下面内容摘录自《用R探索医药数据科学》专栏文章的部分内容（原文5422字）。

2篇3章6节：R中进行独立样本的t检验_r 独立样本t检验-CSDN博客

t检验（T test），亦称Student's t检验，是统计学中常用的一种假设检验方法，广泛应用于定量资料的两组均数比较。t检验主要用于判断两组样本均值是否存在显著差异，是研究人员在实际应用中最常用的统计检验方法之一。根据具体数据和假设条件，t检验可以分为独立样本t检验、配对样本t检验以及单样本t检验等。

一、认识t检验

独立样本t检验（Independent samples t test）用于比较两组独立样本的均值。所谓独立样本，是指来自两个不同群体或条件的数据，这些样本之间没有相互影响。独立样本t检验的主要目的是推断两个群体的总体均值是否存在显著差异。

配对样本t检验（Paired samples t test）用于比较同一组样本在不同条件下的均值差异，或两个配对样本之间的均值差异。常见的应用场景包括前后测量的比较、双胞胎研究等。

单样本t检验（One sample t test）用于检验一个样本的均值是否与已知的总体均值有显著差异。它适用于只有一个样本数据的情况，常见的应用场景包括检验某种药物的平均效果是否达到预期标准等。

# ============================================================ # R语言医学统计示例：t 检验三种类型 # ============================================================ # 清空环境 rm(list = ls()) # 设定随机数种子，保证结果可重复 set.seed(2025) # ------------------------------------------------------------ # 1. 单样本 t 检验 # ------------------------------------------------------------ # 场景：已知某地区成年人平均身高为 170 cm # 随机抽取 50 名成年人，测量身高，判断样本均值是否与 170 cm 不同 # 生成模拟身高数据（单位：cm） # 假设真实均值略高，约 172 cm，标准差设为 6 sample_size <- 50 heights <- rnorm(sample_size, mean = 172, sd = 6) # 查看前 10 个数据 head(heights, 10) # 描述性统计 mean_height <- mean(heights) sd_height <- sd(heights) cat("样本平均身高：", mean_height, "\n") cat("样本标准差：", sd_height, "\n") # 进行单样本 t 检验，检验 H0: mu = 170 t_test_one <- t.test(heights, mu = 170) # 输出检验结果 print(t_test_one) # 解释结果 if (t_test_one$p.value < 0.05) { cat("结论：样本均值与 170 cm 存在显著差异（p < 0.05）\n") } else { cat("结论：样本均值与 170 cm 无显著差异（p >= 0.05）\n") } # 可视化：样本分布与总体均值对比 hist(heights, main = "单样本 t 检验：身高分布", xlab = "身高（cm）", col = "lightblue", border = "white") abline(v = 170, col = "red", lwd = 2) text(170, 5, "总体均值170", pos = 4, col = "red") # ------------------------------------------------------------ # 2. 独立样本 t 检验 # ------------------------------------------------------------ # 场景：比较男性和女性的平均月收入是否有显著差异 # 模拟两个独立样本：男性组与女性组 # 样本量各 60 n_male <- 60 n_female <- 60 # 模拟收入数据（单位：人民币/月） # 男性平均收入设为 8000 元，女性平均收入设为 7500 元 # 标准差相同，设为 1500 元 income_male <- rnorm(n_male, mean = 8000, sd = 1500) income_female <- rnorm(n_female, mean = 7500, sd = 1500) # 描述性统计 cat("\n男性平均收入：", mean(income_male), "\n") cat("女性平均收入：", mean(income_female), "\n") # 独立样本 t 检验，假设两组方差不相等（Welch t 检验） t_test_independent <- t.test(income_male, income_female, var.equal = FALSE) # 输出检验结果 print(t_test_independent) # 判断显著性 if (t_test_independent$p.value < 0.05) { cat("结论：男女平均收入存在显著差异（p < 0.05）\n") } else { cat("结论：男女平均收入无显著差异（p >= 0.05）\n") } # 可视化：箱线图比较 boxplot(income_male, income_female, names = c("男性", "女性"), col = c("lightblue", "lightpink"), main = "独立样本 t 检验：男女收入比较", ylab = "月收入（元）") # 添加均值点 points(x = 1, y = mean(income_male), col = "blue", pch = 19) points(x = 2, y = mean(income_female), col = "red", pch = 19) legend("topright", legend = c("均值"), pch = 19, col = c("black")) # ------------------------------------------------------------ # 3. 配对样本 t 检验 # ------------------------------------------------------------ # 场景：某减肥方法的前后体重变化 # 对同一批受试者（n = 40）分别在干预前和干预后测量体重 # 样本量 n_subjects <- 40 # 干预前体重（kg），平均 75，标准差 8 weight_before <- rnorm(n_subjects, mean = 75, sd = 8) # 干预后体重（kg），假设平均减少 3 kg weight_after <- weight_before - rnorm(n_subjects, mean = 3, sd = 2) # 查看前几行 head(data.frame(受試者 = 1:6, 干預前 = round(weight_before[1:6], 1), 干預後 = round(weight_after[1:6], 1))) # 配对样本 t 检验 t_test_paired <- t.test(weight_before, weight_after, paired = TRUE) # 输出结果 print(t_test_paired) # 判断显著性 if (t_test_paired$p.value < 0.05) { cat("结论：干预前后体重存在显著差异，减肥方法有效（p < 0.05）\n") } else { cat("结论：干预前后体重无显著差异，减肥方法效果不明显（p >= 0.05）\n") } # 可视化：连接线图，显示每位受试者的体重变化 plot(1:n_subjects, weight_before, type = "n", xlab = "受試者編號", ylab = "體重（kg）", ylim = range(c(weight_before, weight_after)), main = "配對樣本 t 檢驗：減肥前後體重變化") # 连接线 segments(1:n_subjects, weight_before, 1:n_subjects, weight_after, col = "gray") # 前后点 points(1:n_subjects, weight_before, col = "blue", pch = 19) points(1:n_subjects, weight_after, col = "red", pch = 19) legend("topright", legend = c("干預前", "干預後"), col = c("blue", "red"), pch = 19) # ------------------------------------------------------------ # 小结 # ------------------------------------------------------------ cat("\n【小结】\n") cat("1. 單樣本 t 檢驗：比較樣本均值與已知總體均值。\n") cat("2. 獨立樣本 t 檢驗：比較兩個獨立樣本均值的差異。\n") cat("3. 配對樣本 t 檢驗：比較同一樣本前後或配對資料的均值差異。\n") cat("以上均需注意樣本量、方差假設與p值解讀。\n")

