常用统计指标的应用和举例：相关系数、克朗巴哈系数...
统计方法是数据分析的基石，其研究结果是改变临床医学实践和决策的基础。为了更清晰地表达分析结果，研究人员往往将数学语言转化成直观易懂、易于理解的简单语言。
例如，说明两个变量之间的相关性“非常强”，或报告两个评价者之间的一致性“差”，对大多数读者来说，比简单的数字结果更容易让人理解。相反，当缺乏这种简单易懂的解释时，论文的读者可能会需要一定的参考值，以帮助他们理解报告的数值。
然而，仍然需要强调的是，这种通俗易懂的解释只能作为数值结果的一种补充说明，而非完全替代。
对此，荷兰阿姆斯特丹大学医学院麻醉科Patrick Schober教授发表了一篇论文《Statistics From A (Agreement) to Z (z Score): A Guide to Interpreting Common Measures of Association, Agreement, Diagnostic Accuracy, Effect Size, Heterogeneity, and Reliability in Medical Research》，对各种常见的统计指标的界值进行了介绍说明，并对医学研究中的一些常用统计指标进行简单易懂的解释。小咖将分几期内容来进行一一介绍。
总则
虽然作者旨在就如何对统计结果进行解释提供一定的指导，但这并不意味着，这些结果应如本文所建议的那样进行普遍的解释。相反，作者更强调经验法则的解释应该需要明智地使用。使用界值或阈值对连续变量进行分类本身就存在着问题。
例如，刚好高于阈值的值与刚好低于阈值的值的解释是不同的，而在其他条件相同的情况下，它们的解释本质上应该是非常相似的。因此，将连续变量数值转换为离散变量会丢失很多信息，这就解释了为什么统计人员不愿意在分析中对数据进行离散化处理。
所有界值在文献中的应用是不一致的，通常取决于特定的临床或科学研究背景。此外，测量的绝对值及其解释通常取决于几个必须考虑的因素，例如，评估值的范围（例如相关性分析）、等级量表中的项目数（例如Cronbach’s α），类别的数量和评分属性的一致性（例如kappa系数）。
在解释统计方法的结果时，研究人员还应评估各自统计方法选择是否恰当，确认该方法所依据的关键假设已得到满足，并考虑偏倚来源。当收集和/或分析数据的基本过程不恰当时，任何通俗易懂的解释都可能会产生误导。
即使数据收集和分析是适当的，但需要引起重视的是，统计量是基于给定样本的总体参数的估计值。样本总是受到抽样误差的影响，在样本中观察到的所谓的点估计值（例如，观察到的相关系数）可能与感兴趣的实际总体参数（例如，潜在总体人群中的真实相关性）并不一致。
为了解释这种不确定性，统计指标的解释不应只关注点估计值，作者还应该考虑报告置信区间（CI）的整个范围，它提供了总体参数的合理值的最佳估计。
相关性Correlation
相关系数测量的是两个变量之间的关联强度。在一般医学研究论文中普遍都会报道相关系数。
Pearson相关系数描述了线性关系的强度，需假设两个变量都是连续变量，且呈近似正态分布。Spearman秩相关系数没有对数据分布做出任何假设，只是要求数据可以以一种有意义的方式进行排序。它描述了单调关系的关联强度，即一个变量的值随着另一个变量的值的增加而不断增加或减少，但不一定以线性方式增加或减少。
相关系数范围一般为-1至+1。正值表示一个变量的值随着另一个变量的值的增加而增加，而负值表示相反的关系。绝对值越来越接近1，表示关系越来越密切。
Pearson相关系数平方（或R2，决定系数）也经常在文献中报道。它的解释为一个变量被另一个变量解释的方差的比例（或百分比）。例如，表1中的Pearson相关系数对应的可解释的方差分别<1%、1%-15%、16%-48%、49%-80%和≥81%，相应的可解释的方差比例为“可忽略”、“较低”、“中等”、“较高”和“非常高”。
Cronbach’α系数
Cronbach’α系数是评价多条目评分量表的可靠性，即内部一致性的指标。评分量表广泛应用于心理学和社会科学，以解决所谓的无法直接测量的潜在结构，如自尊、焦虑、抑郁、躯体化等。
一个最为常见的例子就是李克特式（Likert）评分量表，在该量表中，评估者或受访者对每个问卷测量条目使用“非常同意”、“同意”、“中立”、“不同意”或“非常不同意”等描述词，来对观察结果、看法、态度、认知、表现等进行分类。
在医学研究中，心理测量评分量表应用越来越多，越来越强调不能直接测量的有关患者幸福感方面的问题，包括患者满意度、恢复质量或与健康相关的生活质量等等。
在开发、修订或评估评分量表的研究中，尽管存在一些局限性，但Cronbach’α仍然是最常用的评估内部一致性的指标。Cronbach’α的主要假设是所有的量表条目都是连续的，且呈正态分布，所有的量表条目都具有相同的潜在结构，每个条目对量表总得分的贡献是相等的（称为tau等效）。
当所有量表条目反映相同的结构时，整个量表条目的不同子集应产生一致的结果。
Cronbach’α反映了量表条目之间的相关程度或相互关系，它的值通常在0到1之间，值越接近于1表示内部一致性越强。然而，Cronbach’α值对量表条目的数量较为敏感，条目越多，Cronbach’α值越高，过高的值说明量表条目的冗余度较高。
虽然在文献中对Cronbach’α通俗易懂的解释差异较大，但Cronbach’α≥0.7通常被认为是“可接受的”。值得注意的是，这种情况主要适用于量表用于研究目的的情况（例如，比较两组患者之间的患者满意度）。
当量表用于临床评估时，通常需要更高的值（≥0.9）。因此，当量表用于患者治疗的临床决策时，“可接受”甚至“良好”的可靠性，可能并不够好。
表1、统计指标的界值和解释说明
表2、统计指标的意义、应用及举例