生理数据的描述性统计分析

描述性统计分析是生理数据处理的起点。它的目标不是直接检验假设，而是用少量指标和图形概括数据的中心位置、离散程度、分布形态与异常情况，为后续推断统计、模型选择和结果解释提供依据。生理信号常受个体差异、昼夜节律、活动状态、采血或记录条件影响，因

描述性统计分析是生理数据处理的起点。它的目标不是直接检验假设，而是用少量指标和图形概括数据的中心位置、离散程度、分布形态与异常情况，为后续推断统计、模型选择和结果解释提供依据。生理信号常受个体差异、昼夜节律、活动状态、采血或记录条件影响，因此描述性统计必须同时关注“数据像什么”和“数据是否可信”。

在生理学不同分支中，数据形态差异很大：神经电活动可能是高频时间序列，循环呼吸指标常呈周期性波动，代谢物浓度可能偏态分布，免疫细胞计数则常为离散计数。但无论子领域如何，描述性统计的通用原则一致：先理解变量类型，再选择统计量，最后用图形和报告规范呈现。

生理数据的常见类型

变量类型决定描述方式。例如分类变量不应计算均值，偏态连续变量不宜只用均值±标准差。

集中趋势描述数据的“典型水平”。常用指标包括：

若数据明显偏态，均值会被尾部拉偏。例如激素浓度常呈右偏分布，此时中位数和四分位距往往比均值±标准差更能代表中心与离散。

只报告均值不足以说明数据。离散趋势反映个体差异和测量波动：

在生理实验中，SD 反映个体间或个体内波动，SEM 反映均值稳定性。若目的是描述受试者差异，应优先报告 SD；若目的是说明均值估计精度，可报告 SEM，并注明 n。

分布形态常用偏度和峰度初步判断。偏度描述不对称性，峰度描述尾部厚度。直方图、密度图和 Q-Q 图可辅助判断正态性。但描述性统计不能替代正式正态性检验，尤其在小样本中。

异常值处理必须谨慎。生理数据中的极端值可能是真实反应，也可能是记录错误、运动伪迹、采血问题或疾病状态。常用识别方法包括：

不应机械删除异常值。若剔除，应说明规则、数量和敏感性分析结果。

图形是描述性统计的重要组成部分：

分组描述时，应同时报告各组 n、中心趋势和离散趋势。对于重复测量，需避免把同一动物的多次观测当作独立样本，否则会造成伪重复。

当数据严重偏态或方差不齐时，可考虑对数变换、平方根变换或秩变换。标准化如 Z 分数可将不同量纲指标放在同一尺度上，常用于多指标综合或机器学习。基线校正和变化率计算也常见于生理实验，例如将处理后指标表示为基线百分比。变换后需重新检查分布和异常值。

规范报告通常包括：

常见误区包括：只报均值不报离散；SD 与 SEM 混用；对偏态数据强行使用均值±SD；忽略重复测量结构；异常值处理不透明；报告过多小数位。

假设 10 名受试者静息心率为：68、72、75、70、80、65、74、69、73、150 bpm。排序后为 65、68、69、70、72、73、74、75、80、150。

若直接报告均值±SD，结果为 79.6±25.1 bpm，中心被 150 明显拉高；若报告中位数[IQR]，则为 72.5[69,75] bpm，更能反映多数受试者的静息水平。此时应核查 150 bpm 是否来自运动后、紧张、记录错误或真实病理状态，而不是直接删除。

描述性统计是生理数据分析的“地图”。只有先准确描述数据，后续的 t 检验、方差分析、回归或混合模型才具有可靠基础。