​​​​​

市面上的 R 语言培训班和书籍（包括网络上的文章或视频），由于受限于培训时间或书籍篇幅，往往难以深入探讨 R 语言在数据科学或人工智能中的具体应用场景，内容泛泛而谈，最终无法真正解决实际工作中的问题。同时，它们也缺乏针对医药领域的深度结合与讨论。为了解决这些痛点，我们推出了《用 R 探索医药数据科学》专栏。该专栏将持续更新，不仅为您提供系统化的学习内容，更致力于成为您掌握最新、最全医药数据科学技术的得力助手。

• 每篇文章篇幅在5000字 至9000字之间。
• 内容涵盖试验统计、预测模型、科研绘图、数据库、机器学习等热点领域。

《用 R 探索医药数据科学》专栏的学习指南

重新整理《用 R 探索医药数据科学》专栏目录形成学习的目的是为读者梳理出一个清晰、系统的知识脉络。通过将内容划分为工具使用、常规技术、可视化等9大板块的共10部分内容，能让读者快速定位到所需知识领域，直观把握不同章节间的逻辑关系与递进层次。这有助于初学者构建完整的知识体系，有步骤地开启学习之旅；也方便进阶者迅速检索特定技术内容，进行深入研究与实践，提升了专栏内容的可读性与实用性。

