外，某些医学实验研究中的自身对照也可看作是配对设计，如某指标治疗前后的比较；同一受试对象不同部位、不同器官的比较；同一标本不同检测方法的比较。
配对设计类型
1、成组设计是一种将受试对象随机分组或者按照某种属性特征配比设计，是指受试对象按照一定的条件进行匹配，然后在随机分组的方法析因设计。
2、配对设计将受试对象按配对条件配成对子，每对中的个体接受不同的处理。有自身配对和非自身配对之分。异体配对设计袭，包括同源配对设计和条件相近者配对设计；自身配对设计。目的是推断两种处理的效果有无差别，推断差值的总体是否为“0”。
药物制剂设计的基本原则有：安全性、有效性、可控性、稳定性、顺应性。
1、安全性
药物制剂的设计首先要考虑用药安全性。药物产品的毒副作用，除来自药物本身外，制剂设计不当也可导致产品毒副作用增加。药物的毒副作用涉及很多因素。治疗指数较小的药物需要通过制剂的设计减少血药浓度的峰谷波动，降低毒副作用的发生几率。
2、有效性
药物制剂的有效性是制剂与制剂设计的核心与基础，药物在体内的作用效果，往往受其剂型和给药途径的影响，提高药物的有效性，主要是选择适宜的剂型与给药途径。
3、可控性
药物的质量是决定其有效性与安全性的重要保证，因此制剂设计中需要重视制剂质量的可控性。
可控性是指制定的药品质量标准能够准确及时地监测到药品质量的改变，体现在制剂质量的可预知性与重现性，重现性是指质量的稳定性，即不同批次生产的制剂应达到质量标准的要求，不应有大的变异。
4、稳定性
稳定性是药物有效性和安全性的前提和保障。制剂产品不稳定，产生降解，不仅影响疗效，还可能产生毒副作用。
5、顺应性
顺应性是指患者和医护人员对所用药品的接受程度。药物制剂的设计除达到上述安全、有效、稳定目的外，还要求使用方便，顺应性好。
影响顺应性的因素主要包括用药方法、给药频率，此外还有制剂的外观、大小、臭味等。
处方设计的定义及常用的优化设计方法
一、处方设计的定义
处方设计是根据药物的理化性质、稳定性实验结果和药物吸收特点等情况结合所选剂型特点，选择适合此剂型的辅料，考察制剂各项评价指标，***用实验设计优化方法初步确定处方。
二、常用的优化设计方法
1、单因素试验
2、处方组合优化试验
①正交设计法：适用于各个因素的影响力是相互独立的情况。
②析因设计法：又称析因实验，是一种多因素的交叉分组试验方法。
③星点设计法：是一种可用于多因素响应面分析的实验设计方法，是在析因设计的基础上加上星点和中心点的设计。
真实验设计 在心理学研究中，***用真实验设计来进行实验研究是检验实验效果的一个重要方法。真实验设计对实验条件的控制程度要求较高，在使用这类实验设计时，实验者可以有效地操纵实验变量，能有效的控制内在无效来源和外在无关因素的影响，能在随机化原则基础上选择和分配被试，从而更能客观的反映实验处理的作用。 （一）完全随机化设计 也称简单随机化设计，是指用随机化方法将被试随机分为几组，然后依实验的目的对各组被试实施不同的处理。 1、随机实验组控制组前测后测设计 （1）设计的模式 R O1 X O2 R O3 O4 （2）设计的评价 随机实验组控制组前测后测设计基本控制了绝大多数影响内部效度的因素。 优点：①***用随机分配被试的方法。 ②安排实验组和控制组。 缺点：使用前测的反作用。 （3）设计的显著性检验 对随机实验组控制组前测后测设计所得的实验数据进行统计分析，有两类方法可以使用。 A、对增值分数进行统计分析 B、协方差分析法 2、随机实验组控制组后测设计 （1）设计的模式 R X O1 R O2 （2）设计的评价①设立实验组和控制组 ②***用随机化原则 ③无前测 （3）设计的显著性检验 参数：t－检验 非参数：曼－惠特尼U－检验或中位数检验 3、随机多组后测设计 （1）设计的模式 R X1 O1 R X2 O2 R X3 O3 （2）实验结果的检验 ①单因素方差分析 ②纽曼－丘尔斯（N－K）检验或其他成对比较方法。 （二）多因素实验设计 是指在实验中包括两个或两个以上的因素（自变量），并且每个因素都有两个或两个以上的水平，各因素的各个水平互相结合，构成多种组合处理的一种实验设计，又称完全随机析因设计。 1、完全随机析因设计的类型 因素：对应大写字母 A B 因素水平：对应小写字母 a b （*）：因素之间的相互结合关系 A*B a1a2 b1b2b3 2*3 A*B*C 2*3*4 2、完全随机双因素析因设计 完全随机双因素析因设计是指研究者用随机分配的方法将被试分为若干组（分组的个数等于实验处理的个数），同时用随机的方法分配每一组被试接受一种实验处理的实验设计。 （1）实验设计的模式R a1b1 O1 R a1b2 O2 R a2b1 O3 R a2b2 O4 R a3b1 O5 R a3b2 O6 3、双因素析因设计的主效应和交互效应。 主效应：指由每个单独因素（自变量）所引起的因变量的变化。 交互效应：指当一个因素（自变量）对因变量影响大小因其他因素的水平或安排的不同而有所不同时，所产生的交互作用影响因变量的结果。 （1）2x2完全随机实验设计的基本模式 R a1b1 O1 R a1b2 O2 R a2b1 O3 R a2b2 O4 （2）2x2完全随机化设计的主效应和交互效应的解释 （三）随机化区组设计 随机化区组设计的目的在于使区组内被试差异尽量缩小，而对区组之间的差异依据设计要求而定。 首先把被试按某些特质分到不同的区组内，使区组内的被试比区组间的被试更接近同质，将被试分好区组后，再将各区组内的被试随机分到各不同的实验处理或实验组、控制组内，因此称作随机化区组设计。 原则：同一区组内的被试尽量“同质” 人数分配有三种情况：①一名被试作为一个区组。 ②每个区组内的被试的人数是实验处理数目的整数倍。 ③区组的单位是一个团体。 总之，每一个区组应该接受全部实验处理，每一种实验处理在不同的区组中重复的次数应该完全相同。 优点：考虑到个别差异对实验结果的影响，而把实验单元（被试）划分为几个区组，并在统计计算上将这种影响从组内误差中分离出来，从而进一步反应出实验处理的作用。 1、随机化区组单因素设计 2、随机化区组多因素设计
