跳到正文
百沐一下百沐一下
登录
本节目录

智能统计：向导式选对方法

跟完这篇，您能拿着一张整洁数据表，在不必自己拍板「用哪种检验」的前提下，让智能统计像向导一样替您把方法选对、跑出结果，最后拿到结论、图、表和一份可复现的 R 代码——并且看懂它「为什么用这个方法」。

统计分析最容易卡住的一步，往往不是跑不出来，而是不敢确定该跑哪一个：两组比较到底用 t 检验还是 Wilcoxon？三组用 ANOVA 还是 Kruskal-Wallis？智能统计把这一步做成了「向导式」——您只要说清目的，或者直接指名一种检验，它会替您核对前提、选定方法、在关键处跟您确认，再把分析跑完。下面用一个「比较三组表达量」的例子，从头走一遍。

先备好一张整洁数据表

向导能不能顺利工作，取决于您喂给它的表干不干净。智能统计要的是一张每行一个样本、每列一个变量的整洁表（tidy data），其中至少要有一列是分组：

samplegroupexpression
S01I 期8.42
S02I 期7.95
S03II 期9.88
S04III 期11.30
………

三件事先对齐好，能省掉后面大半的报错：

  • 分组列命名统一：同一组的写法要完全一致（control 不要和 Control、ctrl 混用）；
  • 数值列里不要混文本：N/A、未检出、备注这类文字混进数值列，会让整列被当成文本；
  • 缺失值先处理：空格、NA 要么补齐、要么按规则删掉，别留着让它去猜。

数据表整理与常见格式要求，见 上传数据的格式要求 与 整理表达矩阵。表越整洁，向导越不需要来回追问。

进入智能统计

  1. 登录后，在左侧导航点【数据分析 → 智能统计】。
  2. 上传刚才那张数据表，或从平台的「公共数据挖掘」里选一个现成数据集练手。
  3. 界面下方是一个对话输入框，您在这里用自然语言说目标。发起分析会消耗沐豆，正式开跑前会给出预估，任务失败自动全额退回，可以放心先试。

智能统计覆盖 60+ 种常规统计方法：描述性统计、组间比较、相关与回归、生存分析、降维聚类等。本篇以最常见的「组间比较」为例，其他分析的操作节奏是一样的。

起手式：说目的，或直接点一种检验

这是「向导式」的核心——您有两种起手方式，任选其一。

起手式 A：只说目的，让它替您挑方法。 适合您还没想好用哪种检验的时候。把话写成「谁和谁比、比什么」即可：

比较 I、II、III 三期的基因表达量是否有显著差异。

起手式 B：直接指名一种检验，让它照做。 适合您心里已经有数，或审稿意见指定了方法：

用 Kruskal-Wallis 检验比较这三组的表达量。

两种起手式的区别在于「谁来定方法」：

起手式您给的信息向导做什么
A · 说目的目的 + 分组替您核对前提、选定方法，选完告诉您理由
B · 点检验指定的检验名照做，但会检查数据是否满足该检验的前提，不合适会提醒您换

也就是说，即便您指名了方法，它也不会闷头照跑：如果数据明显不满足该检验的前提，它会先提示，再问您是坚持还是改用更稳妥的方法。这正是「向导」和「一键跑」的差别。

让它替您判断方法（并跟您确认）

以起手式 A 为例，您点确认后，向导不会直接抛出一个 p 值，而是先做前提核对，再据此分岔。组间比较的常规判断链是这样的：

  1. 看数据类型：因变量是连续量（表达量），还是比例、计数；
  2. 查正态：直方图 + Q-Q 图直观看，辅以 Shapiro-Wilk 检验；
  3. 查方差齐性：常用 Levene 检验；
  4. 按「几组 + 是否正态」定方法：三组、近似正态走 ANOVA，否则走 Kruskal-Wallis。

它交回的可复现代码会把这条链写清楚，大致是这样（片段，说明思路即可）：

# 先核对前提：正态性与方差齐性
shapiro.test(df$expression)          # 分组内分别看，p 小提示偏离正态
library(car)
leveneTest(expression ~ group, data = df)   # p 小提示方差不齐