https://datch.blog.csdn.net/article/details/143842464?spm=1011.2415.3001.5331

​​​

专栏问答

专栏问答：临床、中医、护理、药学等专业背景的学习者该如何认识 R语言学习，让科研真正为自 己服务？

专栏问答：学R语言，感觉还行，一用就错误，人工智能帮忙写代码也看不懂错误，怎么办？-CSDN博客

专栏问答：管理和选择不同的R，如何做好R的笔记，使用 openxlsx 包（更新20240822）_rstudio不同的r-CSDN博客

专栏问答：R 语言扩展包安装出问题？解决方案详细来教你（更新20250128）-CSDN博客

专栏问答：到底什么是综述，如何写好综述，如何进行文献搜索？（更新20250217）-CSDN博客

专栏问答：如何更精确地进行文献搜索（更新20250217）-CSDN博客

专栏问答：公共数据库发表能发表国际学术期刊吗？能够成为本硕博的毕业论文主要研究吗？以NHANES数据库为例-CSDN博客

第一篇：介绍和工具的使用

1篇1章：认识数据科学和R

1篇1章1节：医药数据科学的历程和发展，用R语言探索数据科学（更新20241029）-CSDN博客

1篇1章2节：机器学习、统计学与ChatGPT的概述，与R语言的相关 (更新20241229)_ai、chatgpt和机器学习什么关系-CSDN博客

1篇1章3节：R 语言的产生与发展轨迹（更新2024/08/14）-CSDN博客

1篇1章4节：医药数据科学入门之认识数据可视化（更新20240814）-CSDN博客

1篇1章5节：学会数据分析基础和流程，开始人工智能数据分析师之路（更新20250214）-CSDN博客

1篇2章：R的安装和数据读取

1篇2章1节：R和RStudio的下载和安装（Windows 和 Mac）-CSDN博客

1篇2章2节：RStudio 四大区应用全解，兼谈 R 的代码规范与相关文件展示_rstudio的console和terminal-CSDN博客

1篇2章3节：RStudio的高效使用技巧，自定义RStudio环境（更新20241023）_rstudio如何使用-CSDN博客

1篇2章4节：用RStudio做项目管理，静态图和动态图的演示，感受ggplot2的魅力_如何通过rstudio实现项目管理,防止依赖项冲突-CSDN博客

1篇2章5节：详解R的扩展包管理（从模糊安装到自动更新）及工作目录和工作空间的设置（更新20241030 ）-CSDN博客

1篇2章6节：R的数据集读取和利用，如何高效地直接复制黏贴数据到R（20240807 ）_r语言 复制数据集-CSDN博客

1篇2章7节：用R读写RDS、RData、CSV和TXT格式文件（更新20250129）_r语言读取rds文件-CSDN博客

1篇2章8节：用R读写Excel、SPSS、SAS、Stata和Minitab等产生的数据文件（更新20250129）

1篇2章9节：在R中应用SQL语言（更新20241217）_r语言与数据库-CSDN博客

1篇2章10节：R的网络爬虫技术快速入门（更新20241217）_如何用r分析inhanes数据库-CSDN博客

1篇3章：文档和课件输出

1篇3章1节：用R写作，先认识 NoteBook 和 Markdown-CSDN博客

1篇3章2节：如何在 R Markdown 和 R Notebook 中创建使用-CSDN博客

1篇3章3节：R Markdown的创建详解和直接使用学术期刊和出版社的模板_学术期刊 markdown模板-CSDN博客

1篇3章4节：R Markdown 的文档开头（YAML），从基础到扩展包-CSDN博客​

1篇3章5节： Markdown 的标题、列表、字词和链接-CSDN博客

1篇3章6节：R Markdown 的代码块、绘图与数学公式解析-CSDN博客

1篇3章7节：Knit 的文档生成，和多文档流程的集合应用-CSDN博客

1篇3章8节：HTML Widgets，将 JavaScript 可视化库封装成 R 函数-CSDN博客

1篇3章9节：使用 R Markdown 和 Shiny 结合R语言进行数据报告和交互式应用的创建-CSDN博客

第二篇：常规的分析技术

2篇1章：认识数据

2篇1章1节：数据的基本概念以及 R 中的数据结构、向量与矩阵的创建及运算-CSDN博客

2篇1章2节：继续讲R的数据结构，数组、数据框和列表-CSDN博客

2篇1章3节：R的赋值操作与算术运算_r里面的赋值-CSDN博客

2篇1章4节：R的逻辑运算和矩阵运算-CSDN博客

2篇1章5节：R 语言的循环与遍历函数全解析-CSDN博客

2篇2章：数据的预处理

2篇2章1节：全面了解 R 中的数据预处理，通过 R 基本函数实施数据查阅_r数据预处理-CSDN博客

2篇2章2节：从排序到分组和筛选，通过 R 的 dplyr 扩展包来操作-CSDN博客

