发布时间：
这2个指标的意义是：灵敏度/敏感性（sensitivity)：诊断疾病的时候不漏诊（假阳性）的机会有多大（小）；特异性（specificity）：指该指标在诊断某疾病时，不误诊（假阴性）的机会有多大（小）；
敏感系数＝利润变动百分比／因素变动百分比。需要注意的是，单价的中间变量是销售收入，单位变动成本的中间变量是变动成本总额，销售量的中间变量是贡献边际，固定成本的中间变量就是固定成本本身。
敏感系数反映了各因素变动百分比和利润变动百分比之间的比例，即当各因素升降1%时，利润将随之上升或下降百分之几。按绝对值大小判断敏感性。敏感系数的绝对值大于1为敏感因素，绝对值小于1为非敏感因素。
其判别标准是：
1、敏感系数的绝对值＞1，即当某影响因素发生变化时，利润发生更大程度的变化，该影响因素为敏感因素。
2、敏感系数的绝对值＜1，即利润变化的幅度小于影响因素变化的幅度，该因素为非敏感因素。
3、敏感系数的绝对值＝1，即影响因素变化合导致利润相同程度的变化，该因素亦为非敏感因素。
以上内容参考：百度百科-敏感性分析
灵敏度=A/(A+C)，即有病诊断阳性的概率
特异度=D/(B+D)，即无病诊断阴性的概率
准确度＝(A+D)/(A+B+C+D)，即总阳性占总的概率
无论是灵敏度还是特异度，都是在金标准诊断下的用户或者非用户中计算得到的，那么比较超声和CT的灵敏度，就可以在用户当中进行配对卡方检验，特异度同理。数据可以重新整理为表3和表4。通过配对卡方检验，CT和超声的灵敏度和特异度差异均无统计学意义（P>）。
扩展资料：
灵敏度计算注意事项：
Find(Solvefor)中选择N(Sample)，ConfidenceLevel(1-Alpha)中填入置信度，ConfidenceIntervalWidth(Two-Sided)中填入灵敏度容许误差的两倍，P(Proportion)中填入灵敏度的估计值。其它选择为默认选项后，点击RUN。
ConfidenceIntervalWidth(Two-Sided)是指可信区间的宽度，即可信区间的下限到上限的值，而容许误差是可信区间的一半。本研究的灵敏度的容许误差为5%，则可信区间的宽度为10%（即两倍的容许误差），因此在ConfidenceIntervalWidth(Two-Sided)中选择。
参考资料来源：百度百科-灵敏度分析
参考资料来源：百度百科-特异度
参考资料来源：百度百科-准确度
诊断正确33例，假阳性2例，假阴性无，请问敏感性多少？特异性为多少？
灵敏度=A/(A+C)，即有病诊断阳性的概率
特异度=D/(B+D)，即无病诊断阴性的概率
准确度＝(A+D)/(A+B+C+D)，即总阳性占总的概率
无论是灵敏度还是特异度，都是在金标准诊断下的用户或者非用户中计算得到的，那么比较超声和CT的灵敏度，就可以在用户当中进行配对卡方检验，特异度同理。数据可以重新整理为表3和表4。通过配对卡方检验，CT和超声的灵敏度和特异度差异均无统计学意义（P>）。
扩展资料：
灵敏度计算注意事项：
Find(Solvefor)中选择N(Sample)，ConfidenceLevel(1-Alpha)中填入置信度，ConfidenceIntervalWidth(Two-Sided)中填入灵敏度容许误差的两倍，P(Proportion)中填入灵敏度的估计值。其它选择为默认选项后，点击RUN。
ConfidenceIntervalWidth(Two-Sided)是指可信区间的宽度，即可信区间的下限到上限的值，而容许误差是可信区间的一半。本研究的灵敏度的容许误差为5%，则可信区间的宽度为10%（即两倍的容许误差），因此在ConfidenceIntervalWidth(Two-Sided)中选择。
参考资料来源：百度百科-灵敏度分析
参考资料来源：百度百科-特异度
参考资料来源：百度百科-准确度
（2019-12-16）
首先，Type I/II Error 在维基百科的解释为：
Type I error is the rejection of a true null hypothesis (also known as a "false positive" finding), I类错误是拒绝了本为真的 Null Hypothesis
