文档介绍：..页眉.. 页脚. 论文撰写中要注意的统计学问题(转) ( 一、均值的计算在处理数据时, 经常会遇到对相同采样或相同实验条件下同一随机变量的多个不同取值进行统计处理的问题。此时, 往往我们会不假思索地直接给出算术平均值和标准差。显然, 这种做法是不严谨的。这是因为作为描述随机变量总体大小特征的统计量有算术平均值、几何平均值和中位数等多个。至于该采用哪种均值, 不能根据主观意愿随意确定, 而要根据随机变量的分布特征确定。反映随机变量总体大小特征的统计量是数学期望,而在随机变量的分布服从正态分布时,其数学期望就是其算术平均值。此时, 可用算术平均值描述随机变量的大小特征; 如果所研究的随机变量不服从正态分布, 则算术平均值不能准确反映该变量的大小特征。在这种情况下, 可通过假设检验来判断随机变量是否服从对数正态分布。如果服从对数正态分布, 则几何平均值就是数学期望的值。此时, 就可以计算变量的几何平均值; 如果随机变量既不服从正态分布也不服从对数正态分布, 则按现有的数理统计学知识, 尚无合适的统计量描述该变量的大小特征。此时,可用中位数来描述变量的大小特征。因此,我们不能在处理数据的时候一律采用算术平均值,而是要视数据的分布情况而定。二、直线相关与回归分析这两种分析, 说明的问题是不同的, 既相互又联系。在做实际分析的时候, 应先做变量的散点图, 确认由线性趋势后再进行统计分析。一般先做相关分析, 只有在相关分析有统计学意义的前提下,求回归方程才有实际意义。一般来讲,有这么两个问题值得注意: 一定要把回归和相关的概念搞清楚, 要做回归分析时, 不需要报告相关系数; 做相关分析的时候,不需要计算回归方程。相关分析中,只有对相关系数进行统计检验(如 t 检验), P< 时,才能一依据 r 值的大小来说明两个变量的相关程度。必须注意的是, 不能将相关系数的假设检验误认为是相关程度的大小。举个例子:当样本数量很小,即使 r 值较大(如 3 对数据, r= ) ,也可能得出..页眉.. 页脚. P> 这种无统计学意义的结论;而当样本量很大,如 500 ,即使 r= ,也会有 P< 的结果, 但这种相关却不具有实际意义。因此, 要表明相关性, 除了要写出 r 值外, 还应该注明假设检验的 P 值。三、相关分析和回归分析之间的区别相关分析和回归分析是极为常用的 2 种数理统计方法,在环境科学及其它研究领域有着广泛的用途。然而,由于这 2 种数理统计方法在计算方面存在很多相似之处,因此在应用中我们很容易将二者混淆。最常见的错误是, 用回归分析的结果解释相关性问题。例如,将“回归直线( 曲线)图”称为“相关性图”或“相关关系图”;将回归直线的 R2( 拟合度,或称“可决系数”) 错误地称为“相关系数”或“相关系数的平方”;根据回归分析的结果宣称 2 个变量之间存在正的或负的相关关系。相关分析与回归分析均为研究 2 个或多个变量间关联性的方法,但 2 种方法存在本质的差别。相关分析的目的在于检验两个随机变量的共变趋势(即共同变化的程度) ,回归分析的目的则在于试图用自变量来预测因变量的值。实际上在相关分析中,两个变量必须都是随机变量,如果其中的一个变量不是随机变量,就不能进行相关分析。而回归分析中, 因变量肯定为随机变量, 而自变量则