2篇2章3节：处理医学类原始数据的重要技巧，R语言中的宽长数据转换，tidyr包的使用指南-CSDN博客

2篇2章4节：临床数据科学中如何用R来进行缺失值的处理_临床生存分析缺失值r语言-CSDN博客

2篇2章5节：数据科学中的缺失值的处理，删除和填补的选择，K最近邻填补法-CSDN博客

2篇2章6节：R的多重填补法中随机回归填补法的应用，MICE包的实际应用和统计与可视化评估-CSDN博客

2篇2章7节：用R做数据重塑，数据去重和数据的匹配-CSDN博客

2篇2章8节：用R做数据重塑，行列命名和数据类型转换-CSDN博客

2篇2章9节：用R做数据重塑，增加变量和赋值修改，和mutate()函数的复杂用法_r语言如何在数据集中添加变量-CSDN博客

2篇2章10节：用R做数据重塑，变体函数应用详解和可视化的数据预处理介绍-CSDN博客

2篇2章11节：用R做数据重塑，数据的特征缩放和特征可视化-CSDN博客

2篇2章12节：R语言中字符串的处理，正则表达式的基础要点和特殊字符-CSDN博客

2篇2章13节：R语言中Stringr扩展包进行字符串的查阅、大小转换和排序-CSDN博客

2篇2章14节：R语言中字符串的处理，提取替换，分割连接和填充插值_r语言替换字符串-CSDN博客

2篇2章15节：字符串处理，提取匹配的相关操作扩展，和Stringr包不同函数的重点介绍和举例-CSDN博客

2篇2章16节：R 语言中日期时间数据的关键处理要点_r语言 时刻数据-CSDN博客

2篇3章：定量数据的统计描述

2篇3章1节：用R语言进行定量数据的统计描述，文末有众数的自定义函数-CSDN博客

2篇3章2节：离散趋势的描述，文末1个简单函数同时搞定20个结果-CSDN博客

2篇3章3节：在R语言中，从实际应用的角度认识假设检验-CSDN博客

2篇3章4节：从R语言的角度认识正态分布与正态性检验-CSDN博客

2篇3章5节：认识方差和方差齐性检验（三种方法全覆盖）-CSDN博客

2篇3章6节：R语言中的t检验，独立样本的t检验-CSDN博客

2篇3章7节：单样本t检验和配对t检验-CSDN博客

2篇3章8节：方差分析（ANOVA）及其应用-CSDN博客

2篇3章9节：组间差异的非参数检验，Wilcoxon秩和检验和Kruskal-Wallis检验-CSDN博客

2篇4章：定性数据的统计描述

2篇4章1节：定性数据的统计描述之列联表，文末有优势比计算介绍-CSDN博客

2篇4章2节：认识birthwt数据集，EpiDisplay和Gmodels扩展包的应用-CSDN博客

2篇4章3节：独立性检验，卡方检验，费希尔精确概率检验和Cochran-Mantel-Haenszel检验-CSDN博客

2篇4章4节：相关关系和连续型变量的Pearson相关分析-CSDN博客

2篇4章5节：分类型变量的Spearman相关分析，偏相关分析和相关图分析-CSDN博客

2篇4章6节：相关图的GGally扩展包，和制表的Tableone扩展包-CSDN博客

2篇5章：常见类型回归分析

2篇5章1节：认识回归分析的历史背景及应用-CSDN博客

2篇5章2节：构建一元和多元的线性回归模型-CSDN博客

2篇5章3节：回归模型中哑变量的应用和设置-CSDN博客

2篇5章4节：深度解读构建回归模型表达式的九个关键符号-CSDN博客

2篇5章5节：深度剖析回归模型结果的相关函数-CSDN博客

2篇5章6节：深度解读线性回归模型的绘图判断-CSDN博客

2篇5章7节：构建因变量为分类变量的二分类Logistic回归模型-CSDN博客

2篇5章8节：详解不同逻辑回归模型的比较，和如何进行变量优化-CSDN博客

2篇5章9节：深度讲解有序多分类Logistic回归模型的分析-CSDN博客

2篇5章10节：条件Logistic回归模型的分析-CSDN博客

2篇6章：生存分析模型

2篇6章1节：生存分析的基本概念和主要内容-CSDN博客

2篇6章2节：用R进行生存率的描述与估计-CSDN博客

2篇6章3节：生存分析的假设检验及可视化展示-CSDN博客

2篇6章4节：认识比例风险模型和Cox比例风险模型，学会从协变量的调整选择最优模型-CSDN博客

2篇6章5节：用逐步回归方法来选择模型协变量，比例风险假定的检验和森林图的绘制-CSDN博客

2篇7章：高级回归分析

2篇7章1节：认识广义加性回归模型-CSDN博客

2篇7章2节：初步构建广义加性回归模型-CSDN博客

2篇7章3节：广义加性回归模型的可视化和模型的诊断-CSDN博客

2篇7章4节：岭回归的原理和应用场景，并用R进行代码演示-CSDN博客

2篇7章5节：Lasso 回归的原理和应用场景，并用R进行代码演示-CSDN博客

2篇7章6节：弹性网（Elastic Net）回归的原理和应用场景，并用R进行代码演示-CSDN博客