Type II error is failing to reject a false null hypothesis (also known as a "false negative" finding). 1-power。 II类错误是未能拒绝一个本为假的 Null Hypothesis
用一个例子来讲：
Type I Error: （见图上H0）: 阴性 假设 成立，实际上也确实成立，但是我们检测到的样本正好有Bias，导致 落于置信区间外，造成了False Positive Error（本来没病，却检查出有病）
Type II Error: （见图上H1）: 阴性 假设 成立，实际上不成立，应该是 。但是我们检测到的样本正好有Bias，导致 落于置信区间内，造成了False Negative Error（本来有病，却检查出没病）
再追加一个例子，如果我们要检验： : 中国人平均身高 ≤ 170cm : 中国人平均身高 > 170cm Type I Error 就是平均身高实际是170cm，但是取到的样本平均身高到了180cm，导致错误地拒绝了H0 Type II Error 就是平均身高实际是180cm，但是取到样本平均身高却是172cm，导致错误地未能拒绝H0
α 的选择越小，蓝线右移，P(Type I Error) 越小，P(Type II Error) 越大； α 的选择越大，蓝线左移，P(Type I Error) 越大，P(Type II Error) 越小。
其中，定义检验的势 Power = 1 - P(Type II Error)
敏感性(Sensitivity)意味着有病的人的检测正确率，特异性(Specificity)意味着没病的人的检测正确率。
具体来讲， 如果拿出机器学习中的混淆矩阵：
敏感性的计算公式为： ，它与FNR是互补关系（和为1） 高敏感性 意味着 低 FNR (False Nagetive Rate，图中的β，漏诊率)，有病的都能被检测出来，机器学习中意味着高召回率( )，可以看到公式是一样的。另外它和假设检验中的 power(势) 也是一致的。
特异性的计算公式为： ，它与FPR是互补关系（和为1） 高特异性 意味着 低 FPR (False Positive Rate，图中的α，误诊率)，没病的都不会被勿诊为有病，但注意，高特异性并不意味着机器学习中的高精确度( )，因为即便高特异性意味着低FP，但可能模型本身很差，根本无法找出TP，从而导致精确度很低。
将模型检测结果的 TPR (Sensitivity) 作为横坐标，FPR (1 - Specificity) 作为纵坐标，画到笛卡尔坐标系中，即可得到类似与如下的曲线：
直观上理解，其实就是当下图中的蓝线（阈值）从紫色面积的最右边逐渐移到红色部分的最左边时，产生的曲线：
其中的道理是，通过阈值的选择可以让模型对正例的判别变得严格，这样就会有更多的真实正样本被分为正例，TPR( )增加，但同时也会有更多的真实负样本被分为正例，所以同时提高了FPR( )：
极端情况下，
而AUC就是所谓的Area under Curve，代表ROC曲线下面的面积，值域为[0, 1]，正常情况下为[, 1]。
AUC的实际意义是：当随机挑选一个正样本以及一个负样本，当前的分类算法根据计算得到的分数将这个正样本排在负样本前面的概率就是AUC值。所以，AUC的值越大，当前的分类算法越有可能将正样本排在负样本值前面，既能够更好的分类。
假设一个警察会根据一系列经验去抓小偷，但是不能100%保证准确率，那么当警察提高他的严苛度（阈值）时，必然会有更多的小偷被抓到，漏判率降低，但是随之误判率会升高，会有良民被抓。
因此，阈值的设定关系到了我们想要这个模型产出的效果，如果希望抓出更多的Positive样本，就提高阈值，随之Sensitivity增加，FPR增加；如果希望Negative样本不要误判，就降低阈值，Sensitivity降低，FPR降低。
