做临床研究，方法学部分其实可以总结成一张表。
今天把课程里的核心干货整理出来，建议收藏。
不管你做的是哪种数据库、哪种设计，方法学概论的骨架都是一样的：先判断变量类型，再做数据描述，然后组间比较，最后选回归。
听起来简单，但真正做起来，很多人第一步就错了。
一、变量类型只有两类
1. 计数资料（分类变量）
比如性别、种族、血型、是否患病、受教育程度。
它的特点是：把人群分成几类，统计的是数量、比例。
你可以叫它分类变量，也可以叫定性变量，名字很多，但本质就一个：看类别，不看数值。
2. 计量资料（连续型变量）
比如身高、体重、血压、血脂、维生素 C 水平。
它的特点是：连续变化，通常带单位。
你可以叫它定量变量，也可以叫连续型变量，本质就一个：看数值，不看类别。
这里有一个关键提醒：连续变量可以按界值转成分类变量。
比如血压 ≥140/90 就是高血压，否则就是非高血压。
但界值不能随便选，要来自指南、共识、高分文献或 WHO 标准。
如果没有标准，可以用三等分、四等分，最常见的是 Q1–Q4。
变量类型判断对了，后面描述、比较、回归自然就顺了。
这一步错了，后面全错。
二、描述与组间比较
计数资料：
描述：率 + 95% CI，或 n（%）
组间比较：卡方检验
计量资料：
先做正态性检验，再决定用哪种描述和比较。
注意几个细节：
第一，正态性检验不能跳过。
符合正态分布，才能用均数 ± 标准差 / 标准误，才能用 t 检验或方差分析。
不符合正态分布，只能用中位数（四分位间距），只能用非参数检验。
没做正态性检验，上来就用非参数检验，逻辑上是说不通的。
第二，t 检验只能两组。
大于两组，要用方差分析，或者线性回归。
文章写 t 检验，结果却是三组，审稿人一眼就能看出来。
第三，大样本可以默认正态。
如果最终纳入的数据量很大，比如几万例，删除样本不多，可以默认符合正态分布。
但如果最终只剩几千例甚至更少，稳当一点，还是做个正态性检验。
第四，Q1–Q4 到底是什么。
把连续变量四等分：
25% 百分位数是 Q1；
50% 是中位数，也叫 Q2；
75% 是 Q3；
100% 是 Q4。
落在第一段的人，归为 Q1 组；
落在第二段的人，归为 Q2 组；
以此类推。
所以 Q1 有时指一个数，有时指一个区间，看语境。
三、三大回归怎么选
回归选择，核心看Y 是什么类型。
线性回归：
Y 和 X 都必须是连续变量。
结果看 β 值，95% CI 以 0 为界。
都大于 0，正相关；都小于 0，负相关；跨过 0，没有显著相关。
逻辑回归：
Y 是二分类，比如患病 / 不患病，死亡 / 存活。
X 可以是任意类型。
结果看 OR 值，95% CI 以 1 为界。
Cox 回归：
Y 是二分类，同时还有随访时间。
常用于生存分析、发病率分析。
结果看 HR 值，95% CI 同样以 1 为界。
四、单因素 vs 多因素
单因素回归分析，是单个 X 和 Y 做回归，不加入协变量。
这叫模型一。
如果 X 加上部分协变量 Z1、Z2、Z3，再和 Y 做回归，这叫模型二，也叫微调整模型。
如果 X 加上全部要调整的混杂因素，再和 Y 做回归，这叫模型三，也叫全调整模型。
一般来说，单因素回归有意义，再进行多因素回归。
如果三个模型方向一致，都是正相关或都是负相关，说明 X 和 Y 的关系比较稳定，结论更有说服力。
五、一张表总结
临床研究并不难，难的是基础概念没打牢。
变量类型判断对了，描述、比较、回归自然就顺了。
如果你想系统掌握这套方法，科研会员里有完整的方法学概论 + 分论课程。
从变量类型到三大回归，再到文章实战，一步步带你做。
想发临床研究文章，欢迎加入科研会员。
科研会员每年更新，目的是把更优质的临床科研课程带给大家，如果 2026 年想发 SCI，你是 ——扫码，立即学习⬇️