2篇7章7节：逐步回归的原理和应用场景，并用R进行代码演示包的高级应用-CSDN博客

2篇7章8节：主成分回归的原理和应用场景，并用R进行代码演示-CSDN博客

2篇7章9节：神经网络回归的原理和应用场景，并用R进行代码演示-CSDN博客

2篇7章10节：分位数回归的原理和应用场景，并用R进行代码演示-CSDN博客

第三篇：数据可视化技术

3篇1章：R的传统绘图

3篇1章1节：认识R的传统绘图系统，深度解析plot()函数和par()函数的使用-CSDN博客

3篇1章2节：R基础绘图之散点图、直方图和概率密度图-CSDN博客

3篇1章3节：R基础绘图之条形图和堆积条形图-CSDN博客

3篇1章4节：饼图，箱线图和克利夫兰点图-CSDN博客

3篇1章5节：R基础绘图之Cleveland 点图，马赛克图和等高图（更新20250102）_散点矩阵图-CSDN博客

3篇1章6节：用R进行图形的保存与导出，详细的高级图形输出，一文囊括大多数保存的各种问题，和如何批量保存不同情况的图形-CSDN博客

3篇2章：R的进阶绘图

3篇2章1节：认识 ggplot2 扩展包，深度解析 qplot() 函数的使用-CSDN博客

3篇2章2节：ggplot2绘图之原理逻辑分解，掌握绘图步骤（更新20241104）-CSDN博客

3篇2章3节：ggplot2绘图之内置主题设置全解析（更新20241104）-CSDN博客

3篇2章4节：ggplot2绘图之几何体解析（一），参考线和基准线与分布图和频数图（更新20241104）-CSDN博客

3篇2章5节：ggplot2绘图之几何体解析（二），关系图和时间序列图与误差条和高级图形平滑曲线（更新20241104）-CSDN博客

3篇2章6节：ggplot2绘图之统计变换与位置调整（更新20250111）-CSDN博客

3篇2章7节：个性化配色的自定义颜色演示_r语言自定义颜色怎么使用-CSDN博客

3篇2章8节：让 ggplot2 绘图进行顶级科研杂志的配色（更新20241118）_ggsci使用-CSDN博客

3篇2章9节：坐标轴须图和带状图（更新20241107）-CSDN博客

3篇2章10节：多样的小提琴图（更新20241231）_r语言parallelplot绘制平行坐标图-CSDN博客

3篇2章11节：维恩图和UpSet图-CSDN博客

3篇2章12节：雷达图和RadViz图-CSDN博客

3篇2章13节：网络图（知识图谱）绘制的深度解析（更新20241109）_认知网络分析图怎么看-CSDN博客

3篇2章14节：高质量动态图和交互式动态图_r语言数据分析动图-CSDN博客

3篇2章15节：深度讲解词云图的绘制和改变相关的主题（更新20250106）_d3 词云图-CSDN博客

3篇2章16节：R的地理图绘制（更新20241104）-CSDN博客

3篇2章17节：轻便科研绘图的tidyplots扩展包_科研绘图包-CSDN博客

3篇2章18节：学会构建专业的多面板图-CSDN博客

3篇3章：基于gglot2的扩展包应用

3篇3章1节：模型系数图、相关矩阵图、双变量成对矩阵图-CSDN博客

3篇3章2节：绘制网络对象图和叠加地图网络图-CSDN博客

3篇3章3节：绘制平行坐标图和模型诊断图-CSDN博客

3篇3章4节：绘制高级散点矩阵图和多样生存曲线图-CSDN博客

3篇3章5节：绘制分面直方图，多元时间序列图和二元密度图-CSDN博客

3篇3章6节：绘制切尔诺夫面图（疼痛评分的笑脸可视化）和时间序列数据的日历热图-CSDN博客

3篇3章7节：绘制时间序列地平线图和时间序列流图-CSDN博客

3篇3章8节：绘制瀑布图和镶嵌图-CSDN博客

3篇3章9节：深度讲解树图的多样化绘制-CSDN博客

3篇3章10节：绘制混合箱线图和弧形条形图-CSDN博客

3篇3章11节：绘制议会图和深度讲解绘制山峦图（岭线图）-CSDN博客

3篇3章12节：多元统计分析的可视化扩展包，从主成分分析到时间序列，从K-means聚类到广义线性模型-CSDN博客

3篇3章13节：绘制大数据级别的字母值箱线图（Letter-Value Boxplot）

3篇3章14节：绘制美观和直观的蜂群图（Bee Swarm Plot）

3篇3章15节：用不同方法绘制高级云雨图（Raincloud Plot）

3篇4章：三维图形可视化

3篇4章1节：不同方法绘制多样的三维散点图-CSDN博客

3篇4章2节：深度讲解如何绘制三维透视图，从内置函数到扩展包函数-CSDN博客

3篇4章3节：绘制三维条带图和三维直方图-CSDN博客

3篇4章4节：绘制三维切片图和三维切片轮廓图，文末添加三维文本信息-CSDN博客

3篇4章5节：如何绘制三维曲面图、三维球面图和三维曲面地形图-CSDN博客

​3篇4章6节：绘制三维等值面图、三维等值体素图和三维多边形图-CSDN博客

3篇4章7节：绘制交互式三维图形-CSDN博客​

3篇4章8节：绘制三维地形图-CSDN博客

