从一张数据表,
走到一个可信的结论。
这个案例贯穿研究问题、变量定义、数据检查、简单统计、协变量调整与结果写作。你可以先阅读教材,再下载同一套示例数据和代码,对照页面中的实际计算独立完成练习。
我们究竟想比较什么?
在这份完全模拟的数据中,组别0与组别1的平均评分是否不同?这种差异是否与年龄及采集批次有关?
数据包含64个虚构的独立样本,其中组别0和组别1各32个。除组别外,还记录年龄、采集批次A/B以及一个连续的模拟评分。这里不存在真实干预,也没有医学或行为学意义,唯一目标是学习怎样进行数据分析与证据解释。
研究问题要区分“组间观察差异”和“某种因素导致了差异”。本练习只能得到前者,以及特定模型假设下的描述性调整结果,不能用于证明因果关系。
先检查数据字典,再运行统计
| 变量 | 数据类型 | 含义 | 检查重点 |
|---|---|---|---|
| id | 字符串 | 唯一模拟编号 | 检查重复与缺失 |
| group | 0/1 | 比较组别 | 每组样本数量 |
| age | 数值 | 模拟年龄 | 范围和极端值 |
| batch | A/B | 采集批次 | 是否与组别重合 |
| score | 连续数值 | 模拟研究结局 | 缺失、分布与单位 |
下面展示CSV的前8行,用于检验输入是否正确。实际分析还需检查全部64行数据,不能仅凭预览判断质量。
| ID | 组别 | 年龄 | 批次 | 评分 |
|---|
先报告观察差异,再考虑调整
未经调整的组间均值差,是组别1均值减去组别0均值。随后拟合一个包含组别、年龄和批次的线性回归,观察“组别系数”与直接均值差有何不同。
两根条形表示两种计算下的组别差异数值,并非两组预测均值。回归模型还估计年龄系数 — 与批次B相对A的系数 —。所有数字仅用于教学。以上未计算置信区间,也不据此宣称显著性。
为什么调整前后不一样?
模拟数据生成过程中,评分与组别、年龄、批次及一项人为波动同时相关。因此,简单均值差混合了组别与其他变量在这组有限数据中的差异。线性回归在给定模型结构下,估计保持其余解释变量不变时的组别系数。
但回归结果的可信程度依赖研究设计、测量质量、模型设定和其他可能的因素。即使调整以后组别系数仍大于零,也不能凭此证明组别对真实结局有因果作用。尤其在完全模拟数据中,任何“科学机制发现”都是不恰当的。
怎样写成规范的教学结果段落?
可以写:“在64个模拟样本中,组别1的平均评分高于组别0。考虑年龄与批次的线性回归调整后,组别系数与直接均值差有所不同。由于数据完全由程序生成,并且未提供真实世界的抽样与研究设计证据,结果仅用于说明变量调整和统计解释的差别。”
在真实论文中,还应按适用规范报告效应估计的置信区间、模型诊断及必要的敏感性分析。不能将这段教学陈述原样作为真实研究结果使用。
让研究决定可追溯
下方文字会自动保存在当前浏览器。可以先阅读,再结合数据与代码写下自己的判断,最后导出Markdown文件作为作业。
1. 你怎样定义本次研究问题?
2. 哪些变量或数据条件可能影响解释?
3. 你能得出什么结论,又不能得出什么?
正在加载示例数据。