差异分析主要用于：（1）判断因变量在两组或多组之间的统计学差异，各组之间可以是独立的，也可以是非独立的；（2）如果多组之间存在差异，进一步开展两两比较，分析差异来源。

比如，分析不同医疗机构医生收入水平的差异。收入水平是因变量，医疗机构是自变量，自变量可以分为互相独立的3组：基层医院、二级医院和三级医院。再如，判断受试者在运动干预前后的心率是否存在差异。心率是因变量，自变量是时间，可分为干预前和干预后非独立的两组，示例如下：

差异分析的研究设计类型主要分为三种：组间设计、组内设计和混合设计，具体如下：

2.1 组间设计

组间设计是指研究中的各组相互独立，组别互斥，即研究对象只能存在于一组，不能分属于不同组别。

比如，研究不同性别受试者的BMI差异，BMI是因变量，性别是自变量，包含两个相互独立的组别：组1男性和组2女性。在该研究中，组1和组2是互斥的，即某一位受试者只能是男性（组1），或只能是女性（组2），不能既是男性又是女性。

再比如，研究酗酒者和非酗酒者的谷丙转氨酶差异，谷丙转氨酶是因变量，是否酗酒为自变量，包含两个相互独立的组别：组1酗酒和组2不酗酒。同样的道理，受试者只能是酗酒者（组1）或非酗酒者（组2），不能既是酗酒者又不是酗酒者，即组1和组2互斥，相互独立。

组间设计示例如下：

2.2 组内设计

组内设计，又称重复测量设计，是指研究中的各组相互关联，所有研究对象均可分属于不同组别。简单来说，组内设计就是对研究对象进行重复多次测量，或对同一研究对象开展多种干预（常见于交叉设计）。

比如，分析运动前后，受试者心率的变化。心率是因变量，时间是自变量，包含两个相互关联的组别：时间点1（运动前）和时间点2（运动后）。在该研究中，时间点1和时间点2并不互斥，即运动后的研究对象与运动前一样，是同一群受试者接受了两次心率检测，任一位受试者既属于时间点1，又属于时间点2。如果我们针对同一群受试者增加重复测量次数，那么该研究仍是组内设计，研究类型不变。

再比如，研究绩效方案对医护人员工作效率的影响，工作效率是因变量，绩效方案是自变量，包含两个相互关联的组别：干预1（无绩效方案）和干预2（有绩效方案）。在该研究中，干预1和干预2也不互斥，是针对同一群医护人员分析有无绩效方案的差异，任一位受试者既属于干预1，又属于干预2。

此外，匹配设计也属于组内设计。比如上述例子中，如果有无绩效方案的医护人员并不是同一群人，但两组受试者在与工作效率相关的因素上存在匹配，我们就认为他们是一样的，符合组内设计的要求。但是在将匹配设计视为组内设计时我们需要十分谨慎，保证匹配后的研究对象一致。

组内设计示例如下：

2.3 混合设计

混合设计兼容了组间设计和组内设计的特点，至少包含1个组间因素和1个组内因素。比如，拟研究锻炼强度对C反应蛋白浓度的影响，将受试者随机分为对照、中强度体育锻炼干预和高强度体育锻炼干预三组，并在干预前、干预1周后和干预2周后重复测量3次所有受试者的C反应蛋白浓度。

在该研究中，C反应蛋白浓度是因变量，干预和时间是自变量。其中，干预是组间因素，各组别相互独立；时间是组内因素，各组别之间并不互斥，示例如下：

包含一个或多个自变量时，差异分析所采取的统计方法是不同的。那么，怎么判断自变量的数量呢？我们分别就包含一个自变量和多个自变量的研究进行了举例，帮助大家理解。

当只有一个自变量时，我们还需要进一步区分自变量的组数来选择合适的检验方法，一般分为2组或3组及以上，示例如下：

在差异分析中，如果关注因变量和一个分类型主要自变量之间的关系，同时需要考虑其它因素对其差异的影响，这就需要纳入协变量。纳入协变量是为了去除该类因素对主要观察变量差异的影响。调整该类因素后，可以减少其对研究结果的干扰，更加准确地分析两个主要观察变量之间的差异，保证结果的真实可靠性。示例如下：

医学领域多关注一个因变量与一个或多个自变量之间的分析，很少联合多个因变量开展统计检验。但其实，很多研究同时包含多个连续型因变量。

比如，分析干预一段时间后酗酒者和非酗酒者的身体水平差异，往往会收集一系列健康相关指标，如谷丙转氨酶、血压、血糖、甘油三脂等。针对该研究，有2种统计分析方法：（1）分别对每一个因变量进行分析，开展多项统计检验；（2）联合多个因变量，在一项检验中分析所有数据。第1种方法是医学领域常用的处理方式，本文只介绍分别对每个因变量进行分析的情况。

7.1 组间设计

7.1.1 只有一个自变量

7.1.1.1 自变量有2组

（1）因变量为连续变量

独立样本t检验。该检验适用于分析连续型因变量在2个独立分组之间的均值差异。

（2）因变量为有序分类变量

Mann-Whitney U检验。该检验又称Wilcoxon-Mann-Whitney检验，适用于分析连续型或有序分类型因变量在2组之间差异的非参数检验方法。

（3）因变量为二分类变量

① 卡方检验

 比较二分类变量在2组之间的差异，实际上就是在分析比例差异。如果满足最小样本量的要求，可以通过卡方检验比较比例差异。

② 相对风险（RR值）

相对风险是前瞻性队列研究或RCT中的常用指标，可以在一定条件下比较两个比例之间的关系，但其提示的结果是比值而不是差异。

③ 比值比（OR值）

比值比可以计算多类研究的差异，也是很多统计检验（如二分类logistic回归）的常用指标。在相对风险指标不适用的病例对照研究中，比值比仍可以很好地反映结果。

④ Fisher精确检验

Fisher精确检验可以用于检验两个比例之间的统计学差异。

（4）因变量为无序分类变量

卡方检验。该检验常用于分析无序分类变量之间的关系，不区分自变量和因变量，因变量和自变量互换统计结果不变。

7.1.1.2 自变量包含3个及以上组别

（1）因变量为连续变量

单因素方差分析。该检验适用于分析连续型因变量在2个或多个独立分组之间的均值差异。包含3个及以上组别时，可以开展两两比较分析差异来源。

（2）因变量为有序分类变量

Kruskal-Wallis H检验。该检验是非参数检验方法，适用于分析连续型或有序分类型因变量在2组或多组之间的差异。

（3）因变量为二分类变量或无序分类变量

卡方检验。该检验常用于分析无序分类变量之间的关系，也可以用于分析二分类变量（比例）在3个及以上组别之间的差异。如果存在差异，可以进行两两比较分析差异来源。

7.1.2 包含2个及以上自变量

包含两个及以上自变量时，如果关注因变量和一个分类型主要自变量之间的关系，同时需要考虑另外1个因素对其差异的影响，可以使用单因素协方差分析。除此之外，一般采用回归分析的方法。