3篇4章9节：如何将 ggplot2 对象转化为三维图形-CSDN博客

3篇5章：科研绘图新利器（plotthis 包）

3篇5章1节：科研绘图，这个 R 包可能比 ggplot2 更适合你，绘制渐变面积图-CSDN博客

3篇5章2节：绘制临床研究中的趋势图与ROC曲线-CSDN博客

3篇5章3节：聚类演变图、折线图和网络关系图-CSDN博客

3篇5章4节：打造专业热图（上）-CSDN博客

3篇5章5节：打造专业热图（下）-CSDN博客

3篇5章6节：相关散点图与多变量相关图-CSDN博客

3篇5章7节：高效饼图、环图与QQ图的实现-CSDN博客

3篇5章8节：绘制基因差异表达数据的火山图-CSDN博客

3篇5章9节：绘制高效和专业的条形图-CSDN博客

3篇5章10节：绘制箱线图和小提琴图-CSDN博客

3篇5章11节：绘制 Chord Diagram（弦图）和 Circos Plot（环形关系图）-CSDN博客

3篇5章12节：降维可视化的DimPlot与FeatureDimPlot应用

3篇5章13节：富集分析的网络可视化全解析

3篇5章14节：基因富集分析的基因集可视化全解析

3篇5章15节：用桑基图和堆积流图揭示数据中的动态流动关系

3篇5章16节：栅格、掩膜、矢量与点数据的高效绘图

第四篇：临床试验特定技术

4篇1章：临床试验的统计

4篇1章1节：初步认识临床试验（约7500字）-CSDN博客

4篇1章2节：样本量估计的初步介绍-CSDN博客

4篇1章3节：用R进行样本量估计的统计学参数-CSDN博客

4篇1章4节：两组例数相同的均数比较的样本量估计和绘制功效曲线-CSDN博客

4篇1章5节：两组的例数不等的均数比较的样本量估计和可视化-CSDN博客

4篇1章6节：自身配对设计的均数比较临床试验的样本量估计和可视化-CSDN博客

4篇1章7节：与总体均数比较的样本量估计和可视化-CSDN博客

4篇1章8节： 两、三组试验组率比较的样本量估算和可视化-CSDN博客

4篇1章9节：试验的随机分组认识，用R做简单随机化-CSDN博客

4篇1章10节：用R实现分层随机化-CSDN博客

4篇1章11节：用R实现区组随机化和置换区组随机化-CSDN博客

4篇1章12节：动态随机化方法介绍，和用R绘制随机化卡片-CSDN博客

4篇2章：样本量估计的进阶技术

4篇2章1节：认识析因试验和多因素设计样本量估计的底层逻辑-CSDN博客

4篇2章2节：用R演示高血压析因试验的样本量计算-CSDN博客

4篇2章3节：模拟法在临床试验功效分析中的应用-CSDN博客

4篇2章4节：三因素（2b × 3w × 2b）混合设计功效模拟实战，以抗高血压药物试验为例-CSDN博客

4篇2章5节：ANOVA 功效的单次精确模拟与可视化全解析-CSDN博客

4篇2章6节：生存分析研究中终点事件数的估算方法-CSDN博客

4篇2章7节：基于分层生存模型的功效计算，以糖尿病临床试验为例-CSDN博客

第五篇：文献挖掘的技术

5篇1章：Meta分析攻略

5篇1章1节：认识循证医学中的Meta分析，并予代码演示分析绘图-CSDN博客

​​5篇1章2节：Meta分析的7大步骤的扼要解读-CSDN博客

5篇1章3节：二分类变量的Meta分析模型，分析公式构建和结果解读-CSDN博客

5篇1章4节：二分类变量的Meta分析模型，绘制漏斗图和应用剪补法，最后绘制和解读轮廓增强漏斗图-CSDN博客

5篇1章5节：二分类变量的Meta分析模型，敏感性分析和亚组分析，绘制森林图-CSDN博客

5篇1章6节：连续型变量的Meta分析和可视化分析全解-CSDN博客

5篇2章：高级Meta分析（计划更新中）

5篇2章1节：用R进行单个率Meta分析-CSDN博客

5篇2章2节：用R进行网状Meta分析细解-CSDN博客

5篇2章3节：在经典临床研究中进行二次固定效应剂量-反应建模和预测

5篇2章4节：剂量-反应Meta分析中的最优线性无偏预测

5篇2章5节：多变量Meta分析和其回归模型的实现

5篇2章6节：贝叶斯 Meta 分析在小样本、高异质性及稀疏数据下的应用（上篇：核心函数）

5篇2章7节：贝叶斯 Meta 分析在小样本、高异质性及稀疏数据下的应用（中篇：具体建模）

5篇2章8节：贝叶斯 Meta 分析在小样本、高异质性及稀疏数据下的应用（下篇：可视化）

5篇2章9节：累积Meta分析在循证医学中的应用及R语言实操

5篇3章：文献计量学

5篇3章1节：文献计量分析基础-CSDN博客

5篇3章2节：文献计量学的国外数据库的数据采集，WOS数据库和PUBMED数据库的文献信息批量下载和分析_pubmed能导出文献计量数据吗-CSDN博客

5篇3章3节：国际六大科研文献数据库的数据加载与格式转换解析_r使用最新版的 bibliometrix 绘制 countries' scientific prod-CSDN博客