例如在金融领域，欺诈用户如果不能更好地被检测出来，会给企业带来巨大损失，同样如果病人被误判为健康的，那么他的生命就会受到威胁，这两种情况则都需要模型具有较高的敏感度。关于这种情况的优化，可以参考1999年的一篇论文： MetaCost: A General Method for Making Classifiers Cost-Sensitive 。其采用了Bagging的思想对使分类器变得代价敏感。
方法有多种，其中包括：找到离（0，1）最近的点，Youden index等[2]
一个模型只能产生一个结果，那么如何绘制曲线呢？ 具体方法是在得到 生成概率/预测概率/后验概率 后，先不急着算出预测类别，而是先对生成概率进行从大到小的排序，例如：
然后我们就可以通过画线分割的方式来选择不同的阈值，同时计算相应的TPR和FPR了，比如先选择阈值：
， ，ROC上添加点 (0, )
当阈值选为时：
， ，ROC上添加点 (0, )
以此类推我们可以继续得到点： (, ) (, ) (, ) (, ) (, ) (, ) (, )
将图像画出即为：
毫无疑问，统计学习是包含在统计学中的，是统计学中的一个上层建筑。 其中的I/II类错误，还有power都是假设检验中的概念，但通过上面的分析也发现了不同统计概念中的一致性（例如Sensitivity, Power, Recall都是一致的）。
实际上在现实世界的统计规律中，如果不给定或者给定极少的（例如1个）特征，那么分类问题就如同盲人摸象，不同类别的分布会重叠在一起。而 统计机器学习的目的 ，就是 通过一定的手段，把这两个分布尽可能地拉开，拉的越开，那么分类的效果就越好 。
而这个手段，就是 数据（特征） + 模型 + 算法（最优化） 。如何更好地利用这些手段，并解决现实生活中的实际问题，就是统计机器学习的研究目标。
References: [1] Youtube - Sensitivity, Specificity, and ROC Curves [2] 全面了解ROC曲线 [3] ROC及AUC计算方法及原理
灵敏度（sensitivity），又称真阳性率，即实际有病，并且按照该诊断试验的标准被正确地判为有病的百分比。它反映了诊断试验发现病人的能力。特异度（specificity），又称真阴性率，即实际没病，同时被诊断试验正确地判为无病的百分比。它反映了诊断试验确定非病人的能力。灵敏度=真阳性人数/（真阳性人数+假阴性人数）*100%。正确判断病人的率。特异度=真阴性人数/（真阴性人数+假阳性人数））*100%。正确判断非病人的率。灵敏度和特异度指标的重要性。如果一项诊断试验的灵敏度比较低，那么会出现很多假阴性的患者。这会延误患者的就诊，影响病程发展和愈后，甚至导致患者过早死亡。如果一项诊断试验的特异度比较低，那么会出现很多假阳性的患者。这样会浪费医疗资源、造成患者无端的恐慌和焦虑。因此，具有较高的灵敏度和特异度是一项诊断试验的应用基础。
灵敏度又称真阳性率，特异度又称真阴性率。灵敏度=真阳性人数/（真阳性人数+假阴性人数）*100%特异度=真阴性人数/（真阴性人数+假阳性人数））*100%
这2个指标的意义是：
灵敏度/敏感性：诊断疾病的时候不漏诊（假阳性）的机内会有多大（小）；
特异性：指该指标在诊断某疾病时，不误诊（假阴性）的机会有多大（小）；
在医学统计里，任何一个诊断指标，都有两个最基本的特征，即敏感性和特异性，所谓敏感性，就是指其在诊断疾病的时候不漏诊（假阴性）的机会有多大（小），所谓特异性就是指该指标在诊断某疾病时，不误诊（假阳性）的机会有多大（小）。
单独一个指标，如果提高其诊断的敏感性，必然降低其诊断的特异性，换句话说，减少漏诊必然增加误诊，反之亦然。
扩展资料：
特异性中提到的健康人是相对的，指没有观察疾病的人，例如在研究肿瘤指标对于胃癌的特异性时，胃溃疡患者也是健康人。检出标准未必能够在胃溃疡组里面得出全阴性的结果，如果得不出全阴性的结果，这组数据就说明了正常人误诊的概率。
借助生物制剂的作用，培养并输入人体内，利用人体内最高效的特异性免疫细胞DC、CIK、T、NK细胞共同作用，调动患者机体的防御机制，以调节患者机体的生物学反应，杀灭癌细胞，激活免疫细胞，能够杀灭体内残存的微小癌症细胞，实现从根源治疗肿瘤为目的。
参考资料来源：百度百科-特异性
1、诊断敏感性：是指将实际患者正确地判断为阳性(真阳性)的百分率。
