统计分析

引言：统计分析的“瑞士军刀”来了！

作为一名医学教育研究者，你是否也曾为这些事头疼：

“SPSS太贵，R语言太难，Excel只能算个平均数……我就想比较一下两种教学方法的效果，怎么就那么费劲？” “审稿人要求报告贝叶斯因子，我连贝叶斯是什么都还没搞懂！” “好不容易做完分析，怎么把结果表复制到Word里格式全乱套了？”

如果你也有这些烦恼，那么今天介绍的这款软件，可能会成为你的“救命稻草”——JASP (Jeffreys’ Amazing Statistics Program)。

JASP是一款完全免费、开源的统计软件，由阿姆斯特丹大学开发。它最大的特点就是**“简单”**：

界面友好：像SPSS一样，点菜单、拖变量就能分析，零代码基础也能上手。
双模分析：同一个分析（比如t检验），既能给出传统的频率学派结果（p值、置信区间），也能给出贝叶斯学派结果（贝叶斯因子、可信区间）。一次操作，两份报告。
APA格式一键输出：结果表格和图表都自动符合APA出版格式，可以直接复制粘贴到论文里。
功能强大：从基础的描述统计、t检验，到高级的混合模型、元分析、结构方程模型，医学教育研究常用的方法基本都涵盖。

更重要的是，JASP的最新版本（0.19.3，2025年7月发布） 在稳定性和功能上都有了很大提升，配套的教程（如《Statistical Analysis in JASP: A Guide for Students》）也更新得非常及时。

今天，我们就以住培（住院医师规范化培训）教学研究中最常见的几种数据设计为例，手把手带你用JASP完成从数据整理到结果解读的全过程。我们的目标是：让统计不再可怕，让数据自己说话。

第一部分：住培教学研究，你的数据应该长什么样？

在打开JASP之前，我们先要搞清楚：你的研究问题，决定了你的数据应该怎么收集。

场景一：横断面调查 (Cross-sectional Survey)

研究问题：某院住培医师的职业倦怠水平与带教老师支持度有关吗？
数据设计：
- 在同一时间点，对全院200名住培医师进行问卷调查。
- 收集两个变量：职业倦怠得分（连续变量，0-100分）、感知到的老师支持度得分（连续变量，0-100分）。
分析目标：分析两个连续变量之间的相关性（Pearson’s r）。

场景二：前后测设计 (Pre-post Design)

研究问题：新的“翻转课堂”教学方法，能否提高住培医师的临床决策能力？
数据设计：
- 选取同一批学员（如30人）。
- 干预前：进行一次临床决策能力测试（前测，Pretest）。
- 实施“翻转课堂”教学（干预）。
- 干预后：进行同样的测试（后测，Posttest）。
分析目标：比较同一批人前后两次得分的差异，使用配对样本t检验。

场景三：嵌套数据设计 (Nested Data Design) —— 这才是“大坑”！

研究问题：不同带教老师的督导风格，会影响其组内学员的Mini-CEX评分吗？
数据设计：
- 20位带教老师，每位老师带4-8名学员（共100名学员）。
- 每位学员都接受了Mini-CEX评估，得到一个评分。
- 数据具有嵌套结构：学员（水平1）嵌套在老师（水平2）之下。
分析挑战：学员的评分可能更相似（因为受同一位老师影响）。如果无视嵌套结构，直接用普通回归或t检验，就会犯**“伪重复”** 的错误。
分析目标：使用线性混合模型 (Linear Mixed Models)，把“老师”作为随机效应。

场景四：随机对照试验 (Randomized Controlled Trial, RCT)

研究问题：基于VR的穿刺训练，是否比传统模型训练更有效？
数据设计：
- 将60名学员随机分配到两组：
  - 实验组 (n=30)：接受VR穿刺训练。
  - 对照组 (n=30)：接受传统模型训练。
- 训练结束后，所有人参加同一项穿刺操作考核，记录操作得分和完成时间。
分析目标：比较两组在得分和时间上的差异，使用独立样本t检验或曼-惠特尼U检验（如果数据不符合正态分布）。

小结：把你的研究对号入座，明确你的数据属于哪种“长相”。这决定了你在JASP里该点哪个菜单。