5篇3章4节：文献计量学中数据合并、去重、切片与编辑_文献计量分析中文和英文数据库搜索的数据怎么合并-CSDN博客

5篇3章5节：文献计量学的描述性分析_文献计量学分析-CSDN博客

5篇3章6节：文献计量学的可视化与引文信息分析_文献计量与可视化分析-CSDN博客

5篇3章7节：作者主导性分析及H指数与其变体的应用-CSDN博客

5篇3章8节：Lotka分析和知识单元时序分析_lotka 定律-CSDN博客

5篇3章9节：局部被引次数分析与文献文本字段术语提取研究_local citation如何统计-CSDN博客

5篇3章10节：为构建网络图从文献数据中提取特定信息-CSDN博客

5篇3章11节：文献计量分析合作情况可视化-CSDN博客

5篇3章12节：耦合网络可视化，从常规网络图到耦合分析聚类图的深度讲解-CSDN博客

5篇3章13节：共被引网络、历史共被引网络和共词网络的可视化-CSDN博客

​​5篇3章14节：概念结构图，贡献度最高文献因子图和最被引用文献因子图-CSDN博客

5篇3章15节：文献计量学的语义地图和主题演化分析图-CSDN博客

5篇3章16节：PubMed数据库的数据提取和可视化-CSDN博客

5篇3章17节：文献计量中著作层面的情感分析-CSDN博客

第六篇：数据驱动的分析

6篇1章：主成分分析

6篇1章1节：深度讲解用R进行主成分分析（上）-CSDN博客

6篇1章2节：​深度讲解用R进行主成分分析（中）-CSDN博客

6篇1章3节：​深度讲解用R进行主成分分析（下）-CSDN博客

6篇1章4节：学会用R进行因子分析（上）-CSDN博客

6篇1章5节：学会用R进行因子分析（中）-CSDN博客

6篇1章6节：学会用R进行因子分析（下）-CSDN博客

6篇2章：匹配技术应用

6篇2章1节：认识临床研究的匹配技术-CSDN博客

6篇2章2节：匹配结果的可视化和匹配后新数据分析-CSDN博客

6篇3章：判别和聚类分析

6篇3章1节：医学研究中的判别分析和聚类分析-CSDN博客

6篇3章2节：线性判别分析预测模型构建评估和可视化演示-CSDN博客

6篇3章3节：二次判别分析技术的运用-CSDN博客

6篇3章4节：K-Means聚类分析的运用，和改进算法的K-Means++-CSDN博客

6篇3章5节：实现k-medoids聚类算法的PAM和CLARA方法-CSDN博客

6篇3章6节：凝聚层次聚类和分裂层次聚类-CSDN博客

6篇4章：时间序列分析

6篇4章1节：认识时间序列分析，创建和整理时间序列数据-CSDN博客

6篇4章2节：深度讲解白噪音检验-CSDN博客

6篇4章3节：认识ARIMA模型和模拟其数据，讲解平稳性检验-CSDN博客

6篇4章4节：ACF和PACF的可视化，和识别最佳模型-CSDN博客

6篇4章5节：如何应用SARIMA模型来进行时间序列数据的预测-CSDN博客

6篇4章6节：Facebook 的时间序列预测的 Prophet 模型-CSDN博客

6篇5章：数据因果分析

6篇5章1节：因果中介分析的贝叶斯方法

6篇5章2节：高维中介情境下的贝叶斯因果中介分析

6篇6章：孟德尔随机化

6篇6章1节：认识孟德尔与孟德尔定律，为流行病学因果研究提供方法指导

6篇6章2节：单核苷酸多态性与孟德尔随机化

6篇6章3节：全基因组关联研究（GWAS）

第七篇：机器学习和预测

7篇1章：机器学习入门

7篇1章1节：机器学习和人工智能的基础知识-CSDN博客

7篇1章2节：机器学习在临床预测中的应用场景，与临床预测模型的关键步骤解析-CSDN博客

7篇1章3节：详析训练数据集、测试数据集和验证数据集及其划分策略-CSDN博客

7篇1章4节：采用随机抽样法和等比抽样法对数据集进行二份及三份的划分-CSDN博客

7篇1章5节：划分数据的多次随机抽样的Bootstrap法和加权随机抽样法-CSDN博客

7篇1章6节：交叉验证概述与分类，R中K折交叉验证的详细解析-CSDN博客

7篇1章7节：机器学习算法解读，与数值预测回归模型构建-CSDN博客

7篇1章8节：朴素贝叶斯分类预测模型，从构建、解析到实战-CSDN博客

7篇1章9节：认识决策树，构建CART算法的决策树模型-CSDN博客

7篇1章10节：深度解析如何构建随机森林算法预测模型-CSDN博客

7篇1章11节：构建人工神经网络反向传播算法预测模型-CSDN博客

7篇1章12节：认识机器学习的模型评估，掌握数值型数据的模型评估方法-CSDN博客

7篇1章13节：分类模型的混淆矩阵评估-CSDN博客

7篇1章14节：评估和对比预测模型的ROC曲线和AUC值-CSDN博客

7篇1章15节：六大ROC曲线扩展包的对比，和其它评估曲线的绘制-CSDN博客

7篇2章：抽样与重抽样技术

7篇2章1节：机器学习的抽样与重抽样技术-CSDN博客

7篇2章2节：模型抽样，调查抽样和抽样技术的专业术语-CSDN博客

7篇2章3节：总群体的统计量和抽样方法在医药研究中的应用-CSDN博客

7篇2章4节：概率抽样和三种非概率抽样的实现-CSDN博客

7篇2章5节：抽样分布的统计理论-CSDN博客

7篇2章6节：深度解析和认识中心极限定理-CSDN博客

7篇2章7节：简单随机抽样及其在R语言中的实现与验证-CSDN博客

7篇2章8节：系统性随机抽样及其在R语言中的实现与验证-CSDN博客

7篇2章9节：分层随机抽样及其在R语言中的实现与验证-CSDN博客

7篇2章10节：聚类抽样及其在R语言中的实现与验证-CSDN博客

7篇2章11节：自助抽样及其在R语言中的实现与验证-CSDN博客

7篇2章12节：抽样的蒙特卡洛方法-CSDN博客

7篇3章：特征工程技术