# 三组、近似正态 → 单因素方差分析
fit <- aov(expression ~ group, data = df)
summary(fit)
TukeyHSD(fit)                        # 若显著，做事后两两比较

若正态或方差齐性明显不满足，它会自动改走非参数路线：

# 明显偏态或有极端值 → Kruskal-Wallis
kruskal.test(expression ~ group, data = df)

# 若显著，做 Dunn 事后两两比较，并对多重比较做校正
library(FSA)
dunnTest(expression ~ group, data = df, method = "bh")

在真正开跑前，向导会在关键处跟您确认：哪一列是分组、是否配对／重复测量、比较的是哪几组。这几点它会明确问您，而不是替您默默决定——因为选错分组或把配对当独立，结论会直接失真。

判显著常用 p < 0.05，正态、方差齐性的判断也各有惯例——这些都是领域内常用惯例、不是铁律：检验对轻度偏离并不敏感，样本量、离群值、研究设计都会影响判断。阈值最好在看结果之前定好，别反复调到「好看」为止。方法怎么选的完整逻辑，见 统计方法怎么选。

读报告：四件套怎么看

每个统计任务默认交付四件套，这也是「做对、可复现、经得起审稿」的底气：

交付物是什么拿它做什么
结论说明用了哪种方法、结果显不显著、说明什么直接读懂，不用自己从图里猜
图形结果出版级图形（如分组箱线图 + 显著性标注）下载放进论文／汇报
数据文件结果表（统计量、p 值、置信区间、事后比较）继续做下游、写进补充材料
可复现 R 代码复现整段分析的脚本写进方法学、复核、二次修改

您完全可以只看结论和图；但代码在手，意味着这份结果任何人都能复核、也能拿去改——这正是把它写进论文的底气所在。任务的排队与运行状态可在 分析记录 里看，跑完会通知您。

它为什么用这个方法——把依据交代清楚

这是智能统计和「随手跑个检验」最不一样的地方：它不只给结果，还在结论说明里交代方法依据。一段典型的说明会讲清楚：

  • 为什么是这个方法：例如「因 II 期数据明显偏态、方差不齐，未采用 ANOVA，改用 Kruskal-Wallis 检验」；
  • 不只报 p 值，还报效应量：p 值只说「有没有差异」，差异有多大要靠组间中位数差、效应量、置信区间来说；
  • 是否做了多重比较校正：三组两两比较时尤其重要，报告里会写明用了哪种校正（如 BH）；
  • 前提与边界：满足了什么、放宽了什么、样本量多少、缺失值怎么处理的。

有了这段，您在写方法学、回审稿意见时能直接引用，也能自己判断结论可不可信。方法各有适用边界，如实写清「为什么这么选、在什么条件下成立」，比追求一个漂亮的 p 值更重要。

不满意就追问微调

结果出来后，想改的地方直接在对话框里说，向导只重跑相关步骤，不必从头再来：

改用非参数检验，再跑一遍。
两两比较加上 BH 多重比较校正。
按性别分层，各组再比一次。
箱线图换个配色，标出显著的两两比较。

常见的几类追问：

  • 换方法：在参数与非参数之间切换，或指定另一种检验；
  • 加校正／改阈值：补上多重比较校正，或收紧、放宽显著性阈值看结果怎么变；
  • 分层再看：按某个协变量分层，分别比较；
  • 换展示：箱线图换小提琴图、调配色、标注显著性。

每次追问都会更新对应的四件套，前面确认过的分组、比较方向会保留，您只需描述「这次改哪里」。

在平台上跑一遍

上面整条路，在百沐一下就是「上传一张整洁表 + 说一句话」这么简单——不写代码，说清目的或指名检验，智能统计 会替您核对前提、选定方法、在分组和阈值处跟您确认，最后把结论、图、表、可复现 R 代码，连同「为什么用这个方法」一并交给您。

👉 打开 https://app.baimuyixia.com，进【数据分析 → 智能统计】，选好数据、说清目标即可开跑。

相关