计算公式为：TP/(TPFN)×100%。TP为真阳性，FN为假阴性。
2、诊断特异性：是指将实际无病者正确地判断为阴性(真阴性)的百分率。
计算公式为：TN/(TN+FP)×100%。TN为真阴性,FP为假阳性。
3、诊断效率：是指能准确区分患者和非患者的能力。
计算公式为：(TP+TN)/(TP+FP+TN+FN)×100%。
4、阳性预期值：是指特定试验方法测定得到的阳性结果中真阳性的比率。
计算公式为：PPV=TP/(TP+FP)×100%。
5、阴性预期值：是指特定试验方法测定得到的阴性结果中真阴性的比率。
计算公式为：NPV=TN/(TN+FN)×100%。
扩展资料：
医学统计方法的选择
一、先确定研究目的，根据研究目的选择方法
不同研究目的采用的统计方法不同，常见的研究目的主要有三类：一是差异性研究，即比较组间均数、率等的差异，可用的方法有t检验、方差分析、χ2检验、非参数检验等。
二是相关性分析，即分析两个或多个变量之间的关系，可用的方法有相关分析。三是影响性分析，即分析某一结局发生的影响因素，可用的方法有线性回归、logistic回归、Cox回归等。
二、明确数据类型，根据数据类型进一步确定方法
不同数据类型采用的统计方法也不同。定量资料可用的方法有t检验、方差分析、非参数检验、线性相关、线性回归等。分类资料可用的方法有χ2检验、对数线性模型、logistic回归等。图简要列出了不同研究目的、不同数据类型常用的统计分析方法。
三、选定统计方法后，需要利用统计软件具体实现统计分析过程
SAS中，不同的统计方法对应不同的命令，只要方法选定，便可通过对应的命令辅之以相应的选项实现统计结果的输出。
四、统计结果的输出并非数据分析的完成
一般统计软件都会输出很多结果，需要从中选择自己需要的部分，并做出统计学结论。但统计学结论不同于专业结论，最终还需要结合实际做出合理专业结论。
参考资料：百度百科-医学统计
参考资料：百度百科-敏感性
参考资料：百度百科-特异性
统计学中P一般指概率。
以古典概率模型为例，概率的计算方法为：
古典定义
如果一个试验满足两条：
（1）试验只有有限个基本结果；
（2）试验的每个基本结果出现的可能性是一样的。
这样的试验便是古典试验。
对于古典试验中的事件A，它的概率定义为：P(A)=
其中n表示该试验中所有可能出现的基本结果的总数目。m表示事件A包含的试验基本结果数。
这里，仅仅举例了简单的古典概率，其还有很多种模型。你可以找统计学的相关书籍进行学习。
拓展内容：
概率亦称“或然率”。它反映随机事件出现的可能性大小的量度。随机事件是指在相同条件下，可能出现也可能不出现的事件。例如，从一批有正品和次品的商品中，随意抽取一件，“抽得的是正品”就是一个随机事件。设对某一随机现象进行了n次试验与观察，其中A事件出现了m次，即其出现的频率为m/n。经过大量反复试验，常有m/n越来越接近于某个确定的常数。该常数即为事件A出现的概率，常用P (A) 表示，与“几率”不同，一个事件的几率（odds）是指该事件发生的概率与该事件不发生的概率的比值。
参考资料：百度百科《概率》词条
P 值是反映某一事件发生的可能性大小，即概率。一般以P < 为显著， P < 为非常显著。P(A)= 。n表示该试验中所有可能出现的基本结果的总数目。m表示事件A包含的试验基本结果数。
与“几率”不同，一个事件的几率（odds）是指该事件发生的概率与该事件不发生的概率的比值。
拓展资料：
关于统计定义
在一定条件下，重复做n次试验，nA为n次试验中事件A发生的次数，如果随着n逐渐增大，频率nA/n逐渐稳定在某一数值p附近，则数值p称为事件A在该条件下发生的概率，记做P(A)=p。这个定义成为概率的统计定义。
在历史上，第一个对“当试验次数n逐渐增大，频率nA稳定在其概率p上”这一论断给以严格的意义和数学证明的是雅各布·伯努利（Jacob Bernoulli）。
从概率的统计定义可以看到，数值p就是在该条件下刻画事件A发生可能性大小的一个数量指标。
由于频率 总是介于0和1之间，从概率的统计定义可知，对任意事件A，皆有0≤P(A)≤1，P(Ω)=1，P(Φ)=0。其中Ω、Φ分别表示必然事件（在一定条件下必然发生的事件）和不可能事件（在一定条件下必然不发生的事件）。
