现在对医学研究缺失数据填补的问题，很多人都有了一定的思考，有缺失，还是要填补，无论是临床试验、调查研究，无论是前瞻性还是回顾性。 但我们都知道缺失数据填补不能随便填，一个变量，过高比例的缺失，填回去也没有价值。
流行病学调查中，许多指标比如量表总得分、个体生理、生化指标等呈现偏态分布。面对这种情况，我们如何处理呢？一组数据，特别是正态性检验P值小于0.05的资料，能否使用t检验或者F检验一直有着争议。 这个话题真的很传统、又很重要、往往大家又搞不清。尤其是大样本偏态数据，能否做t检验？因为大样本资料基本上通
我们开展统计分析，包括线性回归、logistic回归、Cox回归时，习惯“先单后多”，也就是先开展单因素分析，再开展多因素分析。 一般情况下，单因素分析统计学意义（P值小于0.05）者，会被纳入进来开展多因素回归。 但是，先单后多，最令人沮丧的，莫过于单因素P<0.05，而多因素大多数没有统计学意义
-cnjk.png)
现在流行的做法就是倾向得分匹配（PSM）。 但是，倾向得分匹配也会碰到问题，其中主要的问题是，两组数据差别太大，相似的个体很难凑，凑不上匹配数据。 这样子会删除一大堆匹配不
.png)
网络上、甚至一些统计学教材中认为，大样本资料可以无视正态性问题。他们认为 “根据中心极限定理，无论样本来自何种分布，只要样本量足够大（一般认为样本量大于50或者100以上）
-sxng.png)
我们先了解一下非随机对照研究的概念。 √非随机对照试验（Non-randomized Controlled Trial, n-RCT），是指未按随机化原则将研究对象分组，患者可以自主选择选择干预组药物还是对照组药物。 在这种情
√什么是轨迹模型？ 简单来说，轨迹模型分组无非将多次测量的变量或多个变量进行聚类，将其整理成一个变量，比如多次测量的暴露因素聚类成一个暴露因素。 那么这个暴露因素可以分为：持续上升，先上升后下降，持续下降这么几组。
√回归分析对因变量有什么要求吗？ 有的，要求正态分布。 但是这个正态分布不是说因变量Y是正态分布，是残差正态分布或者近似正态分布。
在诊断预测模型中，我们常用的还是回顾性的数据，更加容易实施，获取数据也方便。 如果用前瞻性的队列设计，当然也可以得到高质量的数据，有助于模型的准确性和可靠性。 而随访时间的长短受疾病、人群、样本量的影响。