7篇3章1节：认识机器学习的特征工程-CSDN博客

7篇3章2节：了解特征工程的工作数据-CSDN博客

7篇3章3节：了解特征工程的特征排名-CSDN博客

7篇3章4节：特征工程的变量子集选择-CSDN博客

7篇3章5节：特征工程变量子集选择的过滤器方法应用-CSDN博客

7篇3章6节：特征工程变量子集选择的包装器方法应用-CSDN博客

7篇3章7节：特征工程变量子集选择的嵌入式方法应用-CSDN博客

第八篇：R与人工智能

8篇1章：人工智能理论

8篇1章1节：认识生成式人工智能与生成式代码的优势和局限-CSDN博客

8篇1章2节：认识生成对抗网络，GAN和StyleGAN_rstudio中集成deepseek-CSDN博客

8篇1章3节：大模型术语解读与从生成到推理的演进-CSDN博客

8篇1章4节：Transformer架构和提词器工程学的出现-CSDN博客

8篇2章：R与人工智能

8篇2章1节：在 RStudio 中无插件使用 DeepSeek（基本篇）-CSDN博客

8篇2章2节：在 RStudio 中无插件使用 DeepSeek（进阶篇）-CSDN博客

第九篇：公共数据库挖掘

9篇1章：NHANES 数据库

9篇1章1节：认识二次数据分析和NHANES数据库-CSDN博客

9篇1章2节：下载NHANES数据并使用R进行读取-CSDN博客

9篇1章3节：NHANES数据的下载读取、追加和合并-CSDN博客

9篇1章4节：认识统计学的权重、抽样及其背后的设计逻辑（更新20251206）

9篇1章5节：实例解析权重对数据结果的影响和可靠性评估（更新20251206）

9篇1章6节：深度讲解不同NHANES的权重的种类选择和R包（更新20251206）

9篇1章7节：单周期的NHANES权重计算实战（更新20251208）

9篇1章8节：多周期的NHANES权重计算实战（更新20251208）

9篇1章9节：一步一步构建高效读取NHANES数据的自定义函数-CSDN博客

9篇1章10节：如何解决 NHANES 数据合并所遇原表差异问题-CSDN博客

9篇1章11节：2025年后如何使用扩展包访问、下载和分析 NHANES 数据-CSDN博客

9篇1章12节：如何直接显示NHANES某个变量的代码本-CSDN博客

9篇1章13节：根据关键词检索NHANES变量和得到相关信息，并且通过指定URL直接下载数据_nhanes数据库url怎么获得-CSDN博客

9篇1章14节：下载 NHANES 的数据清单、搜索表格和表格里面的变量汇总_r语言下载nhanes数据-CSDN博客

9篇1章15节：快速获取 NHANES 特定的表格信息和变量信息_nhanestables-CSDN博客

9篇1章16节：NHANES 2017–2023 数据的样本设计、无应答偏差评估与分析说明-CSDN博客

9篇1章17节：特殊的NHANES数据解读，包括NNYFS、NHEFS、NHES 和 HHANES 等数据

9篇1章18节：复现NHANES的美国成人抑郁症患病率研究（上）-CSDN博客

9篇1章19节：复现NHANES的美国成人抑郁症患病率研究（中）-CSDN博客

9篇1章20节：复现NHANES的美国成人抑郁症患病率研究（下）-CSDN博客

9篇2章：GBD 数据库

9篇2章1节：认识全球疾病负担数据库 GBD-CSDN博客

9篇2章2节：GBD 数据库的数据申请详解-CSDN博客

9篇2章3节：GBD 数据库的数据深度解读（上）-CSDN博客

9篇2章4节：GBD 数据库的数据深度解读（下）-CSDN博客

9篇2章5节：GBD 数据库的全球疾病负担死亡概率可视化演示-CSDN博客

9篇2章6节：GBD 数据库分析策略和 SDI 指数的应用解读，并以高血压为例-CSDN博客

9篇2章7节：GBD 数据库的关键数据工具系统介绍（上）-CSDN博客

9篇2章8节：GBD 数据库的关键数据工具系统介绍（下）-CSDN博客

9篇2章9节：多源数据联合应用在全球疾病负担（GBD）分析中的策略分析-CSDN博客

9篇2章10节：2025年基于GBD数据的柳叶刀子刊研究深度解析（全网最深度解读）

9篇2章11节：基于GBD数据的医学科研成文的六步法

9篇2章12节：不同临床科室可基于GBD进行数据挖掘的方向举例（联合分析）

9篇3章：FAERS 数据库

9篇3章1节：FAERS数据库的FDA官方讲解，对期刊投稿设限的FAERS数据库的客观评价！

9篇3章2节：认识FAERS数据库的数据和公共仪表板（分析前必看）

9篇3章3节：FAERS数据库公共仪表板搜索功能操作与解析

9篇3章4节：FAERS数据库中单个药品报告的数据总览

9篇3章5节：FAERS数据库中药品报告的数据来源与核心字段深度解读

9篇3章6节：FAERS数据的官网下载和ASCII文件的七大模块详解

9篇3章7节：基于 R 语言的 FAERS 数据提取与合并

9篇3章8节：FAERS联合挖掘，认识和获取VigiBase数据库资料

9篇4章：GEO 数据库

9篇4章1节：临床医生如何利用GEO数据库开展研究

9篇4章2节：GEO数据库的数据组织结构

9篇4章3节：GEO数据库官网数据的直接下载

9篇4章4节：用R语言进行GEO数据的下载和初步解析

9篇4章5节：炎症性肠病基因表达分析演示（一）

9篇4章6节：炎症性肠病基因表达分析演示（二）

9篇4章7节：炎症性肠病基因表达分析演示（三）9篇4章7节：炎症性肠病基因表达分析演示（三）

9篇4章8节：炎症性肠病基因表达分析演示（四）

9篇5章：NHIS 数据库

9篇5章1节：理解美国国家健康访谈调查（NHIS）数据库

9篇5章2节：NHIS 数据库的常规数据下载