（参考资料：百度百科-概率）
P值即概率，反映某一事件发生的可能性大小。统计学根据显著性检验方法所得到的P 值，一般以P < 为有统计学差异， P< 为有显著统计学差异，P<为有极其显著的统计学差异。
P<时，认为差异有统计学意义”或者“显著性水平α=”，指的是如果本研究统计推断得到的差异有统计学意义，那么该结果是“假阳性”的概率小于。
扩展资料：
P值的计算：
一般地，用X 表示检验的统计量，当H0为真时，可由样本数据计算出该统计量的值C，根据检验统计量X的具体分布，可求出P值。具体地说：
左侧检验的P值为检验统计量X 小于样本统计值C 的概率，即：P = P{ X < C}
右侧检验的P值为检验统计量X 大于样本统计值C 的概率：P = P{ X > C}
双侧检验的P值为检验统计量X 落在样本统计值C 为端点的尾部区域内的概率的2 倍：P = 2P{ X > C} (当C位于分布曲线的右端时) 或P = 2P{ X< C} (当C 位于分布曲线的左端时) 。
若X 服从正态分布和t分布，其分布曲线是关于纵轴对称的，故其P 值可表示为P = P{| X| > C} 。
计算出P值后，将给定的显著性水平α与P 值比较，就可作出检验的结论：
如果α > P值，则在显著性水平α下拒绝原假设。
如果α ≤ P值，则在显著性水平α下不拒绝原假设。
在实践中，当α = P值时，也即统计量的值C刚好等于临界值，为慎重起见，可增加样本容量，重新进行抽样检验。
统计学意义（p值）ZT 结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。
缺失值的处理：缺失值是人群研究中不可避免的问题，其处理方式的差异可能在不同程度上引入偏倚，因此，详细报告数据清理过程中缺失值的处理方法有助于读者对潜在偏倚风险进行评价。例如，瑞舒伐他汀试验在统计分析部分详细说明了缺失值的填补策略，包括：将二分类结局中的缺失值视为未发生事件；将生物标志物和心电图测量中的缺失值进行多重填补（multiple imputation）；为了证明缺失值处理的合理性和填补结果的稳定性，研究还比较了多重填补与完整数据（complete-case）分析的结果。2、数据的预处理：实施统计分析之前往往需要将原始数据进行预处理，如：对连续变量进行函数转换使其更接近正态分布，基于原始数据构建衍生变量，将连续变量拆分为分类变量或将分类变量的不同类别进行合并等。医学论文应报告处理原始数据的方法及依据，瑞舒伐他汀试验即在统计分析部分描述了对血液生物标志物的对数转换。3、变量分布特征描述：确定统计分析使用的变量，并针对每一个变量的分布特征进行描述，是决定研究选用何种统计分析方法的基础。医学期刊虽然普遍对此提出要求，但作者往往套用常用方法，如：连续变量符合正态分布时，采用均数（标准差）描述，否则采用中位数（四分位间距）描述；分类变量采用频数（百分比）描述等。事实上，应根据研究设计类型、统计分析目的和数据特征选择恰当的描述方法。例如，CKB选择采用年龄、性别和地区校正的均值和率来描述人群分布特征，而非简单的报告连续变量的均数和分类变量的构成比。4、主要分析（primary analysis）：指针对研究结局的统计分析，是研究论文的核心证据。因此，医学论文应详细描述主要分析的实施过程和适用性。在试验性研究中，应明确统计分析数据集、试验效应指标、相对或绝对风险及其置信区间的计算方法、以及假设检验的方法。
具体的统计学分析方法，我在网上看到过这方面的视频，是赵清波教授讲的，您可以去创新医学网上找他的视频。她从编辑、审稿的角度介绍避免此类错误的技巧,为医学论文的编审工作提供借鉴。
一般常用的统计检验方法有：t 检验、卡方检验、方差分析和相关回归分析。统计检验方法的选择主要依据数据的类型(计量、计数) 、组数的多少(两组、多组) 、样本量的大小以及对比的方式(相互比较、配对比较) ,此外计量数据还要考虑分布形态和方差齐性等问题。
医学统计工作的基本步骤包括什么医学统计工作的基本步骤包括什么医学统计工作的基本步骤就是，设计、搜集资料、整理资料和分析资料。这四个步骤是相互联系，不可分割的。医学统计工作的基本步骤一、设计。是关键的一步。有调查设计和实验设计之分。（一）调查设计医学统计工作的基本步骤就是，设计一般包括专业设计和统计设计。这里主要讲述统计设计，它包括资料搜集、整理与分析过程的统计设想和科学安排。关于搜集资料的调查计划，在整个设计中占主要地位，应解决的问题是：1.明确调查目的和指标 任何调查研究都要有明确目的。尽管各项调查的具体目的不同，但从解决问题的统计角度来说，不外乎两方面，一是了解参数（即总体的统计指标数值），用以说明总体特征，如某地居民某病患病率、环境中某有害物质的平均浓度；二是研究现象间的相关联系，以探索病因，如环境污染与健康的关系。然后要把调查目的具体化到指标。2.确定调查对象和观察单位 调查对象是根据调查目的和指标确定的调查总体的同质范围；观察单位是要调查的总体中的个体。以此作为统计计算单位。3.调查方法 按调查的范围，可分为普查和非全面调查。普查是将组成总体全部观察单位加以调查。非全面调查包括典型调查和抽样调查两种。典型调查是有意识的选择好的、中间的或坏的典型来调查，一般多用于社会调查或检查卫生工作等；抽样调查是通过随机抽样来推测决体特征，在实际工作中应用最多。4.调查方式 包括直接观察、采访、填表和通信四种方式。前两种调查资料由参加研究的人员直接记录，质量可靠。后两种则由被调查者自己填写，误差会较大，只有在必要时才应用。5.调查项目和调查表设计 把调查项目列成调查表，要精简明了，必需的项目不要遗漏，无关项目不要列入表内，便于填表人理解和正确填写。拟订调查表应注意以下事项：（1）只包括能解决调查任务所必需的问题；（2）只包括那些能得到答复的问题；（3）避免引起被调查者的疑虑；（4）问题答案定义要明确。医学统计工作的基本步骤就是，一般分为一览表和个案卡片。一览表在一张表格中可记录许多个对象，填写项目不多时常用。研究项目较多时采用个案卡，有的还将每个项目编数码，以便应用电子计算机汇总统计。表16-1是一份居民食管癌死亡调查卡片，供参考。6.样本含量的估计 根据研究目的要求、研究对象特点和抽样方法决定样本大小。详细的估计，要根据预试和容许误差通过公式计算。请参阅有关统计书籍。医学统计工作的基本步骤二，实验设计实验设计是实验研究极其重要的一个环节。医学实验的基本要素包括处理因素、受试对象和实验效应三部分。如用某种铁制剂治疗缺铁性贫血患者，观察血红蛋白升高情况，该铁制剂即处理因素，缺铁性贫血患者即受试对象，血红蛋白的测量值即实验效应。实验设计应遵循对照、重复（即样本例数）和随机的原则，详见第五篇第三十一章。医学统计工作的基本步骤资料搜集，按设计的要求及时取得准确、完整的原始数据。医学统计资料主要来自四方面：（一）统计报表如疫情报表、医院工作报表等，这些都是根据国家规定的报告制度，由医疗卫生机构定期逐级上报的。这些报表提供了较全面的居民健康状况和医疗卫生机构的主要数据，是总结、检查和制订卫生工作计划的重要依据。医学统计工作的基本步骤就是，报告卡。如传染病和职业病发病报告卡、肿瘤发病及肿瘤死亡报告卡、出生报告单及死亡报告单等。要做到及时填卡（单），防止漏报。例如，出生后不久即死亡的新生儿要同时填写出生报告单和死亡报告单。（三）日常医疗卫生工作记录如门诊病历、住院病历、健康检查记录、卫生监测记录等。要做到登记完整、准确。（四）专题调查或实验一般统计报表和医院病历资料的内容都有局限性，要做到深入分析往往感到资料不全。经常采用专题调查或实验研究。医学统计工作的基本步骤、资料整理，资料整理的目的是把杂乱无章的原始资料系统化、条理化，便于进一步计算统计指标和分析。资料整理的过程如下：（一）在资料整理之前将收集到的数据和各种资料进行检查和核对。（二）设计分组，分组有两种：1.质量分组 即将观察单位按其属性或类别（如性别、职业、疾病分类、婚姻状况等）归类分组；2.数量分组 即将观察单位数值大小（如年龄大小、血压高低等）分组。两种分组往往结合使用，一般是在质量分组基础上进行数量分组。如先按性别分组，再按身高的数值大上分组。（三）按分组要求设计整理表，进行手工汇总（划记法或分卡法）或用计算机汇总医`学教育网搜集整理。医学统计工作的基本步骤资料分析按设计的要求，根据研究目的和资料的类型，对整理出的基础数据作进一步的计算分析和统计处理，并用适当的统计图表表达出来，最后结合专